- Para ilmuwan telah mengembangkan model AI yang dipadukan dengan citra satelit yang dapat digunakan untuk memprediksi ketinggian kanopi.
- Perusahaan teknologi Meta berkolaborasi dengan organisasi nirlaba World Resources Institute mengembangkan peta dan model sumber terbuka (open-source).
- Model AI juga dapat digunakan untuk memprediksi ketinggian kanopi di wilayah dimana data berkualitas tinggi tidak tersedia.
- Ketinggian kanopi merupakan indikator penting mengenai biomassa hutan dan stok karbon di atas permukaan tanah, dan digunakan untuk mengukur kemajuan upaya restorasi hutan.
Kecanggihan teknologi citra satelit beresolusi tinggi yang dipadukan dengan kemampuan kecerdasan buatan (artificial intelegence/AI) saat ini telah dapat digunakan untuk mendeteksi tiap individu pohon dalam jangkauan global. Kemajuan ini digadang-gadang kedepannya dapat digunakan untu melacak penyimpanan karbon biomassa.
Perusahaan raksasa teknologi Meta bekerjasama dengan lembaga riset internasional World Resources Institute saat ini sedang mengembangkan model sumber terbuka (open-source) yang dapat membuat perkirakan ketinggian kanopi dari citra satelit serta data udara (aerial data).
“Harapan kami adalah membantu pemantauan sistem yang belum tersaji oleh data struktur hutan saat ini,” ungkap John Brandt, seorang data saintis di WRI kepada Mongabay dalam sebuah wawancara video.
Sebagai informasi, lebih dari sepertiga daratan Bumi, atau kira-kira tiga kali luas negara Rusia, negara terluas di dunia memiliki vegetasi yang tajuk (kanopi) pohonnya mencapai ketinggian lebih dari 1 meter. Sedang tajuk pohon lebih tinggi dari 5 meter, menempati wilayah lain yang kira-kira luasnya dua kali Rusia.
Sebelumnya, pemetaan hutan lewat teknologi penginderaan jauh telah banyak digunakan dalam beberapa tahun terakhir, khususnya untuk melacak dan memantau deforestasi di seluruh dunia. Data deforestasi pun hanya memerlukan citra beresolusi relatif rendah, karena deforestasi umumnya terjadi di wilayah luas yang melibatkan penebangan pohon yang besar.
Sebaliknya untuk mendapatkan data penyimpanan karbon memerlukan informasi yang lebih beragam, seperti dimensi pohon, data pohon yang lebih muda dan jenis vegetasi jarang yang tersebar di wilayah yang lebih luas.
“Jika Anda melihat data karbon hutan secara konvensional, cara ini bisa dilakukan untuk beberapa jenis hutan,” kata Brandt.
“Namun untuk melihat hutan lahan kering, agroforestri campuran, dan hutan heterogen, hal ini tidak akan banyak membantu menginformasikan tentang penyimpanan karbon. Disebabkan distribusi tinggi kanopi dan [kendala] foto piksel yang kasar.”
Ketinggian kanopi adalah indikator penting perhitungan biomassa hutan, kekayaan keanekaragaman hayati, dan stok karbon di atas permukaan tanah. Semuanya pun merupakan faktor penting yang digunakan untuk memantau dan mengukur kemajuan upaya restorasi hutan.
“Peningkatan perubahan pada tinggi kanopi bisa menjadi indikator bahwa hutan terus tumbuh,” jelas Jamie Tolan, ilmuwan peneliti di Meta, mengatakan kepada Mongabay dalam sebuah wawancara tertulis.
Jutaan Gambar Diperlukan
Untuk pengumpulan data dan melatih model AI lewat chatbot, tim menggunakan 18 juta gambar, yang dikumpulkan dari satelit resolusi tinggi milik Maxar Technologies.
Dengan data yang dikumpulkan tersebut, tim membangun model AI dasar, yang kemudian dapat diadaptasi untuk berbagai aplikasi. Salah satunya dengan ChatGPT, aplikasi AI yang populer.
“Anda cukup melatih model kecil pada citra target yang ingin di analisis,” kata Brandt
Dalam prosesnya ada dua tahapan jelas Tolan, pertama lewat pelatihan mandiri (self-supervised learning) dimana AI melatih dirinya sendiri dengan data input yang dimasukkan. Tahap ini dilanjutkan dengan data satelit LIDAR (Light Detection and Ranging) yang tersedia untuk menghitung ketinggian kanopi pohon. Jenis simulasi ini menggunakan tinggi kanopi pohon yang ada di Amerika Serikat.
Dalam tahap kedua adalah simulasi, model diperlihatkan gambar RGB suatu wilayah dan peta ketinggian LIDAR yang sesuai, dan model mempelajari hubungan antara keduanya. Dalam akhir proses, setelah model mengambil data satelit resolusi tinggi atau dan data aerial, ia dapat memprediksi tinggi kanopi per piksel pada gambar masukan.
Brandt mengatakan model dan peta global yang dihasilkan tim ini dapat digunakan dalam berbagai aplikasi.
“Bisa menggunakan peta yang datanya tersedia dengan kualitas bagus. Anda dapat mengambil data lapangan di 10 atau 15 titik data lapangan, serta melatih model ketinggian kanopi untuk mendapatkan prediksi yang sangat bagus.”
Saat ini, tim menggunakan model tersebut untuk mengembangkan peta ketinggian kanopi di negara bagian California di AS dan São Paulo di Brasil. Menurut tim, model tersebut terbukti memiliki kinerja yang baik di Brasil, meski data pelatihannya berasal dari Amerika Utara.
Mereka juga melaporkan jika dapat melacak wilayah yang datanya terbatas.
“Salah satunya adalah kawasan hutan transisi dari taiga ke tundra. Di kedua daerah ini peta yang baik, dan data perkiraan kanopi masa lalunya sukar di cari,” kata Tolan.
“Kami juga tertarik pada pepohonan di luar hutan, misalnya di Afrika, yang telah menjadi wilayah penelitian aktif dalam memahami potensi karbon di hutan.”
Tim ini juga berencana memperbarui model dan peta ketika data baru tersedia. Hal ini berarti akan perlu melibatkan pelatihan ulang model untuk memperkirakan ukuran-ukuran lainnya.
“Jika Anda ingin mendapatkan data karbon, kanopi adalah separuh dari kebutuhan itu. Separuh sisanya adalah kepadatan batangnya. Ini masih dalam tahap penelitian, tapi kami juga berupaya untuk memprediksi tinggi kanopi dan jumlah batang ini,” jelas Brandt.
Tulisan asli: AI model maps global tree canopy heights in hi-res, with carbon counting in mind. Artikel ini diterjemahkan oleh Akita Verselita
***
Foto uama: Kanopi hutan di Kalimantan Barat. Foto: Rhett Butler.
Peneliti Mulai Gunakan Model Kecerdasan Buatan untuk Menghitung Populasi Satwa
