Bagian III: Aplikasi GeoAI (Bab 11-17) menyajikan berbagai aplikasi GeoAI dalam bidang kartografi dan pemetaan, transportasi, bantuan kemanusiaan, tanggap bencana
Bab 22 Pemikiran ke Depan tentang GeoAI oleh S. Newsam membahas pentingnya interaksi yang berkelanjutan antara komunitas yang membentuk bidang GeoAI,
tantangan penelitian interdisipliner, peran industri terutama yang berkaitan dengan etika, peluang jangka pendek dan menengah, dan beberapa perkembangan terbaru yang menarik dalam model AI generatif.
1.3 PERTANYAAN PENELITIAN DAN REFLEKSI TENTANG PERKEMBANGAN GEOAI
Pertanyaan utama yang mendorong perkembangan dan kontribusi dalam GeoAI adalah mengapa (geo-) spasial menarik dan penting dalam penelitian AI. Salah satu jawabannya mungkin karena lokasi geografis atau konteks spasial sering kali menjadi kunci untuk menghubungkan set data heterogen yang telah digunakan secara intensif untuk melatih model AI tingkat lanjut (Hu
et al., 2019b; Li dan Hsu, 2022). Smith(1984) merangkum penerapan AI pada pemecahan masalah geografis, penelitian, dan praktik dengan fokus pada pengambilan keputusan spasial cerdas secara individu dan agregat dari perspektif kognitif dan teknik. Pendekatan kognitif berfokus pada pemahaman sistem kognitif manusia dan pemodelan proses pengambilan keputusan, sedangkan pendekatan teknik berfokus pada pengembangan program komputer yang memiliki kemampuan untuk memahami, memproses, dan menghasilkan kecerdasan seperti manusia (misalnya, bahasa alamiah dan visi). Pendekatan sistematis mungkin diperlukan untuk mengintegrasikan keduanya. Beberapa aliran penelitian geospasial dapat mengambil manfaat dari penggunaan AI, termasuk (1) pengambilan keputusan individu dalam konteks spasial seperti "peta kognitif" lingkungan untuk pencarian jalan; (2) pemodelan perilaku manusia atau interaksi manusia-lingkungan menggunakan pendekatan representasi simbolis yang dapat memitigasi variasi lanskap lokal; (3) GIR dan penemuan berbasis teks dan gambar; (4) pengembangan model GeoAI berbasis jaringan syaraf tiruan yang mengandalkan lebih sedikit asumsi statistik; (5) Pendekatan pemodelan hibrida yang mengintegrasikan pemodelan proses sistem bumi dengan pendekatan pembelajaran berbasis data; dan (6) prediksi spasial yang cerdas di lingkungan yang tidak dapat diakses atau dengan pengamatan ilmiah yang terbatas.
Arahan penelitian ini masih berlaku hingga saat ini. Meskipun AI telah berkembang begitu cepat, membuat para ahli geografi mempercepat penelitian mereka untuk mengikuti tren teknologi terkini, kita mungkin juga perlu berhenti sejenak dan merefleksikan apa telah kita pelajari dalam beberapa tahun terakhir dan apa yang akan menjadi agenda penelitian GeoAI dalam 5-10 tahun ke depan? Pertanyaan-pertanyaan berikut ini dapat membantu komunitas untuk secara kolektif mengembangkan peta jalan untuk penelitian GeoAI dalam satu dekade ke depan:
•
Apa saja pertanyaan penelitian geografis utama yang sekarang dapat kita jawab
dengan lebih baik menggunakan AI daripada pendekatan tradisional?
•
Apa saja masalah geospasial yang belum terpecahkan yang sekarang dapat diselesaikan dengan AI?
•
Apa implikasi dari bidang AI yang berkembang pesat terhadap lanskap penelitian dan pendidikan geografi komputasi, geografi manusia, dan geografi fisik di masa depan?
•
Apakah ada teori baru atau pendekatan cerdas untuk membangun model spasial dan jalur analisis data dalam sistem informasi geografis?
•
Apa saja efek spasial yang dapat kita ambil dari pendekatan pembelajaran mesin (Li, 2022)?
•
Bagaimana kita dapat mereplikasi model GeoAI yang dikembangkan di satu lokasi ke lokasi lain mengingat heterogenitas spasial yang mendasari fenomena geografis (Goodchild dan Li, 2021)?
•
Jenis dataset dan prosedur apa yang diperlukan untuk melatih model fondasi geospasial yang besar (Mai
et al., 2023) dan apa bedanya dengan model fondasipada umumnya?
•
Bagaimana cara mendeteksi pemalsuan mendalam dalam data dan peta geospasial yang dihasilkan oleh AI (Zhao et al., 2021)?
•
Bagaimana cara mengurangi masalah konsumsi energi dan polusi udara yang disebabkan oleh pelatihan model GeoAI yang besar dan bergerak menuju pengembangan AI yang berkelanjutan (Van Wynsberghe, 2021)?
•
Apa saja isu-isu etis dalam pengembangan kecerdasan umum buatan (artificial general intelligence/AGI) dalam penalaran spasial dan pengambilan keputusan yang dapat dipercaya?
•
Bagaimana GeoAI dapat menjadi kekuatan untuk kebaikan sosial (Taddeo dan Floridi, 2018) dan ketahanan digital (Wright, 2016)?
•
Apa saja praktik terbaik untuk mengembangkan GeoAI yang bertanggung jawab sekaligus memitigasi risiko yang terlihat dan mengatasi masalah etika, empati, dan kesetaraan (Nelson et al., 2022)?
•
Terakhir, apa yang dimaksud dengan ilmu GeoAI?
1.4 RINGKASAN
Teknologi AI berkembang dengan cepat, dan metode serta kasus penggunaan baru
dalam GeoAI terus bermunculan. Sebagai peneliti GeoAI, kita tidak boleh hanya
memburu teknologi AI terbaru (Openshaw dan Openshaw, 1997), tetapi harus fokus
untuk mengatasi masalah geografis dan memecahkan tantangan besar yang dihadapi
masyarakat mencapai tujuan yang berkelanjutan. Kita juga membutuhkan upaya
penelitian untuk mengembangkan model GeoAI yang bertanggung jawab, tidak bias,
dapat dijelaskan, dan berkelanjutan untuk mendukung penemuan pengetahuan geografis
dan seterusnya (Janowicz et al., 2020, 2022; Li et al,
2021b). Buku panduan ini selesai pada pertengahan tahun 2023. Meskipun kami tidak dapat merangkum semua penelitian GeoAI dalam satu buku panduan ini, kami berharap buku ini dapat memberikan gambaran tentang penelitian GeoAI saat ini dan membantu menstimulasi penelitian-penelitian di masa depan di tahun-tahun mendatang.
1.5 DAFTAR ALAT GEOAI DAN SUMBER DAYA
Di sini, kami mencantumkan satu set dataset, alat, dan sumber daya sumber terbuka yang mungkin berguna bagi siswa yang tertarik dengan GeoAI. Daftar berikut ini tidak lengkap dan dimaksudkan sebagai titik awal untuk eksplorasi dan bukan sebagai koleksi yang lengkap.
DATASET
• GeoImageNet:
https:
//github.com/ASUcicilab/GeoImageNet, sebuah dataset benchmark fitur alami multi-sumber (misalnya cekungan, teluk, pulau, danau, punggungan, dan lembah) untuk GeoAI dan pembelajaran mesin yang diawasi (Li dkk., 2022).• BigEarthNet: https://bigearth.net, sebuah arsip benchmark yang terdiri dari lebih dari 590 ribu pasang patch citra Sentinel-1 dan Sentinel-2 yang telah dianotasi dengan multi-label dari tipe tutupan lahan CORINE untuk mendukung studi deep learning di bidang penginderaan jauh (Sumbul et al., 2019).
• EarthNets: https://earthnets.github.io, sebuah platform sumber terbuka yang terhubung dengan ratusan dataset, model pembelajaran mendalam yang telah dilatih sebelumnya, dan berbagai tugas dalam Observasi Bumi (Xiong et al., 2022).
• Microsoft Building Footprints: footprintshttps://www.microsoft.com/maps/building- , tim Microsoft Maps & Geospatial merilis dataset jejak bangunan terbuka dalam format GeoJSON di Amerika Serikat, Kanada, Australia, serta banyak negara di Afrika dan Amerika Selatan.
• ArcGIS Living Atlas: https://livingatlas.arcgis.com, sebuah koleksi besar informasi geografis (termasuk peta, aplikasi, dan lapisan data GIS) dari seluruh dunia. Ini juga mencakup seperangkat model pembelajaran mendalam yang telah terlatih untuk aplikasi geospasial seperti klasifikasi penggunaan lahan, segmentasi pohon, dan ekstraksi tapak bangunan.
• MoveBank: https://www.movebank.org, sebuah platform yang diarsipkan untuk umum yang berisi lebih dari 300 set data yang menggambarkan perilaku pergerakan 11 ribu hewan.
Lintasan GPS Geolife: https://www.microsoft.com/research/
publication/geolife-gps-trajectory-dataset-user-guide, dataset terbuka ini berisi 17.621 lintasan GPS oleh 182 pengguna dalam jangka waktu lebih dari tiga tahun dengan label aktivitas seperti belanja, jalan-jalan, makan, hiking, dan bersepeda (Zheng dkk., 2010).
• Arus Perjalanan: https://github.com/GeoDS/COVID19USFlows, dataset arus populasi asal- ke-tujuan yang dinamis dan multiskala (dikumpulkan dalam tiga skala geografis: wilayah, wilayah, dan negara bagian; diperbarui setiap hari dan setiap minggu) di Amerika Serikat selama pandemi COVID-19 (Kang et al., 2020).
-
ALAT BANTU, PUSTAKA DAN KERANGKA KERJA
•
Scikit-learn
: https://scikit-learn.org, terdiri dari alat pembelajaran mesin yang sederhana dan efisien, termasuk klasifikasi, regresi, pengelompokan, reduksi dimensi, prapemrosesan data, dan metrik evaluasi model dalam bahasa Python.• PyTorch: https://pytorch.org, sebuah kerangka kerja komputasi untuk membangun mesin dan model pembelajaran mendalam di Python.
• Tensorflow: https://www.tensorflow.org, kerangka kerja komputasi lain untuk membangun model mesin dan deep learning.
• Keras: https://keras.io, sebuah Application Pro- gramming Interface (API) jaringan saraf tingkat tinggi yang efektif dalam bahasa Python dan mudah dipelajari dan digunakan oleh sebagian besar pemula dalam bidang mesin dan deep learning.
• Hugging Face: https://huggingface.co, komunitas AI yang membangun, melatih, dan menggunakan model-model mutakhir (misalnya, transformator yang sudah dilatih sebelumnya) yang didukung oleh referensi sumber terbuka dalam mesin dan pembelajaran mendalam.
• Google Earth Engine: https://earthengine.google.com, sebuah katalog multi-petabyte dari citra satelit dan set data geospasial dengan kemampuan analisis skala planet dan API Earth Engine untuk geokomputasi dan analisis yang tersedia dalam JavaScript dan Python, misalnya, paket geemap oleh Wu (2020).
• ArcGIS GeoAI Toolbox: https://pro.arcgis.com/en/pro-app/latest/tool- reference/geoai, berisi alat yang siap pakai untuk melatih dan menggunakan mesin/deep learning yang melakukan klasifikasi dan regresi pada lapisan fitur geospasial, citra, tabel dan dataset teks.
PLATFORM KOMPUTASI
• Google Colab: https:
//research.google.com/colaboratory, sebuah platform terbuka untuk mengembangkan model pembelajaran mesin, analisis data, dan sumber-sumber pendidikan dengan antarmuka Web yang mudah digunakan dan didukung oleh komputasi awan.
• CyberGISX:
https:
//cybergisxhub.cigi.illinois.edu, sebuah platform terbuka untuk mengembangkan dan berbagi sumber daya pendidikan terbuka (misalnya, Jupyter Notebooks) tentang analisis geospasial yang intensif dan dapat direproduksi serta alur kerja yang didukung oleh perangkat lunak CyberGIS dan infrastruktur siber (Baig dkk., 2022;Wang dkk., 2013).