DEMNAS

Seamless Digital Elevation Model (DEM) dan Batimetri Nasional

Learn more

Info

DEMNAS

DEM Nasional dibangun dari beberapa sumber data meliputi data IFSAR (resolusi 5m), TERRASAR-X (resolusi 5m) dan ALOS PALSAR (resolusi 11.25m), dengan menambahkan data Masspoint hasil stereo-plotting. Resolusi spasial DEMNAS adalah 0.27-arcsecond, dengan menggunakan datum vertikal EGM2008.

DEMNAS

Batimetri Nasinonal

Batimetri Nasional dibentuk dari hasil inversi data gravity anomaly hasil pengolahan data almetri dengan menambahkan data pemeruman (sounding) yang dilakukan oleh BIG, NGDC, BODC, BPPT, LIPI, P3GL dan lembaga lainnya dengan survei single maupun multibeam. Resolusi spasial data BATNAS adalah 6arc-second dengan menggunakan datum MSL.

Gridded BATimetri NASional

Data gridded BATimetri NASional dari 90 sampai 150BT dan dari 20LS sampai 20LU. Data batimetri ini mempunyai keunggulan di daerah pesisir dan perairan dangkal dengan menggunakan survei dari Pusat Kelautan dan Lingkungan Pantai (PKLP), BIG.

Metode

DEMNAS

Metode penambahan/assimilasi data masspoint kedalam Digital Surface Model/DSM (IFSAR, TERASAR-X atau ALOS-PALSAR) dengan menggunakan GMT-surface dengan tension 0.32. Detil proses assimilasi dapat dilihat pada IHO-GEBCO Bathymetry Cookbook, Hell and Jacobson(2011) dan lain-lain.

DEM processing flowchart

Pengukuran Ground Control Point (GCP) dan Jaring Kontrol Geodesi (JKG) digunakan untuk validasi dan uji akurasi data DEMNAS dan model data tinggi lainnya. Hasil validasi di Sumatera menunjukkan bahwa akurasi DEMNAS lebih baik dibandingkan dengan model data tinggi yang dibentuk dari masspoint, spotheight dan breakline (selanjutnya akan disebut DTM). Data DEMNAS, DTM dan DSM (IFSAR, TERRASAR-X dan ALOS-PALSAR) untuk wilayah Sumatera (untuk wilayah lain, grafik tidak ditampilkan) memiliki Root Mean Square Error (RMSE) masing-masing sebesar 2.79m, 3.24m dan 3.71m dengan bias error -0.13m, -0.63m dan 2.21m untuk data DEMNAS, DTM dan DSM.

Selisih GCP/JKG minus EGM2008 dan model data tinggi

Selisih nilai pengukuran GNSS dan DEMNAS tidak mempunyai hubungan yang berbanding lurus dengan elevasi yang terukur. Perbedaan tinggi ini mungkin lebih disebabkan karena tutupan lahan dibanding dengan tinggi elevasi. Hubungan selisih DEMNAS dan GNSS dapat dilihat pada grafik berikut.

Hubungan selisih DEMNAS dan GNSS dengan ketinggian elevasi

Dari sisi akurasi DTM yang dibangun dari masspoint dan breakline mempunyai akurasi yang baik untuk penarikan garis kontur dalam peta. Akan tetapi, dalam kasus tertentu yang relatif ekstrim, pembuatan DTM dari masspoint dan breakline dapat merubah landscape daerah tersebut. Perubahan landscape ini disebabkan karena akurasi masspoint dan breakline yang rendah baik dari sisi posisi secara horizontal maupun vertikal, sehingga menghasilkan DTM yang lebih tinggi dibanding DSM, dan perubahan fitur sungai dibeberapa tempat (Gambar dibawah). Sebaliknya proses penambahan data masspoint kedalam DSM menggunakan GMT-surface dengan boxcar filter menghasilkan data tinggi dengan kualitas lebih baik, dengan membuang masspoint yang tidak akurat.

DSM
DTM(masspoint+breakline)
DEMNAS

Efek dari konversi datum tinggi dari EGM96 menjadi EGM2008 terlihat pada DSM yang masih menggunakan EGM96 dan DEMNAS yang merujuk pada EGM2008. Selanjutnya, anomali tinggi juga terlihat pada data DTM yang didapatkan dari masspoint dan breakline hasil interpretasi stereo-plotting di daerah bagian selatan, dengan data DTM yang lebih tinggi dibanding DSM, 10m atau lebih. Anomali bentuk lahan lainnya, juga terlihat pada pola aliran dan muara sungai di bagian utara. 

Batimetri Nasional

Pengembangan data model gridded Batimetri Nasional dimulai dari perhitungan data free air gravity anomaly, sampai menjadi data batimetri dengan menggunakan Gravity-Geological Method (GGM). Detil penggunaan model GGM dapat ditemukan pada Hsiao et. al (2016) dan lain-lain, dan metode assimilasi data pemeruman kedalam data batimetri, misalnya dalam Becker et. al (2009).

Flow chart pemrosesan data batimetri (dimodifikasi dari Hsiao et al. (2016))

Penilaian akurasi data free air gravity anomaly dilakukan dengan membandingkan hasil model terhadap data shipborne. Tabel hasil perbandingan data shipborne dengan data gravity model BIG, DTU10 dan Sandwell v24.1 seperti berikut: 

Item Mean diff (mgal) std. dev (mgal) min (mgal) max (mgal)
BIG1m-G -0.51
9.31 -103.16 101.87
Sandwel 24.1 -0.72 9.47 -121.92 108.71
DTU10 -1.07 9.84 -103.65 102.45

Hasil uji akurasi menunjukkan bahwa marine gravity model yang dikembangkan mempunyai akuarasi yang memadai, sebagai dasar untuk estimasi model batimetri pada resolusi 1m (1 minute) sebelum dilakukan iterasi asimilasi data pemeruman, dari resolusi 1m sampai 6-arcsecond.

Hasil survei hidrografi pada kegiatan Digital Marine Resource Mapping (DMRM) digunakan sebagai validator data model gridded Batimetri Nasional, dari resolusi 1m, 30-seconds, 15-seconds. Sebagai pembanding, uji akurasi ini juga dilakukan terhadap data batimetri global yang ada, misalnya GEBCO30s edisi tahun 2014, SRTM30 dan SRTM15 plus. Validasi di daerah pantai yang sebagian besar sudah ditambahkan data hasil survei Pusat Kelautan dan Lingkungan Pantai (PKLP), BIG, tidak lagi diperlukan. Asimilasi data pemeruman di perairan dangkal dan daerah pantai menjadikan data gridded Batimetri yang dikembangkan oleh Tim DEMNAS BIG, akan mempunyai akurasi terbaik di daerah pantai Kepulauan Indonesia, dibanding data model batimetri lainnya.

Batimetri Nasional dengan resolusi 30s, memiliki bias error -12.22m sedangkan data SRTM30plus dan GEBCO30s masing-masing -18.51m dan -24.7m. Selanjutnya, standar deviasi untuk BATNAS, SRTM30plus, dan GEBCO30s masing-masing adalah 47.32m, 151.4m dan 171.53m. Sementara itu, pada resolusi 15s, data BATNAS mempunyai bias error  -9.21m dan standar deviasi 39.75. Sementara SRTM15plus mempunyai bias error -15.71m dan standar deviasi 146.53m. Contoh perbedaan detil batimetri antara SRTM15plus dan BATNAS-15s seperti Gambar berikut.

Gridded batimetri SRTM15plus
Gridded batimetri BIG-15s, sebelum dilakukan masking daratan

Datum yang digunakan dalam BATNAS adalah EGM2008 dan MSL. Hubungan antara Geoid dan MSL didefiniskan dengan jelas dalam "Geodetic World Height System Unification". Selanjutnya, contoh implementasi penggunaan ocean model, stasiun pasut dan survei GNSS dapat dilihat di woodworth et al.(2012). Dalam menghitung MSL di Perairan Indonesia, BIG menggunakan HYCOM dengan resolusi lebih baik dibanding model yang digunakan dalam  woodworth et al.(2012). Beberapa hasil simulasi model laut dengan berbagai resolusi dari skala global sampai regional dapat dilihat di http://tides.big.go.id/las. Secara sederhana, hubungan antara hasil model laut dan geoid dapat dilihat pada Gambar berikut:

Hubungan MSL dan geoid

HowTo

Spesifikasi Data

Data DEMNAS yang dirilis dipotong sesuai dengan Nomor Lembar Peta (NLP) skala 1:50k atau 1:25k, untuk setiap Pulau atau Kepulauan. Ringkasan data set karakteristik DEMNAS, seperti berikut:

Item Keterangan
Nama file DEMNAS_xxxx-yy-v1.0.tif untuk NLP 1:50k dan DEMNAS_xxxx-yyy-v1.0.tif  untuk 1:25k. xxxx-yy menunjukkan nomor lembar peta RBI dan v1.0 menunjukkan rilis versi 1.0
Resolusi 0.27-arcsecond
Datum EGM2008
Sistem Koordinat Geografis
Format Geotiff 32bit float

Sementara itu data BATNAS dibagi dalam blok dengan luas 5 derajat x 5 derajat dengan pertimbangan besaran data dan memudahkan proses download. Spesifikasi data BATNAS, seperti berikut:

Item Keterangan
Nama file BATNAS_xxxE-xxxE_yyy-yyy_EGM_v1.0.tif atau BATNAS_xxxE-xxxE_yyy-yyy_MSL_v1.0.tif, xxx batas timur dan barat, dan yyy menunjukkan batas selatan sampai utara serta  v1.0 menunjukkan rilis versi 1.0. EGM dan MSL masing-masing menunjukkan datum tinggi yang digunakan sebagai acuan.
Resolusi 6-arcsecond
Datum EGM2008 dan MSL
Sistem Koordinat Geografis
Format Geotiff 32bit float

Menggabungkan Data DEMNAS

Untuk menggabungkan data DEMNAS dalam potongan NLP menjadi sebuah data seamless dengan area yang lebih luas, dapat digunakan Geospatial Data Abstraction Library (GDAL).  Berikut contoh penggabungan data dengan GDAL menggunakan terminal. Menggabungkan 10(sepuluh) NLP data DEMNAS hanya diperlukan waktu 5 detik, dengan instruksi seperti berikut:

[kebo@tides SAMPLE]$ ls
DEMNAS_1314-23.tif DEMNAS_1314-31.tif DEMNAS_1314-34.tif DEMNAS_1314-61.tif DEMNAS_1314-63.tif
DEMNAS_1314-24.tif DEMNAS_1314-33.tif DEMNAS_1314-52.tif DEMNAS_1314-62.tif DEMNAS_1314-64.tif
[kebo@tides SAMPLE]$ echo "gdal_merge.py -o DEMNAS_large_area.tif" > list1
[kebo@tides SAMPLE]$ ls DEMNAS_*.tif | tr -d ' \n ' | sed -e 's/.tif/.tif /g' > list2
[kebo@tides SAMPLE]$ paste list1 list2 > command.sh
[kebo@tides SAMPLE]$ sh command.sh
0...10...20...30...40...50...60...70...80...90...100 - done.

Plotting data DEMNAS

Plotting data DEMNAS dapat dilakukan dengan Generic Mapping Tool (GMT) dan GDAL untuk konversi data dari GeoTiff menjadi NetCDF. Sebagai contoh, penggunaan bourne-shell script sederhana (plot_demnas.bash) dengan perintah sebagai berikut:

bash-3.2$ bash plot_demnas.bash 
 penggunaan: bash plot_demnas.bash file_input.tif file_output.eps max_elev(meters)
 contoh: bash plot_demnas.bash DEMNAS_0718-54_v1.0.tif DEMNAS_0718-54_v1.0.eps 200
bash-3.2$ bash plot_demnas.bash DEMNAS_0718-54_v1.0.tif DEMNAS_0718-54_v1.0.eps 15
Input file size is 3333, 3333
0...10...20...30...40...50...60...70...80...90...100 - done.
grd2cpt: Processing input grid(s)
grd2cpt: Mean and S.D. of data are 4.1996872704 2.81747693968
grdgradient: Processing input grid
grdgradient:  Min Mean Max sigma intensities:grdgradient: -0.511577595155 9.02550576079e-05 0.53745034241 0.0418320305703
grdhisteq: Processing input grid

Hasil plotting dengan GMT

Konversi Datum

Datum tinggi yang digunakan dalam DEMNAS adalah EGM2008. Jika ingin menggunakan datum tinggi yang lain misalnya bidang matematis Elipsoid, MSL atau yang lainnya, dapat digunakan CDO untuk regriding data datum tinggi sesuai dengan potongan NLP data DEMNAS, atau langsung menggunakan command-line tools yang ada di GDAL.

Berikut contoh pemanfaatan  command-line tools (conv2ellipsoid.bashyang ada di GDAL untuk mengembalikan datum tinggi dari EGM2008 ke elipsoid.

bash-3.2$ bash conv2ellipsoid.bash 
 penggunaan: bash conv2ellipsoid.bash file_input.tif file_output.tif
 contoh: bash conv2ellipsoid.bash DEMNAS_0718-54_v1.0.tif DEMNAS_EL_0718-54_v1.0.tif
bash-3.2$ bash conv2ellipsoid.bash DEMNAS_0718-54_v1.0.tif DEMNAS_EL_0718-54_v1.0.tif
Input file size is 4201, 3001
0...10...20...30...40...50...60...70...80...90...100 - done.
0 .. 10 .. 20 .. 30 .. 40 .. 50 .. 60 .. 70 .. 80 .. 90 .. 100 - Done