Download Global Administrative, Topography and Bioclimatic Database Through R Program

Mengunduh data administrasi, topografi dan bio-iklim langsung melalui Program R

Salah satu keunggulan menggunakan program R adalah kita bisa langsung menunduh data dengan menggunakan satu atau dua baris perintah di program R tanpa harus membuka portal website tertentu untuk mencari dan mengunduhnya. Keunggulan ini dimiliki oleh pustaka “raster” yang sudah sering dipakai pada tutorial-tutorial sebelumnya. Data-data yang bisa diunduh langsung seperti batas administrasi suatu daerah/negara (Global Administrative Database-GADM)pada beberapa level, data ketinggian (Digital Elevation Model) resolusi 90m, data iklim global seperti suhu tahunan rata-rata/minimum/maksimum, curah hujan, dan data bioclime yang biasanya dipakai untuk analisis pemodelan distribusi spesies (Species Distribution Model).

Pada tutorial kali ini kita akan mencoba mengunduh langsung data-data tersebut yang kemudian bisa dipakai langsung untuk kebutuhan analisis data. Secara bertahap, kita akan memulainya dengan menyiapkan folder dimana output akan disimpan secara otomatis. Setelah itu memanggil data wilayah yang akan dijadikan acuan (area of interest) untuk mengunduh data. Lalu memanggil pustaka raster yang menyediakan perintah yang dibutuhkan untuk mengunduh data-data tersebut.

Data yang akan digunakan dalam tutorial ini dapat diunduh disini. Salah satu data yang akan dihasilkan dapat dilihat pada Gambar 1.

Gambar 1. Peta Bio-Iklim 1 yang merupakan data suhu tahunan rata-rata

## Mengaktifkan folder kerja, dimana semua hasil akan disimpan
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")
# Memanggil pustaka rgdal untuk membaca data vektor
require(rgdal)

# Memanggil data batas kawasan TNGP sebagai area of interest, sebaiknya dalam proyeksi geografis
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

# Memeriksa dimensi geografis (extent) sebagai acuan dalam menentukan posisi “long” dan “lat”
Extent(tngp)
Kita akan menggunakan nilai “xmin=106” dan “ymin=-6” untuk menentukan daerah yang akan diunduh khususnya data topografi dan bio-iklim.

# Download data online menggunakan perintah raster::getData
# Memanggil pustaka raster
require(raster)

# 1 - Download peta administrasi indonesia
# Melihat code negara Indonesia menggunakan perintah getData('ISO3')
getData('ISO3')

# Memanggil peta administrasi Indonesia pada level 0 (batas negara)
# Unduh data langsung di folder hasil menggunakan perintah download=TRUE
indo0 <- getData(name = "GADM", country='IDN', level=0, download = TRUE )

# Memanggil peta administrasi Indonesia pada level 1 (batas provinsi)
indo1 <- getData(name = "GADM", country='IDN', level=1, download = TRUE )

# Plot data adminstrasi yang sudah di download seperti terlihat pada Gambar 2
par(mfrow = c(2, 1)) # membuat partisi plot dalam 2 baris dan 1 kolom
plot(indo0, col="yellow", border="blue", main="GADM level 0 (batas negara)")
plot(indo1, col="green", border="red", main="GADM level 1 (batas provinsi)")
par(mfrow = c(1, 1)) # menutup partisi

Gambar 2. Peta administrasi Indonesia pada level 0 dan 1

# 2 - Download data ketinggian (SRTM) menggunakan xmin/long=106 dan ymin/lat=-6
srtm <- getData(name = "SRTM", lon=106, lat=-6, download = TRUE )

# Plot data ketinggian menggunakan variasi warna dari RColorBrewer seperti terlihat pada Gambar 3
library(RColorBrewer)
plot(srtm, col=brewer.pal(10,"BrBG"), xlab="Long", ylab="Lat",
main="Ketinggian (mdpl)")

Gambar 3. Peta ketinggian di wilayah Jawa Barat

 # 3 - Download data curah hujan
precip <- getData('worldclim', var='prec', lon=106, lat=-6, res=0.5,download = TRUE)

Data curah hujan yang akan diunduh terdiri dari 12 data yang mewakili setiap bulan dalam setahun. Informasi lebih lanjut mengenai data dapat dilihat pada website http://www.worldclim.org/.

# Memberikan nama bulan pada masing-masing data
names(precip) <- c("Jan","Feb","Mar","Apr","May","Jun","Jul","Aug",
"Sept","Oct","Nov","Dec")

# Plot data curah hujan di enam bulan terakhir seperti terlihat pada Gambar 4
plot(precip,7:12, col=brewer.pal(10,"Blues"))

Gambar 4. Peta curah hujan antara Bulan Juli sampai Desember

# 4 - Download data Bioclim
bioclim <- getData('worldclim', var='bio', lon=106, lat=-6, res=0.5,download = TRUE)

Sama halnya dengan data curah hujan, data bio-iklim juga memiliki 19 jenis data iklim yang sangat penting untuk melihat penyebaran spesies, karena secara ekologi, sebaran spesies sangat dipengaruhi suhu dan curah hujan. Informasi detail mengenai 19 data bio-iklim dapat dilihat pada website http://www.worldclim.org/

# Memberikan nama pada masing-masing data
names(bioclim) <- c("Bio1","Bio2","Bio3","Bio4","Bio5","Bio6","Bio7","Bio8",
"Bio9","Bio10","Bio11","Bio12","Bio13","Bio14","Bio15","Bio16",
"Bio17","Bio18","Bio19")

# Plot data bio-iklim 1 seperti yang terlihat pada Gambar 1 diatas
plot(bioclim,1, col=brewer.pal(10,"BrBG"))


Selamat mencoba!!!