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

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

Dengan meningkatnya kekhawatiran akan perubahan iklim, terutama di wilayah kutub, teknologi penginderaan jauh dan analisis data telah menjadi alat yang sangat diperlukan dalam memahami dampak perubahan ini. 

Salah satu wilayah yang paling terpengaruh oleh pemanasan global adalah Greenland, yang menyaksikan peningkatan volume air lelehan dari danau supraglacial setiap tahunnya. 

Menurut penelitian oleh Adam Booth dan Richard Burke (2023) yang dipublikasikan dalam SIGSPATIAL '23, lapisan es Greenland kehilangan lebih dari 260 gigaton massa setiap tahun, yang menyumbang lebih dari 0,7 mm per tahun pada kenaikan permukaan laut global. Ini adalah kontribusi yang signifikan, mengingat kenaikan permukaan laut dapat menyebabkan dampak besar pada ekosistem pesisir dan populasi yang tinggal di dekat laut.

Baca juga: Solusi Inovatif Deep Learning untuk Deteksi Konten Berbahaya di Era Digital

Penelitian Booth dan Burke memperkenalkan pendekatan yang inovatif dalam mengidentifikasi dan mengekstraksi danau supraglacial menggunakan model DUCK-Net, sebuah metode segmentasi gambar berbasis deep learning. 

Model ini awalnya dikembangkan untuk segmentasi gambar medis tetapi telah dimodifikasi untuk mengidentifikasi fitur es yang kompleks pada citra satelit Sentinel-2. Pendekatan ini tidak hanya berhasil mencapai akurasi hingga 93% pada data pelatihan tetapi juga menawarkan fleksibilitas untuk diterapkan pada wilayah es lainnya di seluruh dunia. 

Hasil penelitian ini sangat penting dalam konteks iklim global karena membantu meningkatkan pemahaman kita tentang dinamika es dan air lelehan di Greenland, yang berdampak langsung pada kenaikan permukaan laut.

Secara keseluruhan, aplikasi teknologi seperti DUCK-Net menunjukkan bagaimana inovasi dalam sistem informasi dan teknologi penginderaan jauh dapat berperan penting dalam memantau dan memetakan dampak perubahan iklim, memberikan wawasan penting yang dapat membantu dalam mitigasi dan adaptasi terhadap perubahan iklim yang terjadi.

***
Pendekatan inovatif yang diperkenalkan oleh Adam Booth dan Richard Burke (2023) melalui penggunaan DUCK-Net adalah langkah maju yang signifikan dalam teknologi penginderaan jauh dan segmentasi gambar. 

Penggunaan model ini dalam penelitian supraglacial lakes di Greenland membuktikan bahwa teknologi deep learning dapat membantu memecahkan tantangan identifikasi fitur es yang kompleks, yang sebelumnya sulit dilakukan dengan teknik segmentasi tradisional. 

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.

***
Penelitian yang dilakukan oleh Adam Booth dan Richard Burke (2023) menunjukkan bagaimana inovasi dalam sistem informasi dan teknologi penginderaan jauh dapat memainkan peran yang sangat penting dalam memantau dampak perubahan iklim, khususnya di Greenland. 

Dengan menggunakan model DUCK-Net, mereka berhasil menunjukkan bahwa segmentasi gambar berbasis deep learning dapat diterapkan dengan sukses pada citra satelit untuk mengidentifikasi danau supraglacial, yang berdampak besar pada dinamika pencairan es dan kenaikan permukaan laut global. 

Meskipun masih ada tantangan dalam hal perbedaan distribusi data pelatihan dan uji, hasil penelitian ini membuka peluang besar bagi aplikasi yang lebih luas di wilayah es lain di dunia.

Implikasi dari penelitian ini tidak hanya terbatas pada ranah akademik, tetapi juga sangat relevan bagi pembuat kebijakan, ilmuwan lingkungan, dan badan pemantau iklim global. Dengan meningkatnya ketersediaan teknologi seperti DUCK-Net dan penginderaan jauh, pemahaman kita tentang perubahan es di wilayah kutub dapat ditingkatkan, membantu dalam pengembangan strategi mitigasi yang lebih efektif terhadap dampak perubahan iklim. 

Di masa depan, penelitian ini dapat menjadi dasar bagi penerapan teknologi serupa dalam skala yang lebih besar dan dalam berbagai konteks geografis yang kritis terhadap perubahan lingkungan.

Referensi

Booth, A., & Burke, R. (2023). A novel application of DUCK-Net for extracting supraglacial lakes in Greenland. SIGSPATIAL '23. https://doi.org/10.1145/3589132.3629973