Dirinci dalam ISPRS Journal of Photogrammetry and Remote Sensing, terobosan ini mengungkap MariNeXt, kerangka kerja pembelajaran mendalam yang mendeteksi dan mengidentifikasi polusi laut menggunakan citra Sentinel-2 beresolusi tinggi. MariNeXt dapat merevolusi cara manajer sumber daya dan lembaga secara global memantau dan mengurangi polusi laut dengan mendeteksi sampah laut dan tumpahan minyak di permukaan laut secara akurat.
"Sampah laut saat ini dianggap sebagai salah satu masalah paling mendesak dalam polusi laut. Kemampuan untuk mengidentifikasi puing-puing secara otomatis dan akurat penting untuk menanggapi dan mengurangi ancaman signifikan terhadap kesehatan ekosistem dan ekonomi biru," kata Katerina Kikaki, penulis utama studi dan peneliti pascadoktoral di National Technical University of Athens.
Sumber polusi seperti tumpahan minyak, sampah laut, dan mekarnya alga merupakan ancaman berkelanjutan bagi kesehatan manusia, kehidupan air, dan ekonomi. Di masa lalu, mendeteksi polutan laut menggunakan metode manual membutuhkan tenaga kerja dan memakan waktu, sehingga hanya sebagian kecil yang diidentifikasi.
"AI adalah alat yang semakin kuat untuk pemantauan laut. Dikombinasikan dengan penginderaan jauh, ia menawarkan pengumpulan dan analisis data otomatis di seluruh skala spasial dan temporal yang besar, memungkinkan pemantauan yang lebih komprehensif dan hemat biaya," kata Kikaki.
Sistem pemantauan polusi laut yang efektif sangat penting untuk mencapai Tujuan Pembangunan Berkelanjutan PBB, karena memainkan peran kunci dalam memastikan kesehatan lingkungan laut jangka panjang. Namun, algoritma AI saat ini gagal mengidentifikasi polutan secara akurat.
Sebagian besar metode yang diusulkan telah dirancang untuk mendeteksi satu polutan laut atau sejumlah kecil fitur permukaan laut. Ditambah, mereka cenderung beroperasi secara lokal, tanpa kemampuan untuk pemantauan skala besar. Tantangan lain adalah polutan laut memiliki sifat yang kompleks, dan sensor satelit saat ini tidak selalu dilengkapi untuk menanganinya.
Ingin mengatasi keterbatasan ini, para peneliti dari Universitas Teknik Nasional Athena dan Universitas Sains dan Teknologi Raja Abdullah mengembangkan MariNeXt. Kerangka kerja pembelajaran mendalam mengintegrasikan teknik augmentasi data canggih dan jaringan perhatian konvolusional multi-skala, memungkinkannya untuk belajar dan menggeneralisasi dari berbagai kondisi dan fitur permukaan laut.
Para peneliti melatih MariNeXt pada kumpulan data Marine Debris and Oil Spill (MADOS), yang juga mereka buat menggunakan sekitar 1,5 juta piksel beranotasi dari 174 adegan satelit yang dikumpulkan di seluruh dunia antara 2015 dan 2022. Kumpulan data komprehensif mencakup 15 kelas, termasuk sampah laut yang mengambang, tumpahan minyak, makroalga Sargassum, bahan organik alami, kapal, ingus laut, dan kondisi yang berhubungan dengan air seperti ombak dan air keruh atau dangkal.
Para peneliti mengembangkan dan menguji model menggunakan kerangka kerja PyTorch yang dipercepat cuDNN pada dua GPU NVIDIA RTX A5000, masing-masing dengan memori 24 GB. Para peneliti dianugerahi dua RTX A5000 sebagai penerima Program Hibah Hardware Akademik NVIDIA.
Menurut rekan penulis studi Ioannis Kakogeorgiou, kapasitas GPU yang signifikan memungkinkan tim untuk mengembangkan solusi pembelajaran mendalam canggih di luar metode pembelajaran mesin tradisional seperti hutan acak. "Perangkat keras berkinerja tinggi ini memungkinkan eksperimen ekstensif dengan model yang lebih besar, resolusi input yang lebih tinggi, dan ukuran batch yang lebih besar."
Model MariNeXt mencapai akurasi keseluruhan 89,1% dalam mengidentifikasi polutan laut dan fitur permukaan laut di berbagai kondisi laut. Kerangka kerja AI juga menghasilkan peta prediktif yang menjanjikan dan mengungguli model dasar pembelajaran mesin lainnya, menyoroti potensinya untuk memahami dan memantau lingkungan laut.
Meskipun MariNeXt adalah alat yang berguna untuk pemantauan laut, ia memiliki keterbatasan. Kumpulan data secara alami tidak seimbang dan beberapa kelas seperti air laut dan tumpahan minyak, berlimpah, sementara yang lain, seperti busa dan bahan organik alami, kurang terwakili.
Hal ini dapat membatasi kemampuan model untuk mendeteksi kelas yang kurang terwakili di wilayah di luar cakupan himpunan data. Para peneliti saat ini sedang bekerja untuk meningkatkan kemampuan prediksi MariNeXt.
"Mengesampingkan keterbatasan, MADOS adalah kumpulan data berharga yang membandingkan algoritma pembelajaran mesin untuk deteksi polusi laut dari data Sentinel-2 terbuka, mendukung pengembangan solusi pemantauan kelautan operasional di masa depan," pungkas Kikaki.
Cek Berita dan Artikel yang lain di
Google News
