DUCK-Net Teknologi Deep Learning untuk Memantau Perubahan Iklim di Greenland

Citra satelit Sentinel-2, yang digunakan dalam penelitian ini, memberikan resolusi tinggi yang sangat penting untuk memantau perubahan es di wilayah yang sangat luas dan sulit diakses. 

Greenland sendiri merupakan area yang sangat kritis dalam memahami dampak perubahan iklim global, karena pencairan esnya telah menyumbang lebih dari 260 gigaton massa es per tahun sejak awal abad ke-21.

Metode segmentasi yang digunakan dalam DUCK-Net memanfaatkan arsitektur yang awalnya dirancang untuk segmentasi medis, namun dengan modifikasi pada fitur-fiturnya, seperti blok residu, midscope, dan widescope, model ini mampu mendeteksi fitur-fitur es dengan akurasi tinggi. 

Dengan mencapai akurasi 93% pada data pelatihan, model ini menunjukkan performa yang sangat baik dalam mendeteksi danau supraglacial pada citra Sentinel-2. Walaupun pada data uji akurasi turun menjadi 67%, penurunan ini kemungkinan besar disebabkan oleh perbedaan distribusi antara data pelatihan dan uji. 

Namun demikian, hasil ini tetap menunjukkan bahwa teknologi deep learning memiliki potensi besar untuk diterapkan lebih luas di wilayah es lainnya di seluruh dunia, seperti Antartika atau Pegunungan Alpen.

Selain mengandalkan citra Sentinel-2, penelitian ini juga menggunakan data DEM (Digital Elevation Model) dan Hillshade untuk meningkatkan akurasi segmentasi. Namun, dalam eksperimen akhir, ditemukan bahwa tambahan data ini tidak meningkatkan hasil akurasi secara signifikan. 

Oleh karena itu, model yang paling efisien adalah yang hanya menggunakan data RGB dari Sentinel-2, yang mengindikasikan bahwa citra satelit tersebut sudah cukup kuat dalam mendeteksi fitur es dan air di wilayah es Greenland.

Penting juga untuk dicatat bahwa penelitian ini dilakukan sebagai bagian dari kompetisi GISCUP 2023, di mana model DUCK-Net menempati peringkat ke-5 dari segi performa dalam tugas segmentasi supraglacial lakes. Ini menunjukkan potensi besar dari pendekatan segmentasi gambar berbasis deep learning di ranah lingkungan dan geografi. 

Di era perubahan iklim ini, di mana pergerakan es dan air lelehan memiliki dampak besar pada kenaikan permukaan laut dan ekosistem global, teknologi seperti ini dapat memberikan wawasan baru dan membantu pengambilan keputusan berbasis data yang lebih baik.

Dalam konteks teknologi informasi dan geografi, penelitian ini menjadi salah satu contoh bagaimana sistem informasi dapat diterapkan untuk memecahkan masalah lingkungan yang sangat mendesak. 

Dengan meningkatnya ketersediaan data penginderaan jauh, seperti citra Sentinel-2, serta kemampuan komputasi yang terus berkembang, kita berada pada posisi yang sangat baik untuk memanfaatkan teknologi ini dalam memahami lebih baik fenomena perubahan iklim yang sedang berlangsung.