Bayangkan ini: Sebuah lahan kosong di pinggiran Jakarta tiba-tiba dipenuhi sekumpulan rangka besi yang luas. Sebidang hutan hijau di Kalimantan menyusut menjadi cokelat dalam hitungan minggu. Sebuah danau di Sumatera yang dulu membiru kini mengering menjadi hamparan tanah retak.
Perubahan di muka Bumi ini terjadi begitu cepat, bagai sebuah film yang diputar dengan kecepatan tinggi. Tapi, bisakah kita memiliki mata yang mampu mengamati setiap framenya? Bisakah kita memiliki semacam “video player untuk planet Bumi,” yang memungkinkan kita memutar ulang, menjeda, dan menganalisis setiap momen transformasi itu? Jawabannya adalah: Hampir.
Selamat datang di Dynamic World. Di sini, ilusi tentang peta tutupan lahan yang statis dan usang akhirnya dipatahkan. Google, bersama dengan World Resources Institute (WRI), telah menciptakan sebuah dataset yang bukan sekadar foto, melainkan sebuah narasi hidup tentang planet kita yang terus berubah. Mari Lintasbumi ceritakan sedikit.
Dynamic World, apaan sih ?
Selama puluhan tahun, peta tutupan lahan (land cover) adalah seperti sebuah potret keluarga yang diambil sekali setiap sepuluh tahun. Itu berguna, tapi tidak pernah benar-benar menangkap kenyataan yang berubah setiap hari. Data seperti MODIS atau Landsat memproduksi peta global, tetapi dengan akurasi yang sering dipertanyakan dan kelambatan dalam pembaruan yang membuatnya tidak bisa menangkap perubahan yang cepat dan tiba-tiba.
Pada 2015, Google meluncurkan Google Earth Timelapse, sebuah feature menakjubkan yang menunjukkan perubahan Bumi dari masa ke masa. Ini memicu sebuah pertanyaan yang lebih dalam: “Bagaimana jika kita bisa tidak hanya melihat perubahan itu, tetapi juga secara otomatis mengklasifikasikan apa yang terjadi pada setiap pixel, untuk setiap tanggal, hampir secara real-time?”
Dinamika inilah yang melatarbelakangi lahirnya Dynamic World. Diluncurkan pada tahun 2022, proyek ambisius ini adalah jawaban atas keterbatasan peta tutupan lahan tradisional. Ini bukan lagi soal “apa yang ada di sana pada tahun 2020?”, melainkan “apa yang ada di sana minggu lalu, dan bagaimana perubahannya sejak sebulan yang lalu?”
Jadi kenapa Dynamic? karena dataset ini menangkap perubahan permukaan Bumi yang terus bergerak, hampir secara real-time, seperti sebuah film alih-alih foto yang statis, dengan menampilkan probabilitas tutupan lahan untuk setiap pixel setiap 2-5 hari, sehingga kita bisa menyaksikan planet kita “bernapas” dan berubah.
Intinya apa dan bagaimana Dynamic World bekerja?
Dalam istilah yang paling sederhana, Dynamic World adalah sebuah dataset tutupan lahan global yang hampir real-time, dengan resolusi 10 meter, yang memberitahu Anda probabilitas setiap petak bumi (pixel) merupakan salah satu dari 9 kelas tutupan lahan. Tapi di balik kesederhanaan itu, terdapat teknologi yang revolusioner.
Otak di Balik Layar
Kebanyakan peta tutupan lahan dibuat dengan metode yang bisa dibilang “manual”. Para ahli menciptakan algoritma, melatihnya dengan sampel data, dan menjalankannya pada citra satelit. Prosesnya lambat dan rentan terhadap kesalahan.
Dynamic World membalikkan logika ini. Ia menggunakan Artificial Intelligence (AI) yang canggih, khususnya model Deep Learning, yang telah dilatih dengan ratusan ribu titik contoh dari seluruh penjuru dunia. “Bahan bakarnya” adalah data dari dua satelit Sentinel-2 milik program Copernicus Uni Eropa. Mengapa Sentinel-2? Karena satelit ini memberikan data terbuka dengan resolusi spasial 10 meter dan repetisi perlintasan setiap 5 hari—sebuah kombinasi yang sempurna untuk memantau perubahan yang cepat.
Cara kerjanya mirip seperti bagaimana otak kita belajar membedakan kucing dan anjing dengan melihat jutaan foto. AI Dynamic World telah “melihat” begitu banyak contoh pohon, air, bangunan, dan lainnya, sehingga ia bisa dengan cepat dan akurat mengidentifikasi apa yang ada dalam sebuah citra satelit baru.
Yang paling membedakannya adalah outputnya. Bukan sekadar label “ini hutan” atau “ini air”. Setiap pixel memiliki probabilitas untuk setiap kelas. Misalnya, sebuah pixel bisa memiliki: 85% kemungkinan Pepohonan, 10% Lahan Pertanian, dan 5% Rawa. Tingkat kepercayaan ini memberikan nuansa yang luar biasa, memungkinkan analis untuk menyaring data berdasarkan tingkat akurasi yang mereka butuhkan.
Kelas Tutupan Lahan
- Air (Water)
- Vegetasi Tergenang (Flooded Vegetation)
- Pembangunan/Permukaan Buatan (Built Area)
- Pohon (Trees)
- Tanaman Pangan/Pertanian (Crops)
- Padang Rumput (Grass)
- Semak dan Rampai (Shrub & Scrub)
- Lahan Gundul (Bare Ground)
- Salju dan Es (Snow & Ice)
Leave a Reply