AI Sekarang Memetakan Perdomesan Informal Global dari Satelit Resolusi Rendah
Model baru berbasis deep learning dapat secara otomatis mendeteksi dan memetakan perdomesan informal menggunakan citra satelit resolusi rendah.
Model ini dapat mengklasifikasikan apa yang terlihat dari spektrum perdomesan informal dengan cara yang hemat biaya.
Hampir satu-empat dari populasi perkotaan dunia tinggal di perdomesan informal – lokasi yang terputus dari infrastruktur kota dan layanan dasar. Sebagian besar rumah di daerah ini tidak mematuhi peraturan bangunan dan terletak di daerah yang berbahaya secara lingkungan dan geografis.
Memetakan daerah-daerah ini dapat membantu NGO melayani mereka yang membutuhkan dengan lebih baik. Ini akan memungkinkan penduduk untuk berkembang secara signifikan dan memperoleh kualitas hidup yang lebih baik. Namun, memetakan daerah seperti itu adalah tugas yang menantang dan membutuhkan banyak sumber daya manusia dan keuangan yang khusus.
Untuk mengatasi tantangan tersebut, tim internasional peneliti telah membangun sistem berbasis deep learning yang dapat secara otomatis mendeteksi dan memetakan perdomesan informal menggunakan citra satelit dan udara yang tersedia secara gratis. Sistem ini mengambil citra satelit sebagai input (dalam format mentah-pengguna) dan memberikan klasifikasi terlatih yang menghasilkan peta biner yang menampilkan area perdomesan informal.
Pendekatan Berbasis Machine Learning yang Hemat Biaya
Peneliti mengembangkan dan memvalidasi secara luas dua metode berbasis machine learning untuk mengidentifikasi dan memetakan perdomesan informasi. Satu adalah hemat biaya, dan yang lain adalah melarang biaya tetapi penting untuk memproses informasi kontekstual. Bersama-sama, metode ini dapat mengklasifikasikan apa yang terlihat dari spektrum perdomesan informal.
Metode pertama menggunakan Canonical Correlation Forests yang komputasional efisien (metode ensemble pohon keputusan untuk klasifikasi dan regresi) untuk mempelajari sinyal spektral perdomesan informal dari citra satelit resolusi rendah.
Metode kedua menggunakan jaringan saraf konvolusi dengan citra satelit resolusi sangat tinggi untuk mengekstrak fitur yang lebih halus. Tim telah menunjukkan generalisasi metode yang diusulkan untuk mengidentifikasi perdomesan informal tidak hanya di daerah lokal, tetapi secara global.
Referensi: arXiv:1901.00861
Jaringan saraf konvolusi dilatih pada citra satelit resolusi rendah, resolusi tinggi, dan resolusi sangat tinggi, menggunakan 8 GPU NVIDIA Tesla V100 dengan memori 16GB setiap. Karena mencapai resolusi sangat tinggi agak mahal, peneliti mengusulkan pendekatan hemat biaya yang menggunakan citra satelit resolusi rendah.
Perdesaman formal dan informal di Kibera, Nairobi | Dari pihak peneliti
Tim telah merilis dua benchmark perdomesan informal untuk citra satelit resolusi rendah dan resolusi sangat tinggi, dengan kebenaran tanah yang menyertai. Mereka juga telah menyediakan semua kode sumber dan model di GitHub.
Karena perbedaan perdomesan informal di seluruh dunia dan ketidakpastian di tanah, sistem ini dapat sangat berguna untuk menguji teknik transfer learning dan meta-learning. Peneliti berencana untuk menerapkan teknik Bayesian untuk mengkarakterisasi ketidakpastian melalui model probabilistik.
Selain itu, area satu kilometer persegi perdomesan informal dapat menempati lebih dari 129.000 orang. Dengan demikian, setiap piksel dapat mewakili 13 orang. Perhitungan jenis ini dapat sangat membantu pemerintah dan NGO memahami sejumlah besar bantuan yang perlu disediakan dan seberapa banyak infrastruktur yang diperlukan.
Baca: AI Dapat Memetakan Secara Akurat Setiap Bangunan di Amerika Serikat
Peneliti saat ini bekerja dengan UNICEF untuk mengumpulkan data kebenaran tanah dan anotasi tambahan untuk perdomesan informal.
