Antara AI dan ‘Basis Data Kejadian’ yang Berkembang, Ancaman Kebakaran Hutan Mungkin Berkurang

Saat ini, kebakaran hutan yang bergerak cepat sedang menghancurkan sebagian kota gunung tua bernama Jasper di Pegunungan Rocky Kanada. Kerusakan di Jasper digambarkan sebagai “di luar deskripsi dan pemahaman,” dan 25.000 orang telah dipaksa mengungsi. 

Kebakaran hutan besar telah menghancurkan hingga setengah kota bersejarah Jasper di Kanada. Pada saat yang sama, ratusan kobaran api sedang aktif di British Columbia yang berdekatan serta di California dan Utah.

Setiap tahun, ribuan orang menanggung dampak kebakaran hutan, dengan kota‑kota terbakar habis. Di AS, dalam lima tahun terakhir, 344 kebakaran hutan signifikan telah menewaskan 178 orang. Sementara itu, sejak 1980‑an, negara tersebut rata‑rata mengalami sekitar 70 ribu kebakaran total setiap tahun. Menurut National Interagency Fire Center (NIFC), total 2,7 juta kebakaran hutan telah terjadi sejak 1983.

Seiring jumlah kebakaran terus meningkat, biaya untuk memadamkannya juga naik. Pemerintah AS menghabiskan hampir $4,4 miliar untuk memerangi kebakaran hutan pada tahun 2021 saja. Rata‑rata, biaya sekitar $74 ribuan untuk memadamkan setiap kebakaran hutan. Namun itu belum semuanya; tarif asuransi pemilik rumah juga meningkat.

Kebakaran hutan telah meningkat di seluruh dunia tidak hanya dalam frekuensi tetapi juga dalam tingkat keparahan dan durasinya. Risiko kebakaran hutan terutama terjadi dalam kondisi sangat kering seperti angin kencang, kekeringan, dan gelombang panas. Ini berarti dampak merugikan yang semakin besar terhadap kesehatan manusia dan satwa liar. 

Selain kerusakan yang disebabkan oleh api itu sendiri, asap kebakaran hutan mengandung polutan udara berbahaya seperti NO2, ozon, hidrokarbon aromatik, timbal, atau PM2.5, yang merupakan partikel dengan diameter 2,5 mikron atau kurang. PM2.5 begitu halus sehingga dapat menembus lebih dalam ke saluran pernapasan kita dan menyebabkan efek kesehatan.

PM2.5 dari asap kebakaran hutan sebenarnya terkait dengan kematian dini pada populasi umum. Ia dapat menyebabkan dan memperburuk penyakit pada paru‑paru, ginjal, jantung, kulit, usus, mata, hidung, dan hati. Ia juga telah terbukti untuk menyebabkan gangguan kognitif dan kehilangan memori. 

Tidak hanya kebakaran hutan mencemari udara dengan polutan beracun, tetapi mereka juga memengaruhi iklim dengan melepaskan sejumlah besar CO2 dan gas rumah kaca lainnya ke atmosfer. Dengan menutupi Bumi, emisi gas rumah kaca sebenarnya menjebak panas matahari dan membuatnya tidak dapat dihuni. Kelebihan gas tersebut menyebabkan perubahan iklim, yang menghasilkan kondisi lebih kering, semakin memperpanjang durasi musim kebakaran. Dengan demikian menciptakan lingkaran umpan balik.

Dengan kebakaran hutan yang semakin ekstrem dalam intensitas dan kerusakan, mereka dapat mengganggu infrastruktur seperti komunikasi, transportasi, pasokan listrik, layanan gas, dan pasokan air. Selain itu, di daerah yang padat penduduk, mereka berdampak signifikan pada properti, ternak, kematian manusia, dan lingkungan.

Tahun lalu, sebuah studi oleh peneliti di University of Maryland menghitung bahwa kebakaran hutan kini menyebabkan kehilangan tutupan pohon sebesar 3 juta hektar lebih per tahun dibandingkan 2001. Dengan menyebabkan kehilangan tutupan pohon sebesar 9,3 juta hektar secara global, tahun 2021 menjadi salah satu tahun terburuk.

Bukan berarti kebakaran tidak merupakan bagian alami dari cara hutan berfungsi. Sebenarnya, hutan boreal, yang menutupi wilayah luas di Eropa utara, Rusia, Alaska, dan Kanada, telah beradaptasi dengan kebakaran. Kebakaran menciptakan beragam lanskap dan menghilangkan hutan lama, melahirkan hutan baru.

Namun, kehilangan tutupan pohon yang terkait dengan kebakaran, bahkan di daerah ini, terjadi dengan kecepatan yang meningkat. Karena hutan boreal merupakan salah satu penyedia air bersih terkemuka di dunia, menampung populasi satwa liar yang signifikan, dan menjadi penyerap karbon penting, tren kebakaran hutan yang terus berlanjut menjadi hal yang mengkhawatirkan dan perlu ditangani. 

Klik di sini untuk daftar perusahaan biotek yang bekerja pada solusi untuk mengatasi pemanasan global.

Memanfaatkan Model AI dalam Kombinasi dengan Citra Satelit 

Salah satu cara masalah kebakaran hutan ditangani adalah melalui penggunaan kecerdasan buatan (AI). Teknologi baru ini tidak hanya digunakan untuk chatbot dan asisten virtual tetapi juga untuk membantu lingkungan melalui penginderaan jauh canggih.

Baru‑baru ini, AI membantu pemadam kebakaran merespons dengan cepat kebakaran hutan di daerah terpencil Bay Area, California. Kebakaran hutan dihentikan sebelum menyebar dengan bantuan kamera bertenaga AI, yang mendeteksi asap dan memberi informasi kepada tim pemadam kebakaran sebelum api dapat tumbuh dan menjadi sulit dikendalikan.

Bahkan penyedia asuransi beralih ke AI. Delos Insurance Solutions yang berbasis di San Francisco telah menjual lebih dari 17 ribuan polis kepada pemilik rumah, yang ditolak oleh perusahaan lain. Hal ini dimungkinkan melalui model kebakaran hutan perusahaan, di mana Delos bekerja dengan profesor universitas untuk memperoleh dataset kepemilikan tentang pemodelan kebakaran hutan dan kemudian menambahkan algoritma AI untuk mengintegrasikan lebih banyak data. Menurut co‑founder Shanna McIntyre, Delos mempertimbangkan lebih dari 200 variabel yang mencakup vegetasi, topografi, dan suhu. 

Jelas ada fokus yang semakin besar pada pengembangan model perilaku kebakaran hutan resolusi tinggi untuk memprediksi penyebaran api. 

Hal ini dilakukan bersamaan dengan satelit untuk mendeteksi lokasi kebakaran. Sementara satelit seperti LANDSAT, VHRS, dan MODIS sudah digunakan untuk memantau distribusi dan gangguan vegetasi, memprediksi kebakaran hutan tetap menjadi tugas yang menantang. AI dan pembelajaran mesin dapat membantu menyediakan cara yang dapat diandalkan untuk memprediksi dan mengelola kebakaran hutan.

Misalnya, AI dapat dihubungkan dengan satelit penginderaan yang menganalisis berbagai faktor seperti munculnya asap, insiden kebakaran, dan gangguan vegetasi. Dengan menggabungkan semua data, algoritma AI dapat membantu memprediksi kebakaran hutan melalui pembelajaran berkelanjutan. Teknologi AI juga dapat memungkinkan pengelolaan pemadam kebakaran dan kendaraan patroli dengan kamera video.

Setahun yang lalu, tim peneliti dari Aalto University di Finlandia memulai pengembangan model AI bernama FireCNN yang dapat memprediksi penyebaran kebakaran hutan. Model dilatih pada citra satelit dan data cuaca yang tercatat antara 2002 dan 2019 untuk mengidentifikasi area berisiko tinggi. FireCNN menganalisis 31 variabel, termasuk faktor seperti vegetasi dan tutupan lahan.

Namun, masih kurang algoritma AI yang dapat mengkorelasi semua data yang tersedia dan metodologi pemodelan realistis yang sesuai dengan kebutuhan lanskap yang berbeda di seluruh dunia. 

Menurut sebuah studi baru, model baru dapat memprediksi penyebaran kebakaran hutan secara akurat. Model ini menggabungkan citra satelit dan AI untuk menawarkan kemajuan besar dalam manajemen kebakaran hutan dan respons darurat.

Studi ini, yang didanai oleh NASA, Army Research Office, dan program Viterbi CURVE, dilakukan oleh peneliti USC dan dipublikasikan di Earth System Science Data. 

Di bawah model baru ini, data satelit digunakan untuk melacak perkembangan kebakaran hutan secara real time. Informasi ini dimasukkan ke dalam algoritma komputer canggih yang dapat secara akurat memprediksi jalur kebakaran yang kemungkinan terjadi serta intensitas dan laju pertumbuhannya.

“Model ini merupakan langkah penting ke depan dalam kemampuan kami melawan kebakaran hutan. Dengan menyediakan data yang lebih tepat dan tepat waktu, alat kami memperkuat upaya pemadam kebakaran dan tim evakuasi yang melawan kebakaran hutan di garis depan. 

– Bryan Shaddy, penulis korespondensi studi ini dan mahasiswa doktoral di USC Viterbi School of Engineering

Studi ini dimulai dengan mengumpulkan data historis dari citra satelit resolusi tinggi. Kemudian, melalui analisis perilaku kebakaran hutan masa lalu, para peneliti melacak bagaimana kebakaran dimulai, menyebar, dan akhirnya terkendali. 

Studi cermat ini mengungkap pola yang dipengaruhi oleh faktor-faktor seperti medan, cuaca, dan bahan bakar, seperti pohon dan semak.

Para peneliti kemudian melatih model berbasis AI generatif untuk mensimulasikan bagaimana faktor-faktor ini memengaruhi evolusi kebakaran hutan seiring waktu. Model kemudian dilatih untuk mengenali pola dalam citra satelit yang sesuai dengan penyebaran kebakaran hutan dalam model mereka.

Model ini disebut Conditional Wasserstein Generative Adversarial Network atau cWGAN, yang telah diuji pada empat kebakaran hutan nyata di California selama dua tahun, antara 2020 dan 2022, untuk melihat seberapa efektifnya dalam memprediksi penyebaran kebakaran. Dilatih dengan simulasi WRF‑SFIRE, cWGAN digunakan untuk menghitung waktu kedatangan api dari data kebakaran aktif satelit. 

Hasil dari cWGAN mengesankan. Dilatih pada data sederhana dalam kondisi ideal, seperti angin satu arah dan medan datar, model ini tampil baik pada kebakaran hutan nyata di California.

Keberhasilan model ini dikaitkan dengan penggunaan model AI bersama citra satelit, yang menyediakan data kebakaran hutan aktual, bukan hanya data tunggal.

Namun hal ini tidak mudah. Co‑author studi, Assad Oberai, Profesor Aerospace dan Mechanical Engineering di USC Viterbi, menyatakan bahwa pemodelan kebakaran hutan termasuk yang paling menantang karena “prosesnya yang rumit.”

Bukan hanya bahan bakar, seperti pohon dan semak, yang terbakar, menyebabkan reaksi kimia kompleks, menghasilkan panas dan arus angin, tetapi bahkan cuaca dan topografi memengaruhi perilaku api. Assad berkata:

“Ini adalah proses yang sangat kompleks, kacau, dan nonlinier. Untuk memodelkannya secara akurat, Anda harus mempertimbangkan semua faktor berbeda ini. Anda membutuhkan komputasi tingkat lanjut.”  

Data yang Ditingkatkan untuk Model AI

Selain kemajuan dalam teknologi AI, data untuk melatih model‑model ini juga ditingkatkan dengan mencakup ratusan faktor tambahan yang memengaruhi penyalaan dan penyebaran api. Ini akan membantu pengelola satwa liar dan ilmuwan membuat prediksi yang lebih akurat tentang di mana dan kapan kebakaran hutan mungkin terjadi.

Baru‑baru ini, Fire Program Analysis Fire‑Occurrence Database (FPA FOD), yang merupakan sumber data paling luas tentang penyalaan kebakaran bergeoreferensi di AS, telah ditingkatkan secara signifikan. Pertama kali dikembangkan pada 2013 oleh US Forest Service, model ini memiliki telah diperbarui lima kali. Ia mengumpulkan laporan kebakaran dari entitas lokal, negara bagian, dan federal dengan tanggung jawab perlindungan dan pelaporan kebakaran.

Model ini mencakup informasi dasar seperti lokasi penyalaan, tanggal penemuan, dan ukuran kebakaran akhir. Namun, basis data yang direvisi akan mencakup lebih banyak faktor sosial dan lingkungan. Menurut Erica Fleishman, profesor Oregon State University:

“Ada minat yang sangat besar pada apa yang memungkinkan penyalaan kebakaran hutan dan apa yang dapat dilakukan untuk mencegahnya. Basis data ini meningkatkan kemampuan untuk mengakses informasi relevan dan berkontribusi pada kesiapsiagaan serta pencegahan kebakaran hutan.”

Basis data yang ditingkatkan ini tidak hanya membantu pemadam kebakaran dan pengelola di lapangan memadamkan api, tetapi juga dapat membantu menilai risiko listrik jangka pendek. Perusahaan listrik dapat membuat keputusan yang lebih terinformasi mengenai pelaksanaan pemadaman listrik untuk keselamatan publik. Selain itu, lembaga pengelolaan lahan dapat memutuskan apakah mereka harus mengurangi akses ke lahan publik pada waktu‑waktu tertentu dalam setahun.

Menurut Fleishman, banyak kebijakan dipandu oleh emosi alih‑alih oleh kumpulan bukti yang besar. Basis data ini menyajikan “satu cara untuk meningkatkan bukti objektif yang dipertimbangkan saat membuat keputusan tersebut,” katanya. 

Diterbitkan dalam jurnal Earth System Science Data, penelitian yang menguraikan basis data didukung oleh Joint Fire Science Program. Penelitian tersebut menguraikan atribut biologis, sosial, dan fisik untuk memperoleh pemahaman yang lebih baik tentang kebakaran hutan serta prediksi.

Secara total, tim peneliti, yang termasuk Fleishman, yang memimpin Oregon Climate Change Research Institute dan dipimpin oleh Mojtaba Sadegh dan Yavar Pourmohamad, seorang associate professor dan mahasiswa doktoral, masing‑masing, di Boise State University, menambahkan hampir 270 atribut tambahan. Sekarang, basis data mencakup informasi tentang 2,3 juta kebakaran di AS dari 1992 hingga 2020.

Dalam basis data yang direvisi, setiap kebakaran hutan kini memiliki atribut fisik seperti cuaca, iklim, topografi, dan infrastruktur; atribut biologis seperti indeks vegetasi dan tutupan lahan; atribut administratif yang mencakup tingkat kesiapsiagaan nasional dan regional serta yurisdiksi; dan atribut sosial termasuk indeks kerentanan sosial dan kepadatan penduduk.

Versi keenam dari FPA FOD lebih lanjut ditingkatkan dengan statistik ringkasan dalam buffer temporal dan spasial di sekitar titik penyalaan serta indeks vegetasi yang diperoleh bulanan dari satelit selama satu tahun sebelum penyalaan. “Dataset tabel yang kaya ini dapat digunakan dalam berbagai aplikasi berbasis hipotesis atau eksplorasi data,” kata studi tersebut.

Basis data yang sangat besar ini akan membantu memberikan pemahaman yang jauh lebih dalam tentang dampak individu dan gabungan dari atribut‑atribut tersebut pada penyalaan dan ukuran kebakaran hutan, kata Pourmohamad, menambahkan:

“Ini juga mengidentifikasi efek tidak merata dari kebakaran hutan pada populasi manusia dan ekosistem yang berbeda, yang pada gilirannya dapat menginformasikan upaya mengurangi ketidaksetaraan.”

Basis data ini juga dapat dimasukkan ke dalam model AI dan pembelajaran mesin yang menjelaskan faktor‑faktor yang memicu kebakaran masa lalu, kemungkinan kebakaran di masa depan, dan dampak kebakaran di masa depan. Dia berkata:

“Sungguh menakjubkan apa yang dapat Anda simpulkan ketika Anda memiliki kapasitas komputasi dan informasi sebanyak ini. Anda dapat mengajukan banyak pertanyaan yang menginformasikan tindakan berbeda di tempat yang berbeda dan memahami apa yang terkait dengan penyalaan kebakaran hutan dan efek kebakaran.”

Pemikiran Akhir

Lahan liar seperti hutan atau padang rumput merupakan bagian integral dari kesejahteraan manusia. Pada akhirnya, mereka mengurangi perubahan iklim dengan menyimpan karbon, melestarikan habitat satwa liar, dan meningkatkan ketahanan lanskap. Lahan liar ini selalu menjadi subjek kebakaran hutan, tetapi dalam beberapa dekade terakhir, frekuensinya meningkat sehingga kebakaran hutan menjadi ancaman. 

Kebakaran besar yang tidak direncanakan ini menghancurkan lahan di seluruh dunia, menuntut pemahaman, penilaian, dan analisis yang lebih baik terhadap kebakaran masa lalu, pencegahan yang berhasil, serta strategi mitigasi untuk tidak hanya mencegah kebakaran hutan tetapi juga meningkatkan perencanaan kebakaran, respons, adaptasi, mitigasi yang biaya‑efektif, dan membatasi dampak merugikan.

Seperti yang kami catat di atas, otoritas terus meningkatkan basis data, yang kemudian dapat dimasukkan ke dalam model AI untuk menjelaskan kemungkinan kebakaran dan efeknya di masa depan. Model AI yang telah teruji ini kemudian dapat digunakan bersama citra satelit untuk memprediksi dan mencegah kebakaran hutan di masa depan secara akurat. Dengan cara ini, kita dapat melindungi lahan liar kita, menjaga keanekaragaman hayati, dan memperkaya kehidupan generasi mendatang.

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan.