Perkembangan teknologi drone membawa perubahan signifikan dalam berbagai bidang termasuk konservasi satwa liar. Drone atau sistem pesawat tanpa awak semakin diandalkan untuk survei populasi hewan liar. Teknologi ini memiliki sejumlah keunggulan dibandingkan metode survei tradisional seperti biaya yang lebih rendah, peningkatan akurasi dalam penghitungan jumlah satwa, efisiensi yang lebih tinggi, serta risiko yang lebih rendah terhadap keselamatan manusia. Namun identifikasi satwa liar dari citra drone masih menjadi tantangan besar karena volume gambar yang dihasilkan serta kerumitan dalam proses deteksi dan penghitungan secara manual.
Perkembangan Artificial intelligence (AI) dan pembelajaran mesin memberikan solusi potensial dalam mendeteksi dan mengklasifikasikan satwa liar secara otomatis dari citra drone. Algoritma canggih AI mampu mengurangi waktu pemrosesan, mengurangi bias yang muncul dalam identifikasi manual, serta menekan biaya logistik. Meski demikian, performa algoritma AI sangat bergantung pada kualitas dan representasi data pelatihan yang digunakan. Oleh karena itu, ketersediaan dataset yang memadai menjadi elemen penting untuk meningkatkan akurasi pengenalan objek termasuk dalam aplikasi konservasi satwa liar menggunakan citra drone.
Sejarah perkembangan dataset dalam bidang visi komputer menunjukkan pentingnya benchmark dataset dalam mendorong inovasi algoritma pengenalan objek. Dataset seperti CIFAR dan PASCAL VOC menjadi landasan bagi penelitian awal dalam bidang ini. Kemudian dirilisnya dataset yang lebih besar seperti COCO dan ImageNet semakin memperkuat pengembangan algoritma pengenalan objek yang lebih kompleks dan akurat. Namun tinjauan terhadap dataset yang tersedia menunjukkan adanya kesenjangan signifikan dalam penyediaan dataset yang secara khusus dirancang untuk pemantauan satwa liar dari udara. Sumber daya yang ada saat ini sebagian besar masih terbatas pada gambar dari jebakan kamera dengan perspektif darat yang tidak sepenuhnya mencerminkan tantangan dalam pengolahan citra drone.
Untuk mengatasi kekurangan tersebut, Aerial Wildlife Image Repository (AWIR) hadir sebagai upaya penting dalam menyediakan database interaktif yang dapat digunakan oleh peneliti dan praktisi di seluruh dunia. AWIR merupakan repositori terbuka yang memungkinkan pengguna untuk mengunggah, memberi anotasi, dan mengkurasi citra satwa liar yang diambil menggunakan drone. Dengan menyediakan dataset yang teranotasi dengan baik, AWIR diharapkan menjadi platform kolaboratif yang mendukung pengembangan dan pengujian algoritma AI untuk deteksi dan klasifikasi satwa liar dari citra drone.
Salah satu kekuatan utama AWIR adalah kemampuannya menyediakan benchmark dataset yang dapat digunakan oleh komunitas ilmiah untuk menguji performa algoritma dalam cara yang terstandar. Fungsi ini memungkinkan peneliti untuk membandingkan akurasi algoritma yang mereka kembangkan dan mendorong peningkatan performa secara berkelanjutan. Sebagai tambahan, leaderboard yang tersedia di platform ini berfungsi sebagai insentif bagi peneliti untuk terus memperbaiki algoritma mereka dengan dataset yang tersedia.
Namun tantangan dalam pengembangan algoritma AI untuk citra drone tidak hanya terbatas pada ketersediaan data pelatihan yang cukup tetapi juga mencakup keragaman data tersebut. Citra drone memiliki karakteristik yang berbeda dibandingkan citra dari jebakan kamera. Hewan yang terlihat dalam citra drone biasanya berada pada jarak yang lebih jauh dari sensor sehingga tampak lebih kecil dan terdiri dari lebih sedikit piksel dibandingkan citra jebakan kamera. Selain itu latar belakang dalam citra drone cenderung berubah-ubah selama survei udara berbeda dengan latar belakang yang cenderung statis dalam sesi jebakan kamera.
Kendala lain yang perlu diperhatikan adalah sudut pengambilan gambar. Citra drone biasanya diambil dari sudut nadir atau berbagai sudut di atas satwa sehingga bentuk dan tampilan satwa dalam gambar dapat berbeda dibandingkan citra dari jebakan kamera yang biasanya diambil dari sudut profil. Oleh karena itu algoritma klasifikasi berbasis AI memerlukan lebih banyak citra drone untuk dapat belajar secara efektif dan diimplementasikan dengan sukses.
Dalam diskusi yang disampaikan oleh artikel ini, AWIR tidak hanya menyediakan dataset yang teranotasi dengan baik tetapi juga alat anotasi yang intuitif dan mudah digunakan. Dengan alat ini pengguna dapat membuat kotak pembatas atau poligon untuk mengidentifikasi objek satwa dalam citra. Proses anotasi yang standar dan terkontrol memastikan konsistensi data yang diunggah ke repositori.
Pada tahap awal pengembangan AWIR data yang tersedia memang masih terbatas baik dari segi jumlah citra maupun keragaman taksonomi dan geografis. Namun dua studi yang telah dilakukan menunjukkan potensi besar dari database ini. Studi pertama menunjukkan bahwa kombinasi pelatihan menggunakan citra drone mampu mencapai akurasi lebih dari 99 persen dalam klasifikasi berbagai spesies hewan besar seperti sapi dan rusa ekor putih. Studi kedua menunjukkan bahwa penggunaan kombinasi citra termal dan citra tampak dari drone meningkatkan akurasi deteksi hewan yang sulit teridentifikasi dibandingkan penggunaan citra tunggal.
Dalam jangka panjang AWIR diharapkan menjadi pusat kolaborasi global yang memungkinkan berbagai kelompok penelitian untuk berbagi sumber daya dan memperluas ketersediaan citra satwa liar dari drone. Dengan semakin meningkatnya jumlah penelitian yang menggunakan drone untuk survei satwa liar potensi pool data global yang dapat dihimpun melalui AWIR sangat besar. Platform ini juga dapat mendukung penelitian lanjutan dalam pengembangan algoritma AI untuk mendeteksi satwa liar yang lebih kecil satwa yang tersembunyi di bawah vegetasi serta perilaku spesifik satwa.
Dengan adanya AWIR peluang untuk penelitian dan aplikasi konservasi berbasis AI menjadi semakin terbuka luas. Kolaborasi yang difasilitasi oleh platform ini tidak hanya akan mendorong kemajuan dalam bidang konservasi satwa liar tetapi juga dapat menjadi contoh bagaimana teknologi dan data terbuka dapat digunakan untuk mengatasi tantangan global dalam konservasi dan pengelolaan lingkungan.
Sumber:
Leave a Reply