Citra satelit hiperspektral mendeteksi kebakaran hutan.

Dalam beberapa tahun terakhir, perubahan iklim dan isu lingkungan terkait manusia lainnya telah menarik perhatian yang signifikan dalam literatur ilmiah. Secara historis, kebakaran hutan sebagian besar dideteksi dengan memantau area yang luas dari menara pengamatan kebakaran dan menggunakan perangkat sederhana seperti detektor kebakaran. Namun, metode ini tidak terlalu akurat, dan efektivitasnya dapat dipengaruhi oleh kelelahan manusia yang terakumulasi selama periode pengamatan yang panjang. Di sisi lain, sensor alternatif yang digunakan untuk mendeteksi gas, api, asap, dan emisi panas biasanya membutuhkan waktu pengukuran yang lebih lama. Selain itu, karena jangkauan pengukuran sensor yang terbatas, hanya sejumlah besar sensor yang dapat mencakup area yang luas. Perkembangan pesat teknologi pengenalan target, pembelajaran mendalam, dan penginderaan jauh telah memberi kita metode baru untuk menemukan dan melacak kebakaran hutan.

1. Klasifikasi teknis utama

Teknologi yang saat ini banyak digunakan dapat dikategorikan secara luas menjadi tiga jenis, yang mampu mengidentifikasi atau mengamati kebakaran aktif atau asap secara real-time atau mendekati real-time: sistem berbasis darat, udara, dan satelit. Teknologi ini biasanya dikombinasikan dengan sensor cahaya tampak, inframerah, multispektral, atau hiperspektral; setelah data dikumpulkan, data tersebut dapat diproses menggunakan algoritma kecerdasan buatan (AI) yang sesuai (biasanya metode pembelajaran mesin (ML)). Teknologi ini bergantung pada ekstraksi fitur buatan manusia atau metode AI yang canggih untuk mendeteksi kebakaran hutan pada tahap awal dan mensimulasikan perilaku asap dan api. Berbagai jenis metode deteksi kebakaran diilustrasikan pada Gambar 1.

Gambar 1. Metode deteksi kebakaran

Dalam beberapa tahun terakhir, penelitian ekstensif telah dilakukan untuk mengidentifikasi kebakaran hutan menggunakan citra satelit, terutama karena banyaknya satelit yang diluncurkan dan biaya yang semakin menurun. Secara khusus, serangkaian satelit untuk pengamatan Bumi (EO) telah dikembangkan (misalnya, Planet). Satelit biasanya dikategorikan berdasarkan orbitnya, masing-masing dengan kelebihan dan kekurangannya sendiri. Tabel 1 mencantumkan kategori-kategori terpenting.

Tabel 1. Kategori Satelit

Sebagian besar satelit orbit geostasioner (GEO) di orbit SSO kutub rendah memiliki perkiraan ketinggian dan inklinasi yang tepat untuk memastikan bahwa wahana antariksa mengamati pemandangan yang sama pada sudut sinar matahari yang sama setiap kali, dan bahwa bayangannya identik pada setiap lintasan. Data satelit sinkron matahari memiliki resolusi spasial tinggi tetapi resolusi temporal rendah (LandSat-7/8 memiliki siklus pengulangan 8 hari, sedangkan Sentinel 2A/2B memiliki siklus pengulangan 2-3 hari di wilayah lintang tengah), sementara satelit GEO memiliki resolusi spasial lebih rendah tetapi resolusi temporal lebih tinggi. Oleh karena itu, satelit GEO tidak efektif dalam mendeteksi kebakaran hutan aktif secara real-time; sebaliknya, satelit GEO lebih cocok untuk tugas-tugas yang kurang sensitif terhadap waktu, seperti memperkirakan luas area yang terbakar. Sistem satelit orbit geostasioner mampu mendeteksi kebakaran hutan karena dapat melihat area yang luas. Sebagian besar satelit yang memotret Bumi menggunakan sensor pencitraan multispektral dan terletak di orbit geostasioner atau orbit sinkron matahari dekat kutub.

Tabel 2. Daftar beberapa sistem satelit penginderaan jauh yang relevan dan karakteristiknya.

2. Metode deteksi saat ini

Berdasarkan data hiperspektral, informasi langsung awal dapat diperoleh dengan memeriksa pita spektral individual. Misalnya, asap dapat diidentifikasi dengan memeriksa pita inframerah dekat tampak (VNIR), sedangkan kebakaran hutan aktif dapat diperoleh dengan memeriksa piksel jenuh pada pita inframerah gelombang pendek (SWIR). Bahkan, dalam pita 2000nm hingga 2400nm, sinyal mudah jenuh saat mengamati kebakaran hutan aktif karena sinyal yang ditangkap dari Bumi lebih besar daripada sinyal dari matahari (karena kebakaran hutan bertindak sebagai pemancar daya aktif). Namun, menganalisis seluruh karakteristik spektral menggunakan jaringan saraf konvolusional dapat menghindari kesalahan dan meningkatkan keandalan klasifikasi.

Model CNN klasifikasi multi-kelas ditunjukkan pada Gambar 2. Spektrum piksel input dari data hiperspektral berisi saluran SWIR dan VNIR. Oleh karena itu, ini adalah hiperkubus yang berisi C = 2^34 elemen (setelah menghilangkan beberapa data mentah yang tidak berguna dari hiperkubus input). Lapisan tersembunyi pertama adalah lapisan konvolusi satu dimensi dengan kernel 3, filter n1 = 112, padding yang sama, fungsi aktivasi ReLU, dan regularisasi kernel l2. Setelah lapisan konvolusi, terdapat lapisan max-pooling dengan ukuran pooling 2 dan stride 2 (perhatikan bahwa n2 = n1 seperti yang ditunjukkan pada Gambar 2). Hasil dari max-pooling ini kemudian dilewatkan melalui lapisan flattening dan kemudian dihubungkan ke lapisan fully connected dengan 128 unit (dengan fungsi aktivasi ReLU). Lapisan terakhir adalah lapisan dense unit dengan fungsi aktivasi SoftMax untuk klasifikasi multi-kelas. Perlu dicatat bahwa metrik pada gambar C1 dan C2 mudah dievaluasi dan bergantung pada arsitektur jaringan. Kami menggunakan optimizer Adam dan fungsi kerugian cross-entropy klasifikasi untuk melatih model.

Gambar 2. Model CNN klasifikasi multi-kelas