Inderaja Cerdas: Menguraikan musim pertumbuhan pohon di Shenzhen

Seiring dengan perluasan kota yang kian pesat, hutan kota dan layanan yang disediakannya pun berkembang pesat. Namun, metode pengukuran tinggi pohon konvensional mahal dan memakan waktu, sehingga membatasi kemampuan untuk menghasilkan data yang komprehensif dan berpresisi tinggi. Tantangan yang mendesak ini telah mendorong perlunya penelitian inovatif yang menggabungkan penginderaan jauh multisumber dan pembelajaran mesin untuk meningkatkan skala dan efisiensi pemantauan hutan di lanskap perkotaan yang dinamis.

Pada tanggal 24 Januari 2025, tim peneliti yang dipimpin oleh Profesor Bing Xu dari Departemen Ilmu Sistem Bumi Universitas Tsinghua menerbitkan sebuah studi transformatif (DOI: 10.34133/remotesensing.0379) di Journal of Remote Sensing. Dengan memanfaatkan kekuatan LiDAR dan data satelit yang dipadukan dengan pembelajaran mesin (machine learning) dan teknologi pembelajaran mendalam (deep learning), tim tersebut mengatasi tantangan yang terus-menerus dalam pemantauan hutan kota. Penelitian inovatif ini membuka jalan baru untuk studi ekologi perkotaan dan pengelolaan sumber daya, menawarkan alat praktis bagi para perencana kota dan pengelola lingkungan.

Inti dari penelitian ini adalah Seasonal Tree Height Neural Network (STHNN), model canggih yang mencapai akurasi tak tertandingi dalam memperkirakan tinggi pohon (R² = 0,80, MAE = 1,58 meter). Penggunaan SHAP (SHapley Additive exPlanations) oleh tim untuk pengoptimalan fitur menyederhanakan model dengan menghilangkan 23 variabel yang tidak penting di antara 52 variabel —meningkatkan akurasi sekaligus mengurangi tuntutan komputasi. Yang mengesankan, model STHNN menunjukkan generalisasi yang kuat, memperkirakan tinggi pohon secara akurat di berbagai musim dan wilayah geografis. Dengan memanfaatkan kumpulan data yang lengkap dari tahun 2018 hingga 2023, penelitian ini menggabungkan data LiDAR dan satelit untuk menganalisis atribut spektral, vegetasi, tekstur, polarisasi, medan, dan musiman. Para peneliti mengeksplorasi berbagai model pembelajaran mesin dan pembelajaran mendalam, dengan STHNN muncul sebagai yang berkinerja terbaik, memberikan presisi yang belum pernah terjadi sebelumnya dalam prediksi tinggi pohon. Inovasi penting dalam penelitian ini adalah penerapan SHAP untuk pemilihan fitur. Dengan memangkas 23 fitur yang kurang berdampak, model tersebut tidak hanya mempertajam kemampuan prediktifnya tetapi juga secara signifikan menyederhanakan efisiensi komputasi—menunjukkan bagaimana ilmu data dapat menyempurnakan pemodelan ekologi yang kompleks. Analisis tersebut mengungkapkan bahwa tinggi pohon perkotaan Shenzhen sebagian besar berkisar antara 6 dan 14 meter, yang menunjukkan autokorelasi spasial yang kuat. Khususnya, penelitian tersebut mengamati bahwa tinggi tajuk musim dingin secara konsisten lebih rendah daripada tajuk musim panas, yang mencerminkan pasang surut alami pertumbuhan musiman. Penemuan ini menggarisbawahi perlunya memperhitungkan dinamika musiman untuk pengelolaan hutan perkotaan yang lebih efektif. Penelitian ini menawarkan kepada para perencana kota dan pembuat kebijakan cetak biru yang terperinci dan berbasis data untuk memprediksi dan mengelola perubahan ekosistem di dalam kota-kota yang berkembang pesat. Untuk mencapai hasil ini, tim peneliti secara ketat menguji serangkaian model pembelajaran mesin dan pembelajaran mendalam, termasuk regresi linier berganda, mesin vektor pendukung, hutan acak, XGBoost, dan jaringan saraf buatan. Dengan menggunakan alat pemilihan fitur seperti metrik kepentingan hutan acak, algoritma genetik, dan SHAP, mereka mengidentifikasi set fitur optimal yang memaksimalkan akurasi prediktif di seluruh model.

Para ahli dari tim peneliti menekankan bahwa studi ini tidak hanya memajukan ketepatan penilaian tinggi pohon tetapi juga memperkenalkan alat baru yang ampuh untuk melacak evolusi dinamis hutan perkotaan. Model STHNN berdiri sebagai landasan bagi strategi penghijauan perkotaan dan perlindungan ekologi di masa depan, dengan aplikasi yang luas untuk pembangunan kota yang berkelanjutan.

Melihat ke masa depan, teknologi yang dipelopori dalam studi ini memiliki potensi transformatif untuk ekologi perkotaan dan pengelolaan sumber daya. Integrasinya ke dalam perencanaan kota dapat merevolusi bagaimana ruang hijau dialokasikan dan bagaimana strategi penanaman pohon dirancang, yang mendorong lingkungan perkotaan yang lebih tangguh dan berkelanjutan. Dalam ranah konservasi ekologi yang lebih luas, alat ini menawarkan solusi yang dapat diskalakan dan didorong oleh data untuk memantau dan melestarikan hutan perkotaan, memperkuat keanekaragaman hayati dan layanan ekosistem yang penting. Memperluas teknologi ini ke kota-kota di seluruh dunia dapat memberdayakan upaya global untuk memerangi perubahan iklim dan mempercepat pembangunan berkelanjutan.

Keterangan gambar: Distribusi spasial dan temporal tinggi pohon yang diprediksi dan tren perubahan tinggi pohon di Shenzhen. Grafik garis merah di sisi kanan setiap gambar menunjukkan perubahan rata-rata tinggi pohon dengan garis lintang dalam meter. Grafik garis biru di atas menunjukkan variasi rata-rata tinggi pohon dengan garis bujur dalam meter. Plot (a)~(c) menunjukkan distribusi spasial tinggi pohon di Shenzhen dalam waktu yang berbeda, dan bagian merah muda menunjukkan area terbangun. Gambar (d) menunjukkan tren potensial pertumbuhan pohon dari tahun 2018 hingga 2023, dengan bagian abu-abu menunjukkan area terbangun, grafik garis merah di sisi kanan gambar menunjukkan perubahan laju perubahan rata-rata dengan garis lintang, dan grafik garis biru di atas menunjukkan perubahan laju perubahan rata-rata dengan garis bujur.

Sumber: https://spj.science.org/doi/10.34133/remotesensing.0379