Kemajuan dalam teknologi geospasial dan penggunaan kecerdasan buatan dan pembelajaran mendalam yang semakin inovatif memungkinkan pendekatan ilmiah berbasis data untuk pemantauan lingkungan yang efektif. Teknologi penginderaan jauh memungkinkan studi tentang perubahan tutupan lahan Bumi, yang meliputi vegetasi, permukaan air, dan fitur buatan manusia, serta berbagai pola penggunaan lahan.
Aktivitas manusia dalam beberapa abad terakhir telah mempercepat dan mengintensifkan transformasi permukaan bumi. Dalam hal ini, klasifikasi dan evaluasi pola penggunaan lahan dan tutupan lahan (LULC) sangat penting untuk studi pemantauan global, konservasi lingkungan, perencanaan penggunaan lahan, pengelolaan sumber daya, dan pembangunan berkelanjutan di seluruh dunia.
Tanah adalah input utama dan paling penting untuk pertanian, dan tidak perlu dikatakan bahwa memproduksi makanan, pakan, dan serat yang cukup untuk populasi dunia tidak akan mungkin jika tidak ada cukup lahan untuk tujuan pertanian. Untuk alasan ini, analisis distribusi lahan subur menjadi penting untuk menentukan ketersediaan lahan untuk tujuan pertanian di berbagai daerah, dan akibatnya meningkatkan produksi pertanian di seluruh dunia. Membandingkan data satelit penginderaan jauh yang diambil pada titik waktu yang berbeda juga memungkinkan pemantauan perubahan LULC untuk mengidentifikasi penyusutan lahan pertanian karena peristiwa cuaca atau aktivitas manusia.
Bagaimana Cropin Mendefinisikan Penggunaan Lahan dan Tutupan Lahan Dengan AI dan Pembelajaran Mendalam?
Mesin bertenaga AI Cropin mengklasifikasikan penggunaan lahan berdasarkan sistem klasifikasi penggunaan lahan yang dikembangkan oleh United State Geological Survey (USGS). Sistem ini mengklasifikasikan penggunaan lahan dan tutupan lahan ke dalam beberapa tingkat, kategori di masing-masing membentuk hierarki sub-kategori bersarang. Misalnya, Pertanian, yang merupakan salah satu kategori luas di Tingkat I, mencakup kategori terperinci seperti ‘Tanah Pertanian dan Padang Rumput ', ' Kebun, Kebun, Kebun Anggur, dan Pembibitan ', dan 'Operasi Pemberian Makan Terbatas '. Sementara kategori Level I adalah data tipe LANDSAT, kategori Level II adalah data ketinggian (12400m atau lebih) dengan resolusi spasial, spektral, dan temporal yang lebih baik.
Pemetaan LULC oleh Cropin didasarkan pada Level I dari sistem USGS yang relevan untuk aplikasi regional dan berbagai skala besar. Mesin Cropin mengadopsi lima dari sembilan sub-kategori di Level I, yaitu lahan pertanian, lahan tandus, lahan terbangun atau perkotaan, hutan, dan badan air.
Sebagai langkah pertama klasifikasi LULC, data dari citra satelit mentah diekstraksi dan dilatih menggunakan algoritme milik Cropin untuk memberi geotag pada batas tingkat negara bagian dan distrik di India. Data tersebut kemudian dibersihkan untuk menghilangkan batas-batas plot yang tidak beraturan dan meningkatkan akurasi titik data dan kemudian dilatih lagi untuk memetakan penggunaan lahan untuk musim saat ini (Rabi/Kharif).
Untuk memetakan masing-masing dari lima kategori dengan batas yang berbeda dan tepat, model yang dilatih selanjutnya menjalani penghapusan outlier dua langkah. Sanitasi berulang dari titik data menghasilkan piksel murni di mana 'Built-up/Urban' tidak termasuk badan air, atau tidak ada 'Tanah Tandus' di dalam 'Lahan Pertanian'. Model ini kemudian diuji presisi dan dilatih ulang menggunakan berbagai metode hingga akurasi tidak kurang dari 90% tercapai.
Peta penggunaan lahan yang dihasilkan oleh sistem Cropin untuk musim Rabi didasarkan pada model optik. Namun, untuk musim Kharif, model sedang dibuat berdasarkan data gambar Synthetic Aperture Radar (SAR) dengan mempertimbangkan peningkatan tutupan awan selama periode tersebut.
Gambar 1:Peta LULC dari sebuah wilayah di barat laut Madhya Pradesh
Setelah LULC diklasifikasikan dan diaudit untuk akurasi, pemetaan penggunaan lahan untuk Pertanian akan diekstraksi oleh SmartRisk dan ditampilkan di dasbor berbasis peta interaktif, berdasarkan tanaman mana di wilayah tertentu yang akan diidentifikasi sesuai kebutuhan pengguna.
Bagaimana Hal Ini Diterjemahkan Menjadi Nilai Bagi Pemangku Kepentingan Pertanian?
Informasi LULC yang up-to-date dan dapat diandalkan memiliki banyak keunggulan di ranah agribisnis, terutama bila digunakan oleh badan-badan pemerintah dan lembaga pemberi pinjaman pertanian, untuk mengembangkan kebijakan agraria yang efektif.
SmartRisk memfasilitasi pemangku kepentingan utama di badan pemerintah untuk menentukan ketersediaan lahan pertanian di suatu wilayah tertentu (pada tingkat pertanian/kode pos/negara bagian/negara) untuk musim tertentu. Platform cerdas juga menetapkan kinerja historis wilayah tersebut, yang memungkinkan pengguna untuk membandingkan data saat ini dengan catatan masa lalu untuk memeriksa perubahan LULC sebagai akibat dari urbanisasi, perambahan, atau peristiwa cuaca buruk di wilayah tersebut. Kegiatan lain seperti perencanaan penyediaan air untuk kebutuhan irigasi juga menjadi efektif dengan penggunaan kemampuan LULC platform mutakhir ini.
Gambar 2:Dasbor SmartRisk menampilkan klasifikasi LULC untuk Bareli, Madhya Pradesh
Perbankan, asuransi, dan lembaga keuangan lainnya dapat menganalisis area penaburan bersih di tingkat regional untuk memutuskan kebijakan pinjaman mereka dan perluasan bisnis ke daerah baru. Pada tingkat plot, institusi dapat mengidentifikasi apakah plot pertanian sedang dibudidayakan dan memanfaatkan catatan kinerja historis plot untuk penjaminan pinjaman yang lebih cepat dan penilaian risiko yang didukung oleh data pertanian alternatif. Pelajari semua tentang bagaimana AI mengoptimalkan pembayaran asuransi untuk salah satu program asuransi tanaman terbesar di dunia.
Produsen benih dan . lainnya perusahaan input pertanian dapat mengoptimalkan strategi penjualan mereka berdasarkan area tanam bersih dan data klasifikasi tanaman yang tersedia di dasbor SmartRisk. Pengetahuan tentang tanaman apa yang tumbuh di mana, dan seperti apa tahap panen dan kesehatannya, memberdayakan perusahaan input untuk menyediakan produk mereka di titik distribusi terdekat.
Di sisi lain, perusahaan pengadaan dan pengadaan , serta pedagang komoditas, dapat memanfaatkan kecerdasan pertanian ini untuk mengidentifikasi tanaman yang tersebar di suatu wilayah dan membuat keputusan pembelian yang lebih cerdas berdasarkan ketersediaan tanaman.
