Pembelajaran Mendalam Meningkatkan Akurasi Deteksi Kebakaran Hutan Amazon hingga 93%

Tim peneliti berbasis Universidade Federal do Amazonas telah mengembangkan model Jaringan Saraf Tiruan (ANN) yang memanfaatkan citra satelit dan teknik pembelajaran mendalam untuk mendeteksi kebakaran hutan di hutan hujan Amazon (AMZN ) dengan tingkat keberhasilan yang tinggi.

“Kemampuan untuk mendeteksi dan merespons kebakaran hutan sangat penting untuk menjaga keseimbangan ekologi yang rapuh dari ekosistem penting ini, dan masa depan wilayah Amazon ini bergantung pada tindakan cepat yang tegas.”

– Penulis utama Profesor Cíntia Eleutério dari Universidade Federal do Amazonas

Meskipun pemantauan di Amazon saat ini masih disediakan dengan data waktu nyata, resolusinya bersifat sedang, dan kemampuan untuk mendeteksi detail pada kebakaran kecil atau daerah terpencil terbatas.

Jadi, model ini merupakan solusi kuat untuk mendeteksi kebakaran hutan secara otomatis, secara signifikan mengurangi waktu yang dibutuhkan untuk mengurangi dampak destruktifnya.

Dipublikasikan di International Journal of Remote Sensing, temuan studi melaporkan tingkat keberhasilan hingga 93% dalam melatih model pada citra hutan hujan Amazon dengan dan tanpa kebakaran. Menurut co-author Profesor Carlos Mendes:

“Model CNN dapat menjadi tambahan yang berharga, memungkinkan analisis yang lebih detail di wilayah tertentu. Dengan menggabungkan cakupan temporal yang luas dari sensor saat ini dengan presisi spasial model kami, kami dapat secara signifikan meningkatkan pemantauan kebakaran hutan di zona pelestarian lingkungan yang kritis.”

Studi mencatat bahwa integrasi citra satelit dan AI menghadirkan pendekatan proaktif untuk mengatasi tantangan yang semakin meningkat akibat kebakaran hutan sekaligus berkontribusi pada bidang penginderaan jauh dan pembelajaran mendalam. 

Teknologi ini khususnya menawarkan potensi untuk meningkatkan sistem peringatan dini dan memperbaiki strategi respons kebakaran hutan, membantu pelestarian ekosistem kritis seperti Amazon. Integrasi ke dalam sistem pemantauan yang ada dapat dengan mudah memakan waktu 1 hingga 3 tahun, tergantung pada validasi dan upaya penyebaran lebih lanjut. Tetapi mari kita lihat lebih dalam kemajuan yang ditawarkan teknologi baru ini kepada dunia.

Paru-paru Bumi Menghadapi Ancaman Serius

Hutan hujan Amazon adalah aset penting secara global, mengandung beberapa juta spesies burung, serangga, tumbuhan, dan bentuk kehidupan lainnya. Ini adalah reservoir biologis paling kaya dan paling beragam di dunia.

Orang di seluruh dunia bergantung pada hutan ini tidak hanya untuk makanan, air, kayu, dan obat-obatan tetapi juga untuk membantu menstabilkan iklim dengan menyimpan 150‑200 miliar ton karbon di dalamnya.

Hutan hujan Amazon memberikan pengaruh sosial‑lingkungan dan ekonomi yang kuat pada Brasil, mencakup sekitar 40% dari total wilayah negara Amerika Selatan tersebut. Selain Brasil, hutan ini meluas ke delapan negara Amerika Selatan lainnya.

Mengingat peran utamanya dalam pelestarian keanekaragaman hayati dan regulasi iklim global, hutan hujan Amazon memiliki pentingnya ekologi yang besar.

Namun, hutan ini menghadapi krisis yang meningkat berupa deforestasi yang merajalela, praktik penggunaan lahan yang tidak berkelanjutan, dan ancaman kebakaran hutan yang mendesak.

Selama setengah abad terakhir, peningkatan suhu telah menyebabkan intensifikasi kekeringan di wilayah tersebut. Situasi hanya akan semakin memburuk, dengan sebagian besar model memprediksi peningkatan intensitas musim kering di Hutan Hujan Amazon pada abad ke‑21. 

Peningkatan ini disebabkan oleh gaya radiasi dan penurunan produksi aerosol, yang menyebabkan variasi anomali pada suhu permukaan laut (SST), mengakibatkan fluktuasi jumlah curah hujan di wilayah Amazon.

Jika konfigurasi iklim baru ini terkonfirmasi, studi mencatat, hutan dapat menjadi sistem yang diperkuat dan rentan terhadap kebakaran hutan. Ini mengekspos paru‑paru Bumi pada ancaman yang meningkat karena jumlah kebakaran hutan yang terus bertambah. 

Dampak lingkungan dari kebakaran ini tidak terbatas pada batas regional saja; sebaliknya, mereka memengaruhi pola iklim global dan keanekaragaman hayati. Hal ini membuat deteksi dan respons terhadap kebakaran hutan di Amazon menjadi sangat penting. 

Untuk memantau dan mengatasi krisis lingkungan ini, penginderaan jauh melalui citra satelit telah muncul sebagai alat penting untuk menjaga keseimbangan ekologi yang rapuh dari ekosistem vital ini.

Klik di sini untuk mempelajari mengapa keselamatan kebakaran lebih penting daripada sebelumnya.

Dampak Parah Kebakaran Hutan yang Semakin Intensif

Berdasarkan data dari Institut Nasional untuk Penelitian Antariksa (INPE) pada platform web TerraBrasilis, kebakaran hutan antara Januari dan Juni tetap rendah dari 1999 hingga 2023. Namun, jumlah insiden meningkat secara signifikan antara Juli dan November sebelum menurun pada bulan Desember.

Jumlah insiden kebakaran hutan rendah sepanjang tahun antara 1999 dan 2001. Intensitas kebakaran hutan meningkat secara signifikan mulai 2002, mencapai puncak lokal pada 2005. 

Penurunan tersebut berlangsung hingga 2011 ketika angka mulai mengalami peningkatan stabil, dan tren naik ini masih berlanjut. Lima tahun terakhir mencatat insiden kebakaran hutan tertinggi. Pada 2023, terdapat 98.639 kebakaran hutan di Amazon.

Hutan hujan Amazon juga menyumbang bagian signifikan (lebih dari setengah) kebakaran hutan di bioma Brasil.

Selain Amazon, ekosistem lain yang dimiliki Brasil meliputi Cerrado, yang menyumbang 26,70% dari semua kebakaran hutan, serta Caatinga, Hutan Atlantik, Pantanal, dan Pampas, dengan dua yang terakhir paling sedikit terdampak kebakaran hutan pada 2023.

Setiap ekosistem ini memiliki keanekaragaman spesies dan karakteristik unik. Bioma‑bioma ini penting dalam mitigasi perubahan iklim, berfungsi sebagai penyerap karbon, dan melindungi spesies terancam. Namun, kebakaran hutan menyebabkan kerusakan signifikan pada semua ekosistem ini. 

Secara geografis, konsentrasi kebakaran hutan tertinggi di negara bagian Amazonas ditemukan di kotamadya Lábrea, Apuí, dan Novo Aripuanã, yang mencatat jumlah insiden terbanyak.

Kebakaran hutan sangat merusak dan memiliki konsekuensi menghancurkan pada banyak bidang. 

Pertama, kebakaran menghancurkan vegetasi, yang dapat menyebabkan kepunahan tak terbalikkan pada spesies asli. Beberapa vegetasi ini memiliki sifat medis unik dan hanya ditemukan di wilayah Amazon.

Kebakaran hutan juga mengurangi kesuburan tanah, menjadikannya tandus dan menghambat pemulihan alami daerah yang terdampak. Lebih lanjut, deforestasi Amazon yang disebabkan kebakaran meningkatkan aliran air, menaikkan level sungai. Hal ini terjadi karena berkurangnya tutupan vegetasi, yang berdampak negatif pada infiltrasi air ke dalam tanah, mengurangi tingkat evapotranspirasi.

Kemudian ada kehilangan fauna dan flora, yang sama mengkhawatirkan. Kebakaran hutan menyebabkan penghancuran habitat penting, yang mengakibatkan ketidakseimbangan signifikan dalam rantai makanan lokal. 

Emisi CO2 yang intens ke atmosfer juga memperparah efek rumah kaca dan pemanasan global. Hal ini memperburuk tantangan iklim global dan membuat kebakaran besar semakin sering terjadi di hutan hujan Amazon.

Memanfaatkan Pembelajaran Mendalam untuk Deteksi Kebakaran Hutan Otomatis

Untuk mengatasi masalah ini, studi menggunakan teknologi baru, Convolutional Neural Network (CNN), untuk mengklasifikasikan kebakaran hutan di wilayah tersebut. 

CNN adalah subset khusus yang dioptimalkan untuk analisis gambar dan pengenalan pola visual, yang telah menjadi alat kuat dalam visi komputer. 

Sebagai contoh, model CNN telah digunakan untuk mengklasifikasikan dan mendiagnosis COVID‑19. Selain itu, ia telah digunakan untuk mendeteksi pneumonia menggunakan citra X‑ray dada, identifikasi limbah cerdas dan daur ulang, menganalisis tumbukan dalam Fisika Energi Tinggi, serta identifikasi tipe sel dalam citra sel punca.

CNN juga digunakan untuk deteksi perubahan deforestasi di Amazon Brasil menggunakan data Landsat, deteksi kebakaran hutan, dan deteksi asap kebakaran hutan pada citra kendaraan udara tak berawak (UAV).

CNN memanfaatkan pembelajaran mendalam, subset dari Kecerdasan Buatan (AI) dan Pembelajaran Mesin yang menggunakan algoritma yang menjadi lebih baik seiring waktu karena terpapar data baru dan semakin banyak.

Untuk studi ini, peneliti memanfaatkan algoritma Artificial Neural Networks (ANN), yang meniru cara kerja otak manusia dan memungkinkan model komputasi mengenali pola rumit serta menangani tantangan yang mungkin di luar pemahaman manusia. 

Ia menumpuk beberapa lapisan secara berurutan untuk memfasilitasi asimilasi pengetahuan guna bekerja dengan dataset besar selama proses pelatihan. 

Sinergi teknologi ini menggunakan prosedur statistik untuk membantu mesin menyelesaikan tugas seperti mengidentifikasi kebakaran hutan melalui pembelajaran pengalaman. 

Dengan memanfaatkan potensi besar teknik pembelajaran mendalam, jaringan menawarkan solusi kuat untuk deteksi otomatis kebakaran hutan. Identifikasi otomatis memungkinkan respons tepat waktu untuk mengurangi dampak destruktif kebakaran hutan. 

Dalam studi terbaru, peneliti memperluas kerangka kerja jaringan saraf untuk fokus pada CNN, khususnya yang digunakan melalui pustaka Python TensorFlow dan Keras, tipe model yang banyak dipakai dalam aplikasi visi komputer untuk mengekstrak fitur dari gambar. 

Tujuannya adalah menggunakan CNN untuk mendeteksi kebakaran hutan di wilayah Amazon menggunakan citra satelit Landsat 8 dan Landsat 9.

Klik di sini untuk mempelajari bagaimana hidrogel biomimetik yang dapat diaktifkan panas menangani kebakaran hutan

Pendekatan Terpadu dan Lokal untuk Deteksi Kebakaran Hutan

Tim menggunakan gambar yang diambil dari satelit Landsat 8 dan Landsat 9 untuk melatih model. 

Satelit‑satelit ini dilengkapi dengan instrumen canggih untuk menangkap gambar di berbagai pita spektral, yang diperlukan untuk deteksi dan klasifikasi kebakaran hutan. Kemampuan multispektral dan termal satelit ini memungkinkan identifikasi anomali suhu serta diferensiasi antara tipe vegetasi dan area terbakar. 

Kedua satelit tersebut memiliki Operational Land Imager (OLI), yang menangkap gambar dalam pita tampak, near‑infrared (NIR), dan shortwave infrared (SWIR), yang penting dalam mendeteksi perubahan vegetasi.

Area terbakar menunjukkan reflektansi rendah pada NIR, sementara vegetasi sehat memantulkan kuat. Pita shortwave infrared (SWIR) membantu mendeteksi kelembaban pada tanah dan vegetasi untuk mengidentifikasi wilayah yang terkena kebakaran.

Kedua satelit juga dilengkapi Thermal Infrared Sensor (TIRS), yang beroperasi pada dua pita inframerah termal dan menyediakan data berharga tentang sumber panas serta suhu permukaan. TIRS menawarkan resolusi spasial 100 meter, sementara pita OLI memiliki resolusi spasial 30 meter. Oleh karena itu, mereka paling relevan untuk pemantauan kebakaran hutan dan memungkinkan pemetaan yang lebih detail tentang kesehatan vegetasi. 

Tim melatih CNN menggunakan dataset 200 gambar terbaru yang diperoleh dari EarthExplorer, yang menampilkan kebakaran hutan di Hutan Hujan Amazon. Jumlah gambar yang sama tanpa kebakaran hutan juga digunakan untuk memastikan pendekatan pembelajaran yang seimbang. 

Meskipun dataset kecil, dataset tersebut cukup untuk memungkinkan CNN mencapai akurasi 93 % selama fase pelatihan. Saat diuji pada 40 gambar yang tidak termasuk dalam pelatihan, model berhasil mengklasifikasikan secara akurat 23 dari 24 gambar dengan kebakaran hutan dan semua 16 gambar tanpa kebakaran hutan.

Tingkat kinerja yang sangat memuaskan ini menunjukkan ketangguhan dan kemampuan generalisasi model.

Pendekatan ini, kata tim, menunjukkan potensi besar untuk deteksi kebakaran hutan dan dapat digunakan sebagai pelengkap sistem pemantauan skala besar yang sudah mapan seperti Moderate Resolution Imaging Spectroradiometer (MODIS) dan Visible Infrared Imaging Radiometer Suite (VIIRS), yang banyak dipakai di Brasil untuk deteksi kebakaran yang luas dan berkelanjutan.

Sebagai alat tambahan, CNN dapat digunakan bersama MODIS dan VIIRS untuk meningkatkan sistem peringatan dini dan memperbaiki strategi respons kebakaran hutan.

Metodologi ini, catatan peneliti lebih lanjut, melampaui ekosistem Amazon dengan potensi untuk digunakan di wilayah lain di dunia. Ini sebenarnya dapat membantu otoritas yang kompeten dalam memerangi dan mengelola insiden semacam itu, “menyediakan pendekatan yang lebih maju dan lebih lokal untuk deteksi kebakaran hutan,” kata studi.

CNN juga dapat dieksplorasi dalam pemantauan dan pengendalian deforestasi, saran peneliti. Langkah selanjutnya mereka adalah meningkatkan jumlah gambar pelatihan untuk memiliki “model yang lebih kuat.”

Klik di sini untuk mempelajari bagaimana AI & basis data kejadian yang berkembang dapat membantu mengurangi risiko kebakaran hutan.

Perusahaan Inovatif

Palantir Technologies Inc. (PLTR )

Dengan analitik geospasial berbasis AI dan solusi respons bencana, Palantir merupakan pemain kuat dalam pemantauan lingkungan dan deteksi kebakaran hutan.

Didirikan pada 2003 oleh Alex Karp, Peter Thiel, Stephen Cohen, dan Joe Lonsdale, Palantir adalah penyedia perangkat lunak melalui Gotham, Foundry, Apollo, dan AIP (Artificial Intelligence Platform). Dengan kapitalisasi pasar $186,6 miliar, saham Palantir saat ini diperdagangkan pada $81,25, naik 5,28 % YTD. Memiliki EPS (TTM) 0,19 dan P/E (TTM) 421,05.

Pada awal Februari, perusahaan mengumumkan hasil keuangan Q4 2024, melaporkan pendapatan $828 juta, yang tumbuh 36 % YoY dan 14 % QoQ. Jumlah pelanggannya juga naik 43 % YoY dan 13 % QoQ.

Pendapatan AS Palantir adalah $558 juta, meningkat 52 % YoY dan 12 % QoQ, dengan pendapatan komersial AS sebesar $214 juta, tumbuh lebih cepat daripada pendapatan pemerintah AS sebesar $343 juta.

Selama periode ini, perusahaan menutup 32 kesepakatan minimal $10 juta, 58 kesepakatan minimal $5 juta, dan 129 kesepakatan minimal $1 juta. Mereka juga menutup rekor $803 juta nilai kontrak total komersial AS (“TCV”) sementara nilai kesepakatan komersial AS yang tersisa (“RDV”) adalah $1,79 miliar.

Palantir melaporkan $460 juta kas dari operasi dan $79 juta laba bersih GAAP, sementara EPS GAAP adalah $0,03 dan EPS yang disesuaikan $0,14. Perusahaan mengakhiri tahun dengan $5,2 miliar dalam kas, setara kas, dan sekuritas Treasury AS jangka pendek.

Untuk seluruh tahun 2024, Palantir mencatat $2,87 miliar pendapatan, $1,90 miliar pendapatan AS, dan $1,15 miliar kas dari operasi. Sekarang, untuk Q1 2025, perusahaan memperkirakan pendapatan antara $858 dan $862 juta serta arus kas bebas disesuaikan untuk tahun penuh 2025 antara $1,5 dan $1,7 miliar.

“Hasil bisnis kami terus mengejutkan, menunjukkan posisi kami yang semakin kuat di pusat revolusi AI. Wawasan awal kami tentang komoditisasi model bahasa besar telah beralih dari teori menjadi fakta.”

– CEO Karp

Mengenai perkembangan terbaru, awal bulan ini Palantir mengumumkan peluncuran dua sistem AI‑enabled pertama mereka ke Angkatan Darat AS. CTO USG Palantir, Akash Jain, menyebutnya “momen loncatan” bagi Angkatan Darat AS. Perusahaan memenangkan kontrak $178 juta setahun lalu, mengalahkan raksasa pertahanan RTX Corporation (RTX ) , menandai tonggak penting bagi Palantir, yang dikenal dengan layanan analisis data.

Kesepakatan tersebut mencakup 10 sistem Targeting Access Node (TITAN) yang memanfaatkan AI untuk mengumpulkan data dari sensor luar angkasa guna membantu tentara mencapai penargetan serangan yang lebih baik dan akurasi lebih tinggi. Sebagai stasiun darat bergerak, sistem ini membantu memajukan strategi perang tentara. Palantir berkolaborasi dengan L3Harris (LHX ), Northrop Grumman (NOC ), dan Anduril Industries untuk mengembangkan beberapa kemampuan.

Minggu ini, Palantir membagikan daftar pelanggan baru yang menghadiri acara AI mereka, yang mengungkapkan Walgreens , Heineken, Ripcord, dan RaceTrac, di antara lainnya, sebagai klien terbaru mereka. 

Mereka juga menjalin kemitraan dengan Archer Aviation (ACHR ) untuk membangun fondasi AI bagi masa depan teknologi penerbangan generasi berikutnya dan membantu meningkatkan kemampuan produksi pesawat mereka. Rencananya memanfaatkan AIP dan Foundry untuk mengembangkan perangkat lunak berbasis AI yang memajukan sistem penerbangan seperti kontrol lalu lintas udara, perencanaan rute, dan kontrol pergerakan.

“Kemitraan Palantir dengan Archer mendefinisikan ulang masa depan penerbangan, menjadikannya tidak hanya lebih efisien tetapi juga lebih mudah diakses,” kata Karp, menambahkan bahwa integrasi ini menyiapkan “tahap untuk lompatan transformatif dalam efisiensi, keselamatan, dan keberlanjutan.”

Berita Terbaru tentang Palantir Technologies Inc.

Kesimpulan

Amazon, dengan keanekaragaman hayati yang kaya dan sumber daya yang melimpah, berkontribusi pada lanskap ekonomi global. Jadi, pelestarian dan pengelolaan berkelanjutan wilayah ini tidak hanya menguntungkan Brasil tetapi juga kritis bagi kesehatan seluruh planet kita.

Hutan hujan Amazon, bagaimanapun, menghadapi ancaman kebakaran hutan, yang menjadi tantangan serius bagi stabilitasnya. Ini berarti masa depan wilayah tersebut bergantung pada tindakan cepat yang tegas. 

Di sini, model deteksi kebakaran hutan berbasis pembelajaran mendalam merupakan terobosan utama dalam mengatasi krisis ini. Dengan mencapai tingkat akurasi 93 %, model ini menyediakan alat yang kuat untuk deteksi dini dan respons cepat terhadap kebakaran hutan, yang dapat membantu mencegah kerusakan lingkungan yang katastrofik dan membantu mempertahankan kesehatan serta stabilitas jangka panjang hutan hujan Amazon.