Penggambaran batas tanah yang akurat merupakan langkah penting dalam mengidentifikasi penggunaan lahan dan merencanakan pengelolaannya. Khusus untuk lahan pertanian, penggambaran ini memungkinkan petani dan agribisnis untuk memperkirakan luas lahan dengan lebih baik untuk penggunaan input pertanian yang efisien, seperti benih, pestisida, pupuk, dan sumber daya lainnya serta untuk mengoptimalkan kegiatan produksi dan pascaproduksi.
Proses manual identifikasi batas lahan terbukti memakan waktu dan tenaga. Namun, teknologi canggih di bidang pertanian, seperti citra penginderaan jauh, memberikan informasi yang mendalam dan eksplisit secara spasial tentang penggunaan lahan pertanian secara real-time yang akan sulit diperoleh jika tidak.
Pencitraan satelit, pembelajaran mesin, dan AI di bidang pertanian melengkapi para pelaku di agroekosistem dengan catatan sejarah distribusi tanaman budidaya di seluruh wilayah. Entitas pemerintah dapat memanfaatkan kecerdasan ini untuk merencanakan impor dan ekspor produk makanan secara memadai. Lembaga keuangan dapat memanfaatkan data pertanian alternatif ini untuk menentukan tanaman yang dibudidayakan petani, kesehatannya, dan kinerja plot untuk menilai proposal pinjaman. Agribisnis dapat memantau dan mengelola pertanian mereka dari jarak jauh di setiap tahap produksi tanaman tanpa harus sering mengunjungi ladang, terutama mengingat kesulitan saat ini yang disebabkan oleh pandemi.
Apa Guna Batas Lahan ?
Untuk mendapatkan data yang akurat untuk salah satu dari penilaian ini dan sampai pada pemahaman yang meyakinkan, batas-batas yang tepat dari plot pertanian memainkan peran penting. Dalam beberapa tahun terakhir, data pencitraan satelit, khususnya seperti yang berasal dari Landsat-8 (optik), Sentinel-1 (RADAR), dan Sentinel-2 (optik) digunakan untuk mengidentifikasi lokasi, ukuran, dan luasan spasial lahan pertanian. . Data ini kemudian digabungkan dengan informasi cuaca, untuk meningkatkan klasifikasi jenis tanaman dan memantaunya secara real time.
Teknologi canggih di bidang pertanian yang juga mengintegrasikan informasi lain, seperti jenis tanaman, jenis tanah, dan cekaman air di wilayah tersebut, menjadi penting untuk merancang rencana pertanian yang efektif dan untuk mengembangkan dan memantau kebijakan dan skema pertanian bagi petani. Mereka memberdayakan produsen dengan kemampuan lain, seperti prediksi hasil, prakiraan tahap tanaman, estimasi kesehatan tanaman, identifikasi tanggal penanaman dan panen, estimasi tekanan air, estimasi kelembaban tanah, dan penjadwalan irigasi.
Sementara batas-batas lahan tanaman lebih mudah untuk digambarkan dan didigitalkan untuk pemilikan lahan besar, menjadi semakin sulit untuk pemilikan lahan kecil, terutama di negara dan wilayah berkembang tertentu. Tidak adanya batasan yang jelas membuat tugas lain, seperti klasifikasi penggunaan lahan, digitalisasi sertifikat tanah, atau klasifikasi tanaman menjadi lebih rumit dan rawan kesalahan.
Oleh karena itu, batas-batas lahan merupakan landasan untuk memperoleh informasi tutupan lahan yang kritis, terutama untuk pertanian. Ilmuwan data memanfaatkan data pengamatan Bumi untuk mendeteksi batas lahan, yang selanjutnya memungkinkan mereka untuk mengklasifikasikan dan mengevaluasi pola penggunaan lahan/tutupan lahan (LULC) untuk mendeteksi vegetasi dari bentuk tutupan lahan lainnya. Selangkah lebih maju, data satelit dan aplikasi teknologi canggih di bidang pertanian seperti pembelajaran mesin juga memungkinkan mereka mengidentifikasi dan mengklasifikasikan tanaman. Hal ini semakin memberdayakan produsen untuk memantau kesehatan, stres, dan hasil panen dari jarak jauh secara berkala dan memastikan produktivitas tinggi sepanjang siklus panen.
Mengapa Deteksi Batas Lahan Diperlukan?
Proses manual demarkasi batas plot rentan terhadap kesalahan manusia dan membutuhkan keterampilan anotasi yang mendalam. Setelah plot digambarkan, plot tersebut juga perlu diperbarui secara berkala untuk memantau perubahan secara real-time.
Deteksi otomatis batas tanah memfasilitasi digitalisasi semua plot individu di seluruh negeri dengan koreksi manusia yang minimal. Ini akan sangat bermanfaat di negara-negara seperti India, di mana catatan digital tentang batas-batas tanah tidak tersedia secara luas. Meskipun beberapa negara bagian telah mengambil inisiatif untuk mendigitalkan catatan pada tingkat nomor survei, nomor survei sering kali terdiri dari beberapa bidang tanah yang lebih kecil, yang batasnya dibatasi secara manual dan informal.
Keuntungan tambahan dari proses digital ini adalah bahwa semua informasi mengenai pertanian tertentu dapat dikonsolidasikan berdasarkan plot yang terdeteksi oleh model deteksi batas tanah. Penggambaran plot yang tepat membantu dalam memperoleh informasi yang lebih tepat mengenai jenis tanaman atau perkiraan hasil. Selain itu, algoritma ini akan membantu dalam mendeteksi perubahan luas petak petani selama bertahun-tahun. Jika terjadi gempa bumi, kekeringan, banjir, atau bencana alam lainnya, algoritma dapat membantu pihak-pihak terkait untuk mendeteksi kerusakan pada plot atau tanaman. Demikian juga, perusahaan korporat dan pembangun yang melakukan tata kelola dan pengawasan akan mendapat manfaat yang signifikan sehubungan dengan perencanaan dan pengelolaan kawasan serta penilaian nilai tanah.
Batasan Deteksi Batas Lahan Saat Ini
Teknologi canggih di bidang pertanian telah berkembang pesat dalam beberapa dekade terakhir dan juga menawarkan ruang untuk kemajuan lebih lanjut. Meskipun demikian, citra penginderaan jauh memiliki keterbatasan tersendiri. Mereka biasanya memiliki resolusi gambar yang sangat rendah, tingkat kebisingan, dan volume besar yang memakan banyak ruang penyimpanan digital. Sifat-sifat gambar ini berubah secara drastis dari satu wilayah ke wilayah lain tergantung pada properti wilayah tersebut.
Deteksi batas tanah untuk kepemilikan tanah yang terpecah dan tidak seragam, pada kenyataannya, merupakan tugas yang sulit karena batas-batasnya tidak memiliki bentuk atau ukuran yang pasti, terutama di negara-negara seperti India di mana kepemilikan tanah berukuran kecil dan juga padat. Teknik pemrosesan gambar seperti segmentasi dan deteksi tepi, yang bekerja dengan baik pada gambar umum, mungkin tidak memberikan hasil yang akurat untuk gambar penginderaan jauh. Dua plot vegetasi yang berdekatan mungkin memiliki potensi yang baik bagi kita untuk menemukan batas-batas tanah berdasarkan perbedaan warna dan tekstur, tetapi sifat-sifat ini mungkin tidak selalu menonjol ketika kedua plot memiliki tanaman yang sama. Kekhawatiran ini juga berlaku untuk plot-plot dengan banyak tanaman juga. Karena faktor-faktor ini, deteksi batas tanah menggunakan citra penginderaan jauh masih menjadi masalah penelitian yang terbuka. Tidak ada solusi kuat seperti itu yang bekerja dengan sempurna di berbagai wilayah geografis saat ini.
Mesin Deep-Learning CropIn untuk Mendeteksi Batas Lahan
CropIn telah mengembangkan algoritme deteksi batas tanah yang canggih dengan menggabungkan pembelajaran mendalam dan teknik pemrosesan gambar klasik. Algoritma ini terutama terdiri dari tiga modul:a) algoritma ekstraksi garis batas, b) algoritma pasca pemrosesan, dan c) poligonisasi untuk ekstraksi plot pertanian. Model deep learning dilatih menggunakan citra satelit Google sebagai input, yaitu citra raster RGB dengan resolusi spasial setinggi 0,5 m di beberapa tempat (tergantung sumber data), serta batas lahan beranotasi sebagai label.
CropIn telah menerapkan model pembelajaran mendalam ini untuk deteksi batas di negara bagian Maharashtra, India. Kami memperoleh peta catatan tanah geo-referensi dari desa-desa di negara bagian dari Pusat Aplikasi Penginderaan Jauh Maharashtra (MRSAC), yang memberi kami batas-batas tanah yang ditentukan secara manual untuk nomor survei yang berbeda. Catatan tanah ini berfungsi sebagai lapisan pertama kebenaran dasar dan dasar untuk membangun dan melatih model pembelajaran mendalam. Kami kemudian menggunakan citra satelit resolusi tinggi Google Earth Engine untuk menyempurnakan batas melalui proses yang disebutkan di atas.
Kami menskalakan algoritme kami dengan memperkenalkan pemrosesan paralel yang dibangun di AWS Batch, yang memutar mesin virtual paralel untuk melakukan prediksi pada area yang luas secara bersamaan. Instans Spot AWS EC2 'r5.xlarge' digunakan untuk melakukan prediksi. Saat ini, sistem kami dapat mendeteksi batas tanah seluas hampir 300.000 km persegi dalam 6-7 jam. Contoh batas tanah yang terdeteksi oleh algoritme kepemilikan kami ditunjukkan pada gambar di bawah ini.
Sebuah gambar representasi batas tanah yang terdeteksi oleh CropIn
Siapa yang dapat memanfaatkan Batas Tanah ini?
Ini memberdayakan badan pemerintah, lembaga keuangan, dan pemangku kepentingan lainnya untuk sampai pada keputusan berdasarkan data berdasarkan informasi yang tepat waktu dan lebih akurat, yang berkontribusi pada peningkatan produktivitas, efisiensi, dan profitabilitas.
