Tim ilmu data Chesapeake Conservancy mengembangkan model pembelajaran mendalam kecerdasan buatan untuk memetakan lahan basah, yang menghasilkan akurasi 94%. Didukung oleh EPRI, sebuah lembaga penelitian dan pengembangan energi nirlaba yang independen; Sistem Listrik Lincoln; dan Grayce B. Kerr Fund, Inc., metode pemetaan lahan basah ini dapat memberikan hasil penting untuk melindungi dan melestarikan lahan basah. Hasilnya dipublikasikan dalam jurnal peer-review Science of the Total Environment.
Tim melatih model pembelajaran mesin (convolutional neural network) untuk pemetaan lahan basah resolusi tinggi (1m) dengan data yang tersedia secara bebas dari tiga area: Mille Lacs County, Minnesota; Kabupaten Kent, Delaware; dan St. Lawrence County, New York. Model lengkap, yang membutuhkan data pelatihan lokal yang disediakan oleh data lahan basah negara bagian dan National Wetlands Inventory (NWI), memetakan lahan basah dengan akurasi 94%.
“Kami dengan senang hati mendukung proyek yang menarik ini karena mengeksplorasi metode baru untuk penggambaran lahan basah menggunakan citra satelit,” kata Pemimpin Teknis Utama EPRI Dr. Nalini Rao. “Ini berpotensi menghemat waktu pengelola sumber daya alam di lapangan dengan menggunakan alat GIS langsung dari meja mereka. Selain itu, ini dapat membantu perusahaan dan publik mengelola dampak terhadap lahan basah karena pembangunan infrastruktur direncanakan untuk memenuhi target dekarbonisasi.”
“Undang-Undang Investasi Infrastruktur dan Pekerjaan menggelontorkan ratusan miliar dolar ke dalam proyek-proyek yang akan berdampak pada lanskap. Namun, data yang kami andalkan untuk meminimalkan dampak terhadap lahan basah sudah usang,” kata Direktur Pusat Ekonomi Restorasi Pusat Inovasi Kebijakan Lingkungan Becca Madsen, mantan peneliti EPRI. “Tidak pernah ada waktu yang lebih baik untuk berinvestasi dalam memperbarui data lahan basah negara kita dan membangun proses yang berkelanjutan dan hemat biaya untuk terus memperbaruinya.”
“Ketika model yang sangat akurat ini ditingkatkan untuk memprediksi lahan basah di geografi yang jauh lebih besar seperti Teluk Chesapeake atau Amerika Serikat yang berdekatan, ini akan menjadi pengubah permainan. Ini menghilangkan kebutuhan untuk pemetaan lahan basah secara manual serta pemetaan lahan basah dengan pembelajaran mesin tradisional yang membutuhkan banyak pemrosesan data, kurasi, dan rekayasa fitur manual, keduanya memakan waktu, padat karya, dan sangat mahal,” kata Data Science Lead/Senior Data Scientist Chesapeake Conservancy, Dr. Kumar Mainali.
Apa artinya ini untuk melindungi dan melestarikan lahan basah
Model baru ini akan membantu perencana infrastruktur menghindari lahan basah dalam proses perencanaan, sehingga menghasilkan penghematan biaya dan konservasi lahan basah. Situasi yang berpotensi menguntungkan termasuk upaya berkelanjutan untuk memperluas dan mengembangkan energi terbarukan, yang membutuhkan perluasan infrastruktur tenaga listrik.
Produk dari model ini adalah peta probabilitas lahan basah. Data probabilitas ini dapat digunakan untuk memetakan luas lahan basah yang paling mungkin, tetapi jika pengguna lebih suka, mereka dapat memetakan luas lahan basah dengan ambang batas probabilitas yang lebih rendah. Peta yang dihasilkan membatasi kemungkinan kelalaian lahan basah meskipun memetakan lebih banyak lahan basah daripada yang ada dalam kenyataan.
Mungkin juga ada potensi untuk menggunakan model ini untuk memetakan lokasi di mana lahan basah telah hilang sejak dipetakan dengan NWI. Selain itu, lokasi potensial untuk restorasi lahan basah juga dapat diidentifikasi. Sebagai contoh, lahan pertanian yang terus-menerus basah diambil oleh model meskipun untuk tujuan penggambaran lahan basah lapangan, area ini tidak dianggap sebagai lahan basah ketika dibudidayakan secara aktif.
Tim akan memperluas model ke negara bagian atau wilayah yang lebih besar dan terus melatih model pada berbagai geografi.
Setelah pengembangan model awal, model diperluas untuk mencakup Lancaster County, Nebraska. Pemodelan lahan basah di wilayah ini terbukti menantang karena data NWI untuk daerah tersebut sudah ketinggalan zaman, dan memasukkan lahan basah di beberapa daerah di mana mereka telah hilang dari pembangunan. Tim tertarik untuk mempelajari apakah model tersebut dapat berhasil memetakan lahan basah di mana tidak ada kumpulan data lahan basah berkualitas tinggi baru-baru ini yang tersedia untuk melatih model tersebut.
Model lahan basah dilatih dengan himpunan data NWI yang berusia puluhan tahun dan data citra satelit dan udara terbaru. Tim menemukan bahwa data NWI meningkatkan akurasi lokal pemetaan lahan basah sebesar 10% dibandingkan dengan prediksi sebelum pelatihan, menunjukkan pentingnya menggunakan data pelatihan lokal di geografi baru.
Selain itu, model ini dengan benar menghilangkan lahan basah di mana mereka telah hilang untuk pengembangan, meskipun lahan basah ini tetap dalam data pelatihan yang sudah ketinggalan zaman, seperti yang ditunjukkan pada gambar di bawah ini (data pelatihan usang ditunjukkan dalam warna hijau; prediksi model dalam warna ungu, dilapisi atas citra satelit baru-baru ini). Kinerja model dalam menentukan pola dominan dalam data untuk meningkatkan akurasi pemetaan lokal tetapi masih secara akurat mencerminkan keberadaan dan ketidakhadiran lahan basah menjanjikan untuk kegunaan pendekatan ini.
Terlepas dari peran penting data lahan basah untuk merencanakan proyek infrastruktur dan mengelola satwa liar, data lahan basah NWI belum diperbarui secara komprehensif selama bertahun-tahun. Seperti yang ditunjukkan pada peta di bawah ini, banyak data NWI di seluruh negeri berasal dari tahun 1970-an dan 1980-an, namun tetap menjadi data terbaik yang tersedia. Pendekatan pemodelan untuk pemetaan lahan basah yang dapat memanfaatkan data pelatihan dari berbagai vintage akan sangat berguna dalam memodernisasi pemetaan lahan basah di tempat yang paling dibutuhkan.
Lapisan “prediktor” yang digunakan dalam pelatihan lahan basah dari mana model mempelajari pola yang ditemukan di lahan basah adalah: USDA National Agriculture Imagery Program (NAIP) citra udara (1m), citra satelit optik Sentinel-2 (10-20m), geomorfon turunan LiDAR, pendekatan untuk memetakan bentang alam yang telah diterapkan Chesapeake Conservancy untuk memajukan pemetaan aliran resolusi tinggi; dan intensitas LiDAR, indeks yang sering digunakan untuk mengidentifikasi air dan tanah yang terus-menerus basah.
Selain itu, tim melatih model yang lebih sederhana hanya menggunakan data USDA NAIP dan Sentinel-2 sebagai lapisan input, mengamankan akurasi 91,6%.(phys.org)
