Earth Vision Untuk Citra Satelit
Haloo, ini merupakan tulisan kedua saya. Tulisan kedua ini isinya akan sedikit sharing pengalaman sih, sambil sedikit membahas tentang project yang saya dan tim buat beberapa waktu lalu. Bahasan di sini juga tidak akan berat-berat banget dan mungkin gaya penulisannya akan sedikit campur aduk antara formal dan non-formal. Oke, langsung gass.
Earth Observation
Beberapa waktu lalu saya berkesempatan untuk bergabung dengan Jakarta Artificial Intelligence Research. Di sana, saya dan tim mengembangkan salah satu research project yang diberi nama Earth Vision. Earth Vision merupakan salah satu machine learning library yang berfungsi untuk membantu para developer dalam proses pengembangan AI khususnya di bidang computer vision. Earth Vision secara spesifik digunakan untuk membantu menyelesaikan masalah dalam kasus earth observation atau observasi bumi. Pada awalnya, saya tidak tahu mengenai earth observation, tapi setelah beberapa kali googling dan mencari-cari info akhirnya bisa mendapatkan informasi yang menarik tentang bidang ini.
Menurut situs EU Science Hub, earth observation adalah proses pengumpulan informasi tentang sistem fisik, kimia, dan biologi dari planet bumi melalui sebuah teknologi remote sensing, dan biasanya menggunakan satelit untuk mengambil gambar bumi beresolusi tinggi [1]. Dari sini kita mendapatkan suatu kata baru “remote sensing”, pasti bakalan langsung berpikiran, “istilah apalagi ini?”.
Jadi, remote sensing merupakan suatu metode pengamatan dan pengukuran unsur-unsur spasial permukaan bumi. Pada kebanyakan kasus, remote sensing ini menggunakan satelit untuk melakukan pengamatan pada permukaan bumi. Ilustrasi dari remote sensing dapat dilihat pada gambar dibawah ini.
Earth observation ini sangat bermanfaat sekali untuk mengatasi berbagai macam permasalahan, beberapa diantaranya:
- Penentuan land use (penggunaan lahan untuk manusia) dan land cover (daerah lahan yang masih berupa hutan, pertanian, sungai, dll).
- Memantau pertumbuhan penduduk dari suatu kota.
- Memantau perubahan iklim.
- Pemetaan vegetasi.
- Deteksi dini suatu bencana (kebakaran hutan, angin topan, dll).
- Pemantauan lingkungan.
- Perencanaan kota.
Di bawah ini merupakan salah satu contoh penerapan dari earth observation untuk memantau pertumbuhan penduduk di sebuah kota. Pada gambar disebelah kiri merupakan penampakan sebuah pemukiman pada tahun 2017 dan disebelah kanan merupakan penampakan pemukiman pada tahun 2018. Di tahun 2018 pemukiman tersebut mengalami pertambahan penduduk yang bisa dilihat dari banyaknya rumah yang dibangun daripada tahun 2017.
Peran AI dalam Earth Observation
Proses observasi bumi ini tentunya membutuhkan waktu dan biaya untuk mengidentifikasi jenis area yang diambil oleh satelit. Jika citra satelit yang ingin diidentifikasi hanya sedikit, tentunya itu tidak akan menjadi masalah. Namun, pada kebanyakan kasus, citra satelit yang diambil sangat banyak dan akan menyulitkan dan menyita waktu apabila masih dilakukan secara manual. Disinilah peran AI (Artificial Intelligence) muncul, AI berguna untuk membantu manusia dalam proses observasi bumi agar bisa menjadi lebih cepat. Sebagai contoh, sebuah citra satelit akan diidentifikasi dengan sistem AI dan otomatis akan terklasifikasi dalam jenis-jenis tertentu seperti lahan pertanian, hutan, sungai, dan yang lainnya. Kemudian setelah dilakukan identifikasi dengan bantuan AI, manusia bisa segera melakukan analisa lebih lanjut tentang daerah tersebut tanpa melakukan identifikasi awal yang memakan waktu. Di bawah ini merupakan salah satu contoh hasil dari citra satelit yang menunjukkan keadaan beberapa wilayah seperti pulau, danau, gunung, hutan, sungai, dan yang lainnya.
Earth Vision
Dalam pengembangan sistem AI ini, kita harus melakukannya dalam beberapa tahapan yang dituliskan secara singkat, seperti:
- Pengumpulan data citra satelit,
- Pemrosesan data (data processing),
- Melatih (training) data citra satelit kita ke dalam suatu arsitektur jaringan syaraf tiruan yang dalam.
Serta banyak proses lainnya yang tidak akan dijelaskan secara mendalam pada bagian ini. Singkatnya, setelah proses pelatihan (training) selesai, diharapkan mesin atau komputer akan mampu mengidentifikasi jenis-jenis citra satelit layaknya seperti manusia. Namun, pada kenyataannya proses pengembangan AI di bidang observasi bumi tidak semudah itu.
Citra satelit memiliki karakteristik yang khusus, salah satunya memiliki resolusi yang lebih tinggi dibandingkan citra pada umumnya. Selain itu, citra satelit juga memiliki channel yang berbeda dengan citra lain, jika citra pada umumnya memiliki 3 channel RGB (Red, Green, Blue), citra satelit memiliki lebih dari 3 channel dan sedikit lebih kompleks. Tidak hanya itu, citra satelit juga memiliki metadata tambahan seperti kondisi atmosfer, posisi satelit, sudut matahari, dan yang lainnya. Dengan beberapa karakteristik yang berbeda tersebut, membuat citra satelit harus mendapatkan perlakuan yang berbeda dalam pemrosesan data (data processing). Beberapa hal seperti inilah yang juga baru saya ketahui ketika mengerjakan project ini. Pengalaman yang menarik menurut saya pribadi.
Perbedaan perlakuan dari citra satelit inilah yang membuat lahirnya “Earth Vision”. Earth Vision merupakan tools yang digunakan untuk membantu proses pengembangan AI dalam bidang observasi bumi. Dengan adanya earth vision, proses pengumpulan data (data collecting) dan pemrosesan data (data processing) bisa menjadi lebih cepat. Earth vision menyediakan sebuah wrapper untuk mengolah data dari beragam jenis dataset citra satelit open source yang diambil dari situs resminya. Kita bisa dengan mudah men-download dan menggunakan dataset tersebut dengan earth vision. Beberapa dataset citra satelit open source yang tersedia di earth vision bisa dilihat dibawah ini:
- Aerial Cactus
- Cloud38
- COWC
- Deepsat
- Drone Deploy
- Eurosat
- L7 Irish
- L8 Biome
- L8 Sparcs
- Landcover
- RESISC45
- Sentinel 2 Cloud
- So2Sat
- SpaceNet7
- UC Merced Land
- XView
Pre-trained Model RESISC45
Pre-trained model merupakan model AI yang sudah dilakukan pelatihan (training) sebelumnya pada suatu dataset yang besar, sehingga nantinya bisa digunakan untuk membantu meningkatkan performa dari model AI kita untuk kasus yang sama apabila kita memiliki dataset yang kecil. Pre-trained model ini bisa dikatakan seperti proses transfer pengetahuan antara model AI satu dengan yang lainnya. Selain menyediakan wrapper untuk memilih dan men-download dataset citra satelit, earth vision juga menyediakan pre-trained model, model ini sudah dilatih menggunakan dataset RESISC45. Dataset RESISC45 merupakan dataset yang dikhususkan untuk kasus klasifikasi citra satelit. Dataset ini terdiri dari:
- 31.500 citra satelit
- Terbagi menjadi 45 label.
- Setiap labelnya memiliki sekitar 700 citra.
Kami menggunakan enam arsitektur untuk membuat pre-trained model ini, yaitu ResNet-50, VGG-16, MobileNetV3, RegNet, Vision Transformers, dan CoAtNet. Kami juga melakukan beberapa eksperimen dalam pembuatan pre-trained model ini, detail hasil eksperimen dapat dilihat di bawah ini dan untuk cara penggunaan pre-trained model bisa langsung dicek di halaman PyPi kami, lalu khusus untuk pre-trained model Vision Transformers detail penggunaan bisa dilihat disini.
Pada saat proses pengembangan pre-trained model ini kemarin saya benar-benar belajar banyak hal, kebetulan kemarin kebagian untuk pembuatan pre-trained model VGG-16 dan Vision Transformers (ViT) yang sebenarnya untuk menggunakan ViT ini harus paham basic terlebih dahulu mengenai attention dan sejenisnya, karena memang ViT ini basisnya dari arsitektur Transformers yang dibuat untuk Natural Language Processing. Jadi pada saat itu benar-benar belajar hal yang sangat baru karena saya belum pernah menyentuh terlalu dalam di Natural Language Processing. Menurut saya, hal-hal seperti ini sangat menarik untuk dicoba karena kita belajar dari apa yang belum kita ketahui.
Mungkin sampai di sini, sharing saya mengenai earth vision dan earth observation, untuk yang ingin tahu lebih jauh dan ingin mencoba earth vision, bisa langsung cek melalui beberapa link dibawah ini. Semoga bermanfaat dan Terimakasih
Referensi
[1] https://ec.europa.eu/jrc/en/research-topic/earth-observation
[2] Kumar, P & Huan, Tracy & Li, Xianpei & Yuan, Yanmin. (2018). Panchromatic and Multispectral Remote Sensing Image Fusion Using Machine Learning for Classifying Bucolic and Farming Region. International Journal of Computational Science and Engineering. 15. 340–370.
