Memfasilitasi biologi makrosistem dengan penginderaan jarak jauh udara skala organisme: Tantangan dan peluang

Abstrak

1. PENDAHULUAN
Biologi skala makrosistem sering mengabaikan dinamika organisme individu yang menyusun ekosistem karena paling mudah untuk mengamati sistem pada skala besar menggunakan resolusi spasial dan spektral yang lebih kasar. Namun, dinamika kritis, seperti mortalitas, rekrutmen, pertumbuhan, kompetisi, dan interaksi ekologi lainnya, terjadi pada skala organisme individu. Dinamika skala individu ini menghasilkan sifat ekosistem yang muncul, seperti ukuran populasi, distribusi sifat, dan fluks energi dan air (Johnston, 2024 ; Strigul et al., 2008 ; Zheng et al., 2024 ). Tanpa memahami dinamika skala organisme, respons sifat yang muncul terhadap perubahan alami dan antropogenik dapat diprediksi secara tidak tepat (Clark et al., 2021 ; Dumandan et al., 2024 ).

Penginderaan jauh organisme untuk biologi makrosistem memerlukan data penginderaan jauh yang dapat diakses dan cukup luas untuk menangkap variasi lingkungan dalam ruang dan waktu, dan informasi terperinci tentang individu untuk menguatkan data dan model. Saat ini, pengamatan lapangan pada skala organisme sering kali terlalu jarang melalui ruang dan waktu untuk analisis makrosistem lintas situs, lintas skala yang sering terjadi secara temporal. Di ujung spektrum yang lain, data satelit multispektral yang tersedia secara luas memungkinkan bekerja lintas situs dan skala yang sering terjadi tetapi hampir selalu terlalu kasar secara spasial untuk mengamati organisme individu. Penginderaan jauh resolusi spasial tinggi dari UAV, pesawat terbang, dan satelit komersial berpotensi menjembatani kesenjangan ini antara interpretasi penginderaan jauh satelit resolusi kasar yang tersedia di mana-mana pada interval waktu yang sering dan data lapangan terperinci (tetapi jarang secara spasial dan temporal) pada individu (Hollings et al., 2018 ). Dengan demikian, ia menawarkan kesempatan untuk mendeteksi, menggambarkan, dan mengkarakterisasi organisme dan interaksinya satu sama lain dan lingkungan pada skala spasial besar yang diperlukan untuk analisis skala makro.

Penginderaan jarak jauh organisme individu menawarkan keuntungan penting untuk penelitian, pengelolaan, dan konservasi ekologi dan melengkapi penginderaan jarak jauh yang terjadi pada skala piksel, tegakan, dan lanskap. Pertama, penginderaan jarak jauh organisme secara langsung mengukur individu dan sifat-sifatnya daripada menyimpulkannya secara tidak langsung dari sifat skala piksel dan/atau asosiasi habitat. Dengan demikian, penginderaan jarak jauh ini menyediakan data langsung untuk memantau individu, keanekaragaman hayati, ukuran populasi, dan karakteristik lainnya pada skala spasial yang besar. Pengamatan langsung ini dapat digunakan sebagai masukan untuk model dan untuk validasi prediksi tidak langsung, misalnya yang dihasilkan dari kesimpulan dari asosiasi habitat dan iklim. Kedua, banyak sifat populasi dan ekosistem, seperti komposisi komunitas, merupakan produk demografi, pertumbuhan, mortalitas, dan reproduksi individu. Metode penginderaan jarak jauh tidak langsung memperkirakan tingkat demografi dari sifat-sifat seperti perubahan ketinggian hutan (pertumbuhan) dan perkiraan kayu mati dalam piksel (mortalitas), tetapi penginderaan jarak jauh skala organisme menawarkan peluang untuk pengukuran langsung demografi untuk individu yang berlokasi secara spasial. Misalnya, citra penginderaan jarak jauh yang dikumpulkan pada beberapa waktu telah digunakan untuk memantau pertumbuhan dan kelangsungan hidup ribuan tanaman individu (Kellner & Hubbell, 2017 ; Olsoy et al., 2024 ; Rosen et al., 2025 ), efek interaksi lingkungan pada demografi (Bergmüller & Vanderwel, 2023 ) dan reproduksi burung melalui kejadian bersarang (Ernest et al., 2025 ). Ketiga, pengamatan langsung individu dan identitas spesiesnya dapat meningkatkan data untuk memahami kejadian spesies saat ini dan memantau dan memprediksi perubahan populasi dan distribusi spesies. Model distribusi spesies (SDM) adalah alat kuantitatif umum yang memodelkan distribusi spasial spesies berdasarkan variabel lingkungan tempat ia berada. Sementara data penginderaan jauh semakin banyak digunakan untuk informasi guna menggambarkan kondisi lingkungan yang prediktif (misalnya habitat, tipe vegetasi, iklim, Randin et al., 2020 ), penginderaan jauh organisme dapat dimanfaatkan untuk menghasilkan informasi respons dari data kemunculan dan ketidakhadiran spesies (He, Bradley, et al., 2015 ). Akhirnya, data organisme dari penginderaan jauh dapat secara langsung mendukung upaya konservasi satwa liar dan hutan serta pengelolaan sumber daya dengan menghasilkan data individu dan populasi yang terperinci dan luas secara spasial. Contohnya termasuk jalur pemrosesan data otomatis dari video drone yang mendukung pelacakan dan pemantauan satwa liar (Gonzalez et al., 2016 ) dan menghasilkan atribut pohon untuk pengelolaan pohon perkotaan (Ciesielski & Sterenczak, 2019 ) dan kehutanan (Vepakomma et al., 2023 ).

Meskipun penggunaan penginderaan jarak jauh beresolusi tinggi untuk memantau individu merupakan pendekatan yang menjanjikan untuk memajukan biologi makrosistem, menghasilkan data skala organisme secara terus-menerus pada skala spasial yang besar dan seiring waktu merupakan tantangan tersendiri. Menerjemahkan produk penginderaan jarak jauh ke properti skala organisme yang menarik dapat menjadi hal yang sulit, dan banyak pendekatan dari ilmu komputer yang dirancang untuk mengatasi kesulitan ini perlu diadaptasi untuk menangani kompleksitas sistem ekologi nyata pada skala besar. Untuk mengatasi masalah ini, kami telah mengumpulkan tim multidisiplin yang terdiri dari ahli ekologi, ilmuwan komputer, dan spesialis penginderaan jarak jauh yang telah bekerja sama dalam jangka waktu yang lama, terinspirasi oleh kebutuhan untuk memantau burung pada skala besar di Everglades dan ketersediaan data dari Jaringan Observatorium Ekologi Nasional AS (NEON). NEON menawarkan penginderaan jarak jauh dan produk lapangan lintas situs yang tersedia secara bebas ( https://www.neonscience.org/data ; Barnett et al., 2019 ; Kampe et al., 2010 ) yang telah sangat mempercepat kemajuan bidang ini (Dantzer et al., 2023 ), tetapi juga mengungkap tantangan dalam mencapai prediksi skala besar sifat skala organisme dari waktu ke waktu. Dalam makalah ini, kami secara singkat mensurvei keadaan seni penginderaan jarak jauh skala organisme melalui deteksi langsung tanaman dan hewan individu, kemudian menyoroti tantangan inti untuk penginderaan jarak jauh organisme skala makro dan membahas solusi dan peluang berdasarkan kolaborasi interdisipliner kami. Kami memfokuskan diskusi kami pada pohon dan satwa liar besar karena ini adalah dua kelompok utama yang dipelajari menggunakan pendekatan ini.

2 KEADAAN TERKINI MENGENAI PENGINDERAAN JARAK JAUH SKALA ORGANISME
2.1 Data dan platform penginderaan jarak jauh
Kami mendefinisikan penginderaan jarak jauh sebagai teknologi yang mengumpulkan data digital dari atas permukaan bumi. Jenis data meliputi sensor pasif (misalnya RGB/tampak, multispektral, hiperspektral) yang merekam pantulan sinar matahari, dan sensor aktif (misalnya lidar, radar) yang memancarkan energi dan mengukur pengembalian. Sebagian besar tinjauan ini difokuskan pada penginderaan jarak jauh optik di mana produk datanya adalah gambar digital dengan properti tertentu, seperti ukuran piksel (resolusi spasial), ukuran gambar (luas spasial), jumlah dan lebar saluran panjang gelombang (resolusi spektral) dan frekuensi pengambilan data (resolusi temporal). Tantangan utama dalam penginderaan jarak jauh adalah trade-off antara resolusi spasial, spektral, dan temporal. Untuk penginderaan jarak jauh organisme, resolusi spasial yang tinggi sangat penting, tetapi sering kali mengorbankan resolusi spektral dan/atau temporal yang lebih rendah. Misalnya, citra RGB atau multispektral berbasis UAV menawarkan resolusi spasial tingkat sentimeter yang ideal untuk mendeteksi individu tetapi memiliki cakupan temporal yang terbatas dan luas spasial yang berkurang karena ketinggian terbang yang rendah. Kampanye udara memperluas cakupan (dan karenanya variasi lingkungan) dan dapat mencakup data spektral (misalnya hiperspektral) dan struktural (misalnya lidar) yang lebih kaya yang berguna untuk membedakan objek berdasarkan komposisi kimia dari rentang panjang gelombang yang luas yang dicakup oleh data hiperspektral, atau fitur struktural yang berasal dari lidar. Platform satelit menawarkan cakupan spasial dan temporal yang lebih luas, tetapi citra resolusi spasial tinggi sering kali dibatasi secara komersial dan terbatas secara spektral, sebagian besar pada pita RGB atau multispektral kasar. Kompromi inheren ini di seluruh domain spasial, spektral, dan temporal, dan antara platform dan sensor yang berbeda, merupakan kendala mendasar dalam penginderaan jarak jauh organisme dan membentuk bagaimana dan di mana individu dapat dideteksi secara efektif.

2.2 Deteksi dan penggambaran
Penginderaan jarak jauh skala organisme memerlukan kemampuan untuk mendeteksi keberadaan dan menggambarkan batas-batas organisme dalam suatu citra. Ini memerlukan resolusi spasial yang tinggi di mana ukuran piksel lebih kecil dari organisme dan terdapat cukup piksel untuk mewakili individu dengan jelas. Dengan data resolusi spasial yang tinggi, organisme individual dapat dideteksi dan dipisahkan dari latar belakang atau organisme lain berdasarkan fitur unik. Dua kelompok utama—pohon dan satwa liar besar—telah mengalami perkembangan paling besar, terutama karena ukuran organisme yang besar relatif terhadap resolusi spasial citra. Banyak studi kasus telah menunjukkan kemampuan untuk mendeteksi dan menggambarkan pohon-pohon individual dan umumnya memerlukan citra dengan resolusi spasial 1 meter atau kurang karena beberapa piksel dapat ditetapkan secara unik ke satu tajuk pohon (Zhao et al., 2023 ; Zheng et al., 2024 ). Demikian pula, hewan besar, seperti ternak, burung besar, dan mamalia laut dapat dideteksi dengan data dari 1 hingga 2,5 m (Ocholla et al., 2024 ; Xu et al., 2024 ). Setelah individu terdeteksi dan digambarkan, informasi tentang lokasi spasial dan ukurannya dapat dianalisis untuk mengukur pola biologis dan ekologis yang berharga. Ini termasuk jumlah individu dalam suatu populasi, kepadatan dan ukuran individu di seluruh gradien lingkungan, pengelompokan atau penyebaran spasial, dan ukuran atau distribusi usia populasi (Brandt et al., 2020 ; McDowall & Lynch, 2017 ; Ocholla et al., 2024 ; Wu et al., 2023 ; Xu et al., 2024 ).

2.3 Ekstraksi fitur
Bahasa Indonesia: Setelah mengidentifikasi apakah dan di mana organisme ada, langkah umum berikutnya adalah mengekstrak karakteristik atau fitur dari piksel yang mewakili setiap organisme. Fitur-fitur ini dapat mencakup identitas spesies atau kelompok taksonomi, komposisi kimia dan struktural, dan posisi vertikal seperti tinggi dan elevasi organisme (Olsoy et al., 2024 ; Wang et al., 2020 ). Ini dapat menghasilkan generalisasi informasi organisme ke skala spasial yang luas dan seiring waktu, memperluas cara kita mempelajari sistem ekologi, seperti dengan menghasilkan informasi skala besar tentang keanekaragaman hayati ekosistem (Gamon et al., 2020 ) dan dinamika (Huang et al., 2019 ). Seperti halnya tugas deteksi dan penggambaran, tujuannya sering kali adalah untuk menemukan pola dalam data melalui model yang dilatih dan divalidasi dengan data berlabel. Ini memungkinkan identifikasi fitur-fitur spesifik di seluruh set data dan dengan demikian menghasilkan peta fitur yang diinginkan secara berkelanjutan dan eksplisit secara spasial. Pendekatan pemodelan telah berevolusi selama beberapa dekade, secara umum dari pembelajaran statistik (misalnya Kemungkinan Maksimum) ke pembelajaran mesin (misalnya Hutan Acak) ke pendekatan pembelajaran mendalam (Fassnacht et al., 2016 ; Kattenborn et al., 2021 ; Zheng et al., 2024 ; Zhong et al., 2024 ). Meskipun ada kemajuan besar dalam metode deteksi/penggambaran dan ekstraksi fitur dengan data penginderaan jauh, masalah utamanya adalah bahwa hampir semua pencapaian canggih ini terbatas pada studi situs tunggal (Hodgson et al., 2018 ; Kellenberger et al., 2018 ). Untuk analisis skala makro, data organisme diperlukan pada skala spasial yang besar dan di banyak lokasi untuk memungkinkan analisis lintas skala dan lintas situs. Meskipun masih ada tantangan yang harus diatasi dengan studi situs tunggal (lihat Tantangan 1, 2, 5), perluasannya ke aplikasi skala makro menimbulkan tantangan tambahan, termasuk perlunya integrasi data yang kuat, generalisasi model, dan skalabilitas komputasi (lihat Tantangan 3, 4).

3 TANTANGAN PENGINDERAAN JAUH ORGANISME
Bagian ini menguraikan beberapa tantangan yang terkait dengan penginderaan jauh organisme pada skala makrosistem (Tabel 1 , Gambar 1 ). Banyak dari tantangan ini berlaku untuk aplikasi penginderaan jauh lainnya, dan dalam tinjauan ini, kami fokus pada bagaimana tantangan ini muncul dengan tugas-tugas kompleks untuk menghasilkan informasi terperinci tentang individu dari berbagai dan kumpulan data penginderaan jauh dan lapangan yang besar. Tantangan meliputi: merekonsiliasi karakterisasi organisme berbasis darat dan berbasis gambar (Tantangan 1), kurangnya akses ke kumpulan data yang besar dan berbeda untuk pelatihan dan pengujian algoritma (Tantangan 2), mengatasi tantangan data lapangan yang terbatas (Tantangan 3), mentransfer model lintas geografi (Tantangan 4), memanfaatkan beragam data sensor (Tantangan 5), mengintegrasikan pengetahuan ekologi yang tidak tertangkap dalam data gambar (Tantangan 6) dan menyebarkan ketidakpastian (Tantangan 7). Akhirnya, seperti banyak tujuan penelitian ekologi dan makrosistem skala besar, mengatasi tantangan ini akan memerlukan kolaborasi yang disengaja antara ilmuwan komputer dan ahli ekologi (Tantangan 8).

Nama	Tantangan	Peluang
1. Berbagai cara penginderaan jarak jauh dibandingkan dengan data lapangan dalam melihat ekosistem	Data yang diambil dari atas mewakili atribut organisme yang berbeda dari apa yang diukur dari tanah	Hasilkan aturan skala perspektif, seperti diameter ke allometri mahkota Targetkan kanopi untuk pengumpulan data lapangan Menyesuaikan pertanyaan ekologi dengan data yang tersedia dari perspektif berbasis penginderaan jarak jauh
2. Ketersediaan dan akses data sensor terbatas	Data lapangan yang sesuai dan data penginderaan jauh resolusi spasial tinggi tidak mudah diakses	Pemanfaatan data lapangan dan penginderaan jarak jauh yang lebih besar dan terintegrasi Pengembangan database kolaboratif untuk menyertakan data geografis dan gambar
3. Data pelatihan tidak memadai untuk pendekatan pembelajaran mendalam	Ukuran sampel kecil, terutama untuk kelas atau atribut langka	Pembelajaran aktif untuk memandu pengambilan sampel lapangan baru yang efisien Diversifikasi cara menghasilkan data pelatihan Pendekatan pengawasan mandiri dan semi-supervisi
4. Transferabilitas geografis	Atribut dan kemunculan organisme bervariasi di berbagai ruang dan waktu	Buka kumpulan data benchmark untuk menangkap variasi Model pondasi dengan fine-tuning
5. Transfer/penggabungan sensor	Sebagian besar aplikasi khusus untuk sensor tunggal atau alur kerja multi-langkah yang disesuaikan	Multi-moda, multi-tugas Pembelajaran kontrastif Transformator penglihatan
6. Integrasi pengetahuan	Metode terbatas untuk menemukan pola dalam data gambar dan kurang memiliki konteks ekologi yang bermanfaat	Neuro-simbolis AI berbasis pengetahuan
7. Menyebarkan ketidakpastian	Data organisme keluaran mengandung banyak tingkat ketidakpastian	Sertakan ketidakpastian model dari berbagai tahap Validasi di luar distribusi
8. Kolaborasi interdisipliner	Pertanyaan, bahasa, dan keterampilan berbeda di antara bidang-bidang (ekologi, ilmu komputer, penginderaan jarak jauh)	Kumpulan data yang dikurasi dan pelatihan langsung Berbagai jenis, format, dan durasi kesempatan pelatihan interdisipliner

3.1 Tantangan 1. Perbedaan sudut pandang ekosistem dalam penginderaan jarak jauh dibandingkan data lapangan
Pandangan menyeluruh dari data penginderaan jauh yang dikumpulkan dari UAV, pesawat terbang, dan satelit memungkinkan pengamatan skala besar, tetapi memberikan sudut pandang yang berbeda pada suatu ekosistem dibandingkan dengan data lapangan (Brandt et al., 2025 ; Lines et al., 2022 ). Dengan demikian, data lapangan dan penginderaan jauh sering mengukur komponen ekosistem yang berbeda dan sifat organisme yang berbeda. Misalnya, untuk pohon, penginderaan jauh pasif (yang mengukur energi pantulan dari permukaan) umumnya menangkap pohon tajuk dan sifat tajuk atas, dengan kemampuan terbatas untuk mengamati pohon subtajuk dan strukturnya (Helman, 2018 ; Lin et al., 2025 ; Liu et al., 2023 ). Sebaliknya, penilaian lapangan paling sering mengukur komponen ekosistem yang mudah diakses dari tanah, seperti tanaman tingkat bawah dan diameter batang (diameter setinggi dada; DBH) pohon tajuk. Yang penting, teknologi penginderaan jauh aktif, seperti lidar, dapat menembus tajuk dan ketika dikumpulkan pada UAV atau pesawat terbang, memberikan resolusi spasial yang diperlukan untuk mendeteksi sifat-sifat lantai hutan dan pengukuran berbasis batang (Kuželka et al., 2020 ; Xiang et al., 2024 ), dengan demikian memungkinkan penyelarasan yang lebih baik antara pengukuran lapangan dan jarak jauh. Demikian pula, untuk satwa liar, pengamatan udara dapat dikaburkan oleh vegetasi, sementara pengamatan darat terbatas pada organisme dalam pandangan atau jangkauan. Rekonsiliasi sudut pandang pemantauan darat dan jarak jauh diperlukan untuk menafsirkan gambar penginderaan jauh dalam hal pengukuran lapangan tradisional, seperti ukuran tubuh (DBH untuk pohon, massa tubuh untuk satwa liar), yang digunakan dalam model ekologi dan rencana pengelolaan. Ini juga menantang para ahli ekologi untuk mengembangkan teori, model, dan pendekatan yang cocok untuk data penginderaan jauh (Cavender-Bares et al., 2025 ) dan untuk fokus pada validasi lapangan yang sesuai untuk produk penginderaan jauh. Selain itu, penyelarasan spasial data lapangan dan data penginderaan jauh dapat menjadi kendala utama dalam mengintegrasikan data organisme lapangan dan penginderaan jauh untuk interpretasi dan validasi (Marconi et al., 2019 ; Pau et al., 2022 ; Schweiger, 2020 ). Meskipun ada kemajuan dalam GPS/GNSS dan penentuan posisi spasial, ketidakselarasan antara data lapangan dan data udara untuk menghubungkan informasi organisme individual ke piksel untuk pelatihan model dan pelacakan lokasi secara tepat sepanjang waktu tetap menjadi masalah di mana-mana yang memengaruhi analisis selanjutnya. Demikian pula, ketidakcocokan temporal antara data darat dan penginderaan jauh dapat terjadi ketika data validasi lapangan dan gambar dikumpulkan pada musim yang berbeda atau tahun yang berbeda, sehingga ukuran, atribut, dan lokasi organisme mungkin berbeda antara dua set data.

3.1.1 Solusi dan peluang
Memahami hubungan antara data yang dapat dideteksi dari penginderaan jarak jauh versus seluruh properti ekosistem dapat mengatasi beberapa keterbatasan antara mengintegrasikan data lapangan dan penginderaan jarak jauh dan memperdalam pemahaman tentang properti ekosistem. Salah satu cara untuk menyelaraskan pengamatan yang diperoleh dari lapangan dan penginderaan jarak jauh pada organisme adalah dengan menandai individu untuk visibilitas dalam data penginderaan jarak jauh, baik dengan menandai individu secara fisik atau termasuk informasi tentang visibilitas dalam data lapangan. Misalnya, menandai lokasi sarang dengan warna yang khas sebelum penerbangan drone untuk membantu memasangkan sarang tertentu dengan data yang dikumpulkan dari jarak jauh (Ernest et al., 2025 ), dan menunjukkan lokasi tajuk dalam data plot inventarisasi hutan (Ni-Meister et al., 2024 ; Scholl et al., 2020 ; Weinstein et al., 2024 ). Ini akan membantu mengatasi tantangan dengan data inventaris lapangan seperti NEON, di mana data lapangan mencakup lokasi geografis untuk setiap pohon yang diinventarisasi, tetapi posisi di tajuk tidak disertakan secara konsisten dan oleh karena itu asumsi harus dibuat tentang posisi tajuk berdasarkan ukuran pohon, tinggi dan interpretasi visual gambar (Weinstein et al., 2024 ). Idealnya, data lapangan dapat dikumpulkan agar bertepatan dengan data gambar (Chadwick et al., 2020 ), tetapi ketika itu tidak memungkinkan, pertimbangan yang cermat, idealnya diinformasikan oleh data, tentang bagaimana variabel organisme yang diminati bervariasi secara musiman atau antartahunan penting untuk menghasilkan prediksi yang kuat (Yang et al., 2016 ).

Model dapat dikembangkan untuk menghubungkan informasi yang dikumpulkan melalui satu sudut pandang dengan data yang dikumpulkan di sudut pandang lain. Misalnya, menggunakan hubungan alometrik berbasis lapangan antara diameter (pengukuran lapangan) dan luas tajuk (diindera jauh) untuk memprediksi data DBH dari data penginderaan jauh dan sebaliknya (Jucker et al., 2017 ). Model juga dapat dikembangkan untuk menghubungkan estimasi lapangan dan penginderaan jauh dari variabel yang sama (misalnya jumlah individu) untuk lebih memahami bagaimana hitungan dari satu sudut pandang berhubungan dengan hitungan dari sudut pandang lain. Sementara perbedaan dalam pengukuran yang dimungkinkan dari penginderaan jauh dan studi lapangan merupakan batasan yang melekat, perspektif yang berbeda juga membuka peluang. Mengumpulkan data di lapangan dapat melelahkan, menantang secara teknis, dan bahkan berbahaya, membatasi ukuran sampel dan akses ke informasi penting. Misalnya, mengukur kimia daun dari pohon tajuk memerlukan peralatan seperti senapan atau orang yang memanjat pohon untuk mengakses bahan daun, sementara pemantauan satwa liar dapat memerlukan pendakian pohon, tebing, atau terbang dengan pesawat kecil. Namun, setelah dikalibrasi dengan data lapangan yang sulit diukur, data penginderaan jarak jauh dapat memperkirakan kimia daun untuk jutaan pohon tajuk individu atau mengukur ukuran populasi atau aktivitas reproduksi, sehingga akhirnya memungkinkan jawaban atas pertanyaan tentang bagaimana pola lingkungan skala besar mendorong kimia tajuk (Wang et al., 2020 ) atau melacak pergerakan hewan migrasi skala lanskap di seluruh ekosistem yang beragam (Wu et al., 2023 ).

3.2 Tantangan 2. Ketersediaan dan akses data sensor terbatas
Penting bagi kemampuan untuk melakukan penginderaan jarak jauh organisme pada skala makrosistem adalah memiliki data sensor resolusi spasial tinggi di banyak lokasi yang tersedia bagi para ilmuwan dengan keterampilan untuk menggunakan data secara efektif. Studi terbaru telah menggunakan data satelit komersial resolusi spasial tinggi yang tersedia (meskipun mahal) untuk deteksi dan penggambaran organisme pada skala yang luas, seperti deteksi pohon di seluruh Afrika (Brandt et al., 2020 ). Sementara mendeteksi organisme sering kali dapat dilakukan secara efektif hanya dengan menggunakan data RGB, mengidentifikasi fitur beberapa organisme dan mendeteksi organisme kriptik sering kali memerlukan sensor yang lebih canggih termasuk sensor multi dan hiperspektral, lidar dan termal. Kedua sensor ini kurang tersedia secara luas daripada RGB dan cenderung lebih berbeda dalam detail sensor (misalnya perbedaan jumlah pita pada sensor multi/hiperspektral). Dengan demikian, studi situs tunggal adalah norma untuk pengumpulan data dengan sensor tertentu, membatasi studi lintas situs atau lintas skala. Lebih jauh, meskipun data lapangan berkualitas tinggi yang dapat dihubungkan dengan penginderaan jarak jauh sering kali tersedia di berbagai studi dan kelompok penelitian, data tersebut biasanya tidak digabungkan ke dalam kompilasi data untuk penggunaan yang lebih luas oleh komunitas penginderaan jarak jauh ekologis, dan umumnya tidak termasuk lokasi yang pengumpulan datanya sulit dan mahal (daerah yang terpencil, terjal, berawan terus-menerus, atau dalam konflik). Terakhir, resolusi spasial data yang dapat digunakan dengan mudah oleh banyak peneliti dan praktisi konservasi, yang sebagian besar tersedia secara bebas, data satelit frekuensi temporal tinggi multispektral (misalnya Landsat dan Sentinel), terlalu kasar untuk deteksi langsung organisme (10–30 m).

3.2.1 Solusi dan peluang
Kemajuan dalam banyak aplikasi ekologi sering kali disertai dengan pengembangan dan penggunaan perangkat lunak dan kumpulan data sumber terbuka dan gratis (Rocchini et al., 2017 ). Kumpulan data terbuka yang besar dapat dikembangkan baik melalui pengumpulan terkoordinasi skala besar atau melalui kolaborasi dan kompilasi proyek tingkat situs individual. Untuk pengumpulan terkoordinasi, NEON telah memajukan bidang penginderaan jauh organisme melalui investasinya dalam pengumpulan data penginderaan jauh dan lapangan yang diperlukan secara bersamaan di banyak situs dan membuat data tersedia secara terbuka. Sementara sebagian besar penelitian terbatas pada satu atau beberapa situs, NEON telah memungkinkan kemajuan dalam penggunaan data hiperspektral dan lidar untuk menghasilkan data spasial sifat daun (Marconi et al., 2021 ; Wang et al., 2020 ), komposisi spesies pohon (Weinstein et al., 2024 ), struktur hutan (Yao et al., 2018 ) dan kematian pohon (Khatri-Chhetri et al., 2024 ). Upaya pengumpulan data skala besar terjadi dalam pemantauan satwa liar, tetapi citranya biasanya tidak tersedia secara terbuka. Kompilasi data lapangan untuk proyek tingkat situs yang didorong oleh keinginan untuk kolaborasi dan/atau persyaratan pendanaan semakin umum dalam ekologi dan mencakup kumpulan data yang telah menghasilkan kemajuan besar dalam studi skala besar (misalnya ciri organisme dalam TRY, https://www.try-db.org/ ; reflektansi spektral dalam ECOSIS, https://ecosis.org/ ). Namun, dalam studi di mana data dikaitkan dengan kampanye penginderaan jauh, menghasilkan informasi skala makro terhambat oleh kurangnya citra penginderaan jauh terbuka dengan informasi geospasial terkait pada data organisme yang dikumpulkan di lapangan. Repositori seperti NASA ORNL DAAC ( https://daac.ornl.gov/ ) memiliki beberapa data penginderaan jauh yang tersedia untuk umum dengan data lapangan terkait, tetapi biasanya dengan data lapangan tingkat plot daripada tingkat organisme. Kompilasi terbuka data penginderaan jarak jauh organisme dan label untuk pohon saat ini masih jarang, tetapi upaya terkini mencakup OAM-TCD ​​(Veitch-Michaelis et al., 2024 ) dan deadtrees.earth (Mosig et al., 2024 ). Upaya seperti ini bahkan lebih jarang dilakukan dalam penginderaan jarak jauh satwa liar.

3.3 Tantangan 3. Data pelatihan tidak mencukupi untuk pendekatan pembelajaran mendalam
Bahasa Indonesia: Sementara model statistik dan berbagai pembelajaran mesin telah dikembangkan untuk mengeksekusi berbagai komponen alur kerja yang mengubah data penginderaan jauh menjadi data organisme, model pembelajaran mendalam, khususnya untuk tugas-tugas seperti segmentasi, deteksi, dan klasifikasi organisme individual, semakin menjadi pendekatan standar dalam alur kerja penginderaan jauh organisme (Sun et al., 2022 ; Wagner et al., 2019 ; Weinstein et al., 2019 ; Yun et al., 2024 ). Tantangan utama algoritma pembelajaran mendalam, berbeda dengan pendekatan yang lebih tradisional, adalah bahwa mereka biasanya memerlukan sejumlah besar data pelatihan berlabel. Data berlabel mengacu pada gambar atau data lain di mana fitur yang diinginkan, seperti batas individu, identitas spesies atau sifat organisme lainnya, diidentifikasi dan diberi anotasi untuk memberikan kebenaran dasar untuk melatih model (Safonova et al., 2023 ). Informasi gambar, seperti nilai piksel reflektansi, untuk data berlabel ini diekstraksi dan digunakan untuk pelatihan dan validasi model. Namun, untuk skala spasial besar yang dicakup dalam penginderaan jarak jauh organisme skala makro, data lapangan berlabel sangat terbatas karena pengumpulan data lapangan memakan waktu, terutama di area dengan aksesibilitas fisik terbatas, dan sering kali memerlukan keahlian khusus lokasi (taksonomi; perilaku) atau kerja laboratorium (kimia daun kanopi). Selain itu, beberapa ciri organisme, seperti identitas spesies, memiliki distribusi yang sangat miring di alam (Callaghan et al., 2023 ); oleh karena itu, data pelatihan hampir selalu juga sangat miring, yang mengarah pada prediksi berlebih dari label umum dan prediksi yang kurang dan ketidakpastian yang tinggi pada label langka (Graves et al., 2016 ).

3.3.1 Solusi dan peluang
Karena tidak mungkin untuk mengumpulkan jumlah data lapangan yang diperlukan untuk pembelajaran mendalam dari studi tunggal mana pun, ekologi harus merangkul pendekatan yang berbeda untuk menghasilkan data pelatihan untuk model pembelajaran mendalam. Untuk meningkatkan nilai setiap titik lapangan tambahan yang dikumpulkan, pendekatan human-in-the-loop dan pembelajaran aktif dapat digunakan untuk memandu pengambilan sampel lapangan berdasarkan prediksi dan ketidakpastian model (Malek et al., 2019 ; Mosqueira-Rey et al., 2023 ; White et al., 2024 ). Pendekatan ini dapat menyarankan wilayah geografis, organisme individual, atau jenis label (misalnya label dengan ketidakpastian tinggi atau nilai tinggi untuk pengembangan dan prediksi model) yang harus diprioritaskan untuk dikumpulkan. Data lapangan yang baru dikumpulkan dapat dimasukkan ke dalam model baru, yang kemudian dapat menyarankan area target baru untuk pengumpulan lapangan. Pengumpulan data iteratif dan pengembangan model ini menyajikan alur kerja yang lebih efisien untuk meningkatkan prediksi skala makro data organisme daripada metode yang lebih standar dalam ekologi.

Di luar data lapangan, jumlah data berlabel yang akan digunakan untuk pelatihan dan validasi model dapat diperluas secara signifikan dengan memberi label dari pengamatan visual gambar, daripada pengumpulan yang memakan waktu di lapangan. Ini adalah norma yang diterima secara luas untuk menghasilkan data kemunculan spesies dari perangkap kamera satwa liar (Burton et al., 2015 ) dan umum dalam pemantauan satwa liar di udara (White et al., 2024 ), tetapi telah dibatasi untuk pelabelan tanaman dari data penginderaan jauh. Label yang berasal dari gambar memiliki kepastian yang lebih rendah daripada pengamatan berbasis lapangan karena hanya tersedia satu tampilan organisme, dibandingkan dengan beberapa tampilan yang ditawarkan di lapangan. Misalnya, seorang ahli botani yang menentukan spesies pohon di lapangan dapat melihat tajuk dari banyak arah, menggunakan teropong, memeriksa kulit kayu, mengumpulkan daun, dan mencari fitur lain yang dapat diidentifikasi seperti bunga dan biji. Sebaliknya, penafsir gambar biasanya memiliki satu tampilan—snapshot mahkota pohon dari atas—untuk digunakan dalam memberi label spesies pohon. Pelabelan satwa liar dari citra mencakup tantangan serupa (misalnya burung dengan ukuran dan warna yang sama seperti Snowy Egrets dan White Ibis bisa jadi sulit dibedakan; Garner et al., 2024 ). Namun, seorang interpreter gambar dapat memberi label pada puluhan atau bahkan ratusan individu dalam jumlah waktu yang dibutuhkan pengamat lapangan untuk mengidentifikasi satu individu di lapangan. Anotasi berbasis gambar tersebut mengurangi hambatan dan biaya pengumpulan data dan karena itu dapat menghasilkan lebih banyak data daripada yang mungkin dari lapangan. Hasil dari upaya ini adalah kumpulan data pelatihan dan validasi yang besar (jauh lebih besar daripada yang dapat dibuat dari data lapangan saja) untuk pemodelan dengan data penginderaan jauh seperti klasifikasi spesies pohon dengan data hiperspektral.

Pertukaran dalam waktu dan akurasi untuk menghasilkan data telah memotivasi pengembangan serangkaian pendekatan algoritmik yang dirancang untuk memanfaatkan label yang tidak pasti/tidak sempurna dan bahkan data yang sama sekali tidak berlabel untuk model pelatihan. Safonova et al. ( 2023 ) memberikan panduan tentang cara mendekati masalah ‘data kecil’ ini dalam berbagai aplikasi penginderaan jauh. Menggabungkan pendekatan ini ke dalam alur kerja penginderaan jauh organisme dapat memberikan cara yang ampuh untuk mengatasi keterbatasan data pelatihan yang jarang dan tidak seimbang karena pendekatan ini meningkatkan ukuran efektif kumpulan data berlabel dan meningkatkan kemampuan model untuk digeneralisasi di seluruh ekosistem dan taksa yang beragam. Pendekatan semi-supervised, misalnya, memanfaatkan sejumlah kecil data berlabel di samping sejumlah besar data tidak berlabel. Metode penting termasuk FixMatch dan Mean Teacher (Sohn et al., 2020 ; Tarvainen & Valpola, 2018 ). Teknik-teknik ini telah diterapkan dalam tugas-tugas penggambaran tajuk (Dersch et al., 2024 ; Weinstein et al., 2019 ) di mana metode semi-supervised telah memungkinkan segmentasi dan penggambaran tajuk pohon individual yang lebih akurat. Misalnya, Weinstein et al. ( 2019 ) awalnya melatih model deteksi tajuk RGB pada jutaan tajuk pohon perkiraan yang dihasilkan menggunakan algoritma tanpa pengawasan pada data lidar, sebelum menyempurnakan model menggunakan jumlah label yang dianotasi manusia yang jauh lebih kecil dari citra RGB udara. Kumpulan data benchmark berkualitas tinggi (Weinstein et al., 2021 ) sangat berharga dalam aplikasi ini untuk memahami kontribusi sejumlah besar label bising (yang dihasilkan dari algoritma tanpa pengawasan) terhadap kinerja algoritma yang diawasi. Meskipun pendekatan ini menyediakan rute yang efisien untuk meningkatkan data pelatihan, strategi ini juga menekankan pentingnya menggunakan kumpulan data validasi yang independen dan berkualitas tinggi untuk memastikan bahwa kinerja model tidak meningkat secara artifisial oleh bias yang diwarisi dari sumber asli yang tidak diawasi. Pendekatan yang diawasi sendiri (misalnya SimCLR; MoCo; Chen et al., 2020 ; He, Zhang, et al., 2015 ) mempelajari fitur yang dapat digeneralisasikan dari data yang tidak berlabel (misalnya gambar tanpa label) melalui model yang menangkap pola dan hubungan struktural dan spektral yang mendasarinya dalam citra. Meskipun teknik ini telah menunjukkan janji besar di domain lain, seperti pencitraan medis (Azizi et al., 2021 ), klasifikasi gambar sonar (Preciado-Grijalva et al., 2022 ) dan analisis hiperspektral satelit (Ayuba et al., 2023 ), potensinya dalam penginderaan jauh organisme, terutama untuk klasifikasi tingkat individu dan estimasi sifat, sebagian besar masih kurang dieksplorasi.

3.4 Tantangan 4. Transferabilitas model lintas geografi
Bahasa Indonesia: Untuk memperoleh karakteristik skala organisme pada skala besar yang dibutuhkan untuk analisis makrosistem, model harus dapat ditransfer antar lokasi. Namun, sebagian besar karakterisasi individu sering kali terbatas pada satu lokasi, seperti satu kawasan lindung atau unit penelitian, atau beberapa lokasi di dekatnya. Hal ini membuat pengembangan model yang dapat digeneralisasi secara efektif ke lokasi dan wilayah baru menjadi tantangan. Sejumlah tantangan biologi, penginderaan jauh, dan pengembangan model yang berbeda berkontribusi pada kesulitan transferabilitas model. Kelompok taksonomi yang berbeda dapat terjadi di setiap lokasi. Bahkan ketika spesies organisme yang sama muncul di beberapa lokasi, individu dari spesies yang sama dapat memiliki penampilan/sifat/status fenologi yang berbeda dan muncul dalam konteks lingkungan yang berbeda yang memengaruhi sinyal penginderaan jauh (Corbin et al., 2024 ; Fassnacht et al., 2016 ). Misalnya, plastisitas fenotipik dalam kandungan nitrogen daun dari satu spesies terlihat di seluruh kondisi lingkungan (Wang et al., 2022 ). Dari perspektif penginderaan jarak jauh, geometri tampilan (sudut matahari, sudut pandang) dan kondisi atmosfer dapat bervariasi di berbagai lokasi dan waktu akuisisi, yang memengaruhi konsistensi data (Pu, 2021 ). Sulit dan memakan waktu untuk membuat label untuk pelatihan dan pengujian di semua ekosistem yang berbeda dalam aplikasi skala makro, sehingga menghasilkan data yang terbatas atau tidak tersedia di beberapa lokasi yang menghambat generalisasi lintas lokasi (lihat Tantangan 3).

3.4.1 Solusi dan peluang
Beberapa pendekatan dan produk data mulai tersedia untuk mengembangkan model yang dapat ditransfer antar lokasi, yang secara garis besar dapat dibagi menjadi solusi yang berfokus pada data dan yang berfokus pada model. Pendekatan yang berfokus pada data biasanya melibatkan penyusunan kumpulan data benchmark terbuka yang besar yang menggabungkan data lintas ekosistem (Beery et al., 2022 ; Weinstein et al., 2021 ). Dengan menyertakan berbagai spesies, sifat, status fenologi, dan kondisi lingkungan, kumpulan data ini memaparkan model pada variabilitas skala luas yang diperlukan untuk transferabilitas. Hal ini meningkatkan kemampuan model untuk digeneralisasi ke ekosistem baru dan menyediakan kerangka kerja standar untuk mengevaluasi kinerjanya di wilayah baru. Lebih banyak upaya untuk menyusun data lintas lokasi (Tantangan 2) menjadi kumpulan data akses terbuka akan mendukung pelatihan model yang lebih dapat ditransfer (Lines et al., 2022 ). Sebagai alternatif, data berlabel lemah (misalnya label yang tidak jelas, perkiraan atau disimpulkan dari sumber yang bersumber dari banyak orang atau sumber otomatis alih-alih anotasi ahli) atau data simulasi di seluruh situs dapat digantikan dengan tolok ukur berlabel besar untuk pelatihan model awal (lihat Tantangan 3).

Sebaliknya, pendekatan yang berfokus pada model berkonsentrasi pada perancangan atau adaptasi model pembelajaran mesin itu sendiri untuk menangani variabilitas di seluruh wilayah geografis dengan lebih baik. Misalnya, model dapat diekspos ke berbagai kondisi yang lebih luas selama pelatihan melalui teknik seperti augmentasi, di mana data pelatihan diubah secara artifisial dengan memutar, memotong, atau memperbesar gambar untuk mensimulasikan perspektif atau konteks baru. Strategi ini memungkinkan model untuk mempelajari pola yang lebih umum dan kurang bergantung pada kondisi situs tertentu. Pendekatan lain yang menjanjikan melibatkan penggunaan model pembelajaran mesin serbaguna yang besar yang disebut model dasar yang dapat diadaptasi untuk tugas-tugas tertentu dengan jumlah data berlabel yang lebih kecil. Model-model ini dilatih pada kumpulan data yang luas dan beragam untuk mempelajari pola-pola umum, seperti bagaimana organisme terlihat di berbagai lingkungan, dan kemudian dapat disempurnakan untuk fokus pada situs atau tugas tertentu. Platform sains warga seperti iNaturalist (Campbell et al., 2023 ) dan aplikasi pendampingnya, Seek, telah berkontribusi secara signifikan terhadap upaya identifikasi spesies dengan memungkinkan pengguna untuk memotret dan memberi label pada tanaman dan hewan di seluruh dunia. Platform ini telah menghasilkan ratusan juta pengamatan spesies yang direferensikan secara geografis, banyak di antaranya telah diverifikasi oleh komunitas, menjadikannya sumber daya yang berharga untuk melatih dan mengevaluasi model keanekaragaman hayati skala besar. Sementara data ini dikumpulkan pada resolusi spasial yang jauh lebih tinggi daripada citra penginderaan jauh yang umum (yaitu foto permukaan tanah jarak dekat versus tampilan udara atau satelit), mereka menawarkan dasar yang kaya untuk mempelajari pola visual dan taksonomi di seluruh spesies. Misalnya, kumpulan data iNaturalist adalah salah satu sumber utama yang digunakan dalam kumpulan data TreeOfLife-10M (Stevens et al., 2024 ), yang mendukung model BioCLIP. Model dasar ini mempelajari representasi visual di seluruh taksa dari foto yang dikirimkan pengguna, menunjukkan bagaimana kumpulan data yang besar dan berlabel lemah dapat meningkatkan kinerja model di seluruh konteks ekologi yang beragam. Pengembangan pendekatan serupa untuk citra penginderaan jauh memiliki potensi untuk meningkatkan transferabilitas model di seluruh wilayah geografis dengan menangkap pola luas yang dibagikan di seluruh ekosistem sambil memungkinkan penyesuaian lokal.

Penyetelan halus juga merupakan pendekatan yang dapat diterapkan secara luas yang memungkinkan model yang ada untuk disesuaikan dengan tugas atau wilayah tertentu dengan melatihnya kembali pada sejumlah kecil data lokal. Misalnya, Weinstein dkk. ( 2022 ) menunjukkan bahwa akurasi model deteksi burung umum (yang awalnya dilatih pada kompilasi data lokasi individual; Tantangan 2) secara konsisten ditingkatkan dengan menyempurnakan model pada sejumlah kecil data berlabel untuk lokasi fokus. Pengembangan lebih lanjut dari alat sumber terbuka yang menyederhanakan proses penyetelan halus akan membantu membuat model ini lebih mudah diakses untuk penelitian ekologi. Alat-alat tersebut dapat mencakup sistem pengumpulan data ‘pintar’ atau tertarget (Rodríguez et al., 2021 ; Yadav et al., 2022 ) yang memprioritaskan data dari wilayah atau taksa yang kurang terwakili (lihat Tantangan 3), metode yang menggabungkan pengetahuan ekologi atau aturan khusus lokasi untuk menyesuaikan model untuk lokasi tertentu (lihat Tantangan 6) dan penyertaan penyempurnaan sebagai fitur inti dari implementasi perangkat lunak (misalnya Weinstein et al., 2020 ).

3.5 Tantangan 5. Transferabilitas model antar sensor
Data skala organisme dapat diturunkan dari beberapa sensor yang berbeda, jika data tersebut memiliki resolusi yang cukup tinggi untuk membedakan antara organisme individu. Saat ini, model pembelajaran mesin yang dilatih menggunakan satu modalitas sensor (misalnya lidar, RGB, hyperspectral, termal) tidak dapat dengan mudah ditransfer untuk beroperasi pada tipe data yang berbeda. Misalnya, saat ini sebagian besar metode canggih untuk mengidentifikasi spesies pohon individu dalam gambar udara menggunakan data dan jalur pelatihan terpisah untuk deteksi mahkota (data lidar atau RGB) dan klasifikasi spesies (hyperspectral), atau menggunakan teknik fusi data (Du & Zare, 2020 ), seperti RGB dan termal, untuk deteksi satwa liar (Krishnan et al., 2023 ; Zhou et al., 2021 ). Dalam beberapa kasus, model yang sama memiliki transferabilitas terbatas bahkan untuk modalitas yang sama yang dikumpulkan oleh sensor yang berbeda (misalnya UAV hyperspectral versus airborne hyperspectral, Zhou & Prasad, 2017 ). Hal ini terjadi karena sensor yang berbeda dapat mengumpulkan jumlah pita spektral yang bervariasi, dengan pusat pita diposisikan pada panjang gelombang yang berbeda dan mungkin juga berbeda dalam kalibrasi radiometrik dan geometrik (Qin et al., 2023 ; Serbin & Townsend, 2020 ). Perbedaan-perbedaan ini merupakan tantangan tambahan bagi model yang dilatih pada data satu sensor untuk digeneralisasi ke yang lain. Selain itu, jenis model yang digunakan memainkan peran penting dalam transferabilitas. Model empiris, yang mempelajari pola langsung dari data pelatihan, cenderung lebih dipengaruhi oleh karakteristik khusus sensor. Model berbasis proses, yang menggabungkan prinsip dan aturan fisik, seringkali lebih kuat di seluruh sensor tetapi mungkin dibatasi untuk hanya mendeteksi fitur atau sifat tertentu (misalnya Jacquemoud et al., 2009 ). Hal ini menyebabkan proliferasi model yang disesuaikan dengan modalitas dan sensor tertentu, yang menghambat derivasi sifat ekologis skala besar untuk analisis skala makro. Selain itu, transferabilitas sebenarnya mungkin pada dasarnya terbatas. Model-model saat ini sering kali terlalu disesuaikan dengan wilayah geografis tertentu atau kondisi lingkungan yang terwakili dalam data pelatihan, dan kelangkaan kumpulan data yang besar dan beragam akan menyulitkan pengembangan model yang dapat digeneralisasikan secara andal di seluruh domain spasial atau sensor yang lebih luas.

3.5.1 Solusi dan peluang
Ada beberapa kemajuan dalam visi komputer untuk mengatasi modalitas dan transferabilitas sensor. Pembelajaran multi-moda, multi-tugas berfokus pada pengembangan arsitektur model yang bertujuan untuk menjadi sensor dan tugas-agnostik. Pendekatan ini memungkinkan model untuk beroperasi pada sejumlah data sensor input tanpa perlu melatih ulang saat mentransfer model di seluruh sensor atau tugas. Misalnya, model Chimera (Chang et al., 2019 ) menggunakan pembelajaran mendalam untuk mengintegrasikan berbagai set data penginderaan jauh resolusi tinggi yang berbeda (misalnya citra satelit dan faktor lingkungan) untuk secara bersamaan melakukan klasifikasi hutan (misalnya jenis seperti konifer, gugur atau campuran) dan tugas regresi, seperti memperkirakan metrik struktur hutan dari biomassa di atas tanah, tutupan tajuk dan luas dasar. Pembelajaran kontrastif adalah pendekatan untuk pembelajaran multi-moda yang mengembangkan model penyelarasan yang mencocokkan data dari berbagai modalitas ke ruang bersama di mana mereka dapat dibandingkan dan dianalisis dengan lebih mudah (Dutt et al., 2022 ). Misalnya, menggunakan beberapa set data hiperspektral dan lidar, Dutt et al. ( 2022 ) menunjukkan pendekatan untuk memastikan bahwa sampel dari kelas yang sama (misalnya spesies yang sama) dipetakan lebih dekat satu sama lain dalam ruang data (representasi umum sampel) terlepas dari modalitas sensor daripada sampel dari kelas yang berbeda, memfasilitasi klasifikasi yang kuat bahkan ketika data dari beberapa sensor hilang.

Transformator penglihatan multi-moda (ViT) berpotensi dilatih pada semua jenis data gambar, termasuk hiperspektral dan lidar dan dianggap multi-moda jika dapat memproses data dari lebih dari satu jenis data (Roy et al., 2023 ; Yang et al., 2024 ). Transformator penglihatan, yang menggunakan cara alternatif untuk mengatur data daripada jaringan saraf konvolusional, adalah jenis model pembelajaran mesin yang dipinjam dari bidang pemrosesan bahasa alami dan diadaptasi untuk bekerja dengan gambar, dan dapat digunakan untuk deteksi atau klasifikasi (Khan, Naseer, et al., 2022 ). Yang et al. ( 2024 ) menunjukkan bahwa fusi multi-moda melalui transformator, khususnya data hiperspektral dan lidar, dapat menghasilkan peningkatan kinerja klasifikasi penggunaan lahan. Sejauh pengetahuan kami, jalan penelitian ini belum diterapkan pada penginderaan jauh skala organisme, tetapi tumpang tindih antara penggunaan lahan dan aplikasi penginderaan jauh organisme seperti klasifikasi spesies menunjukkan bahwa ini mungkin merupakan pendekatan yang bermanfaat. Penerapan pendekatan ini pada penginderaan jarak jauh udara skala organisme berpotensi memberi manfaat luas pada bidang ini dengan (1) memungkinkan data dari berbagai sensor dalam ekosistem yang sama untuk digabungkan guna menghasilkan hasil yang lebih baik untuk tugas tunggal atau ganda (misalnya dengan secara simultan memanfaatkan resolusi tinggi data RGB dan kemampuan data hiperspektral untuk membedakan spesies pohon guna menghasilkan algoritma deteksi dan segmentasi pohon yang lebih baik); dan (2) memungkinkan data dari berbagai jenis sensor, resolusi yang berbeda, dan varietas yang berbeda dari jenis sensor umum untuk digabungkan menjadi model umum tunggal yang dapat diterapkan secara efektif pada sensor baru saat tersedia (misalnya model yang dapat diterapkan pada penerbangan pesawat tanpa awak pada ketinggian rendah, penerbangan pesawat terbang pada ketinggian tinggi, serta citra RGB dan termal untuk menghitung satwa liar).

3.6 Tantangan 6. Integrasi pengetahuan di luar data gambar
Meskipun data penginderaan jauh berguna untuk memprediksi ciri ekologi dalam skala besar, data tersebut sering kali tidak memiliki informasi kontekstual yang berpotensi meningkatkan akurasi dan kegunaan data keluaran. Banyak model deteksi dan klasifikasi objek penginderaan jauh yang hanya menggunakan data yang ditangkap dalam piksel gambar untuk memprediksi ciri ekologi tanpa mempertimbangkan informasi kontekstual lainnya. Proses ini berbeda dengan proses yang digunakan oleh pakar ekologi lapangan yang menggunakan berbagai sumber bukti selain pengetahuan dan pelatihan mereka sendiri saat menetapkan kategori atau ciri ekologi. Citra jarak jauh dapat menangkap karakteristik fisik (misalnya warna, bentuk) yang digunakan pakar ekologi untuk mengidentifikasi spesies, tetapi pakar ekologi di lapangan sering kali menggunakan petunjuk konteks tambahan (misalnya apakah habitat tersebut sesuai untuk suatu spesies, status spesies dalam siklus fenologisnya) dan karakteristik yang tidak mudah ditangkap oleh penginderaan jauh (misalnya perawakan spesies pohon atau perilaku hewan). Pada skala yang lebih lokal, peneliti yang mengumpulkan data gambar mungkin memiliki gambaran umum tentang spesies apa yang ada (misalnya dari pengamatan individu dari tanah sambil menerbangkan drone), yang dapat membantu menentukan spesies mana yang seharusnya dapat diprediksi oleh model. Klasifikasi yang hanya berdasarkan data gambar dapat ditingkatkan jika menggabungkan pengetahuan geografis dan kontekstual ini ke dalam prediksi.

3.6.1 Solusi dan peluang
Prediksi sifat skala organisme dapat ditingkatkan dengan teknik fusi data dan model yang menggabungkan konteks ekologi dan lingkungan dengan data penginderaan jauh. Dimungkinkan untuk menggabungkan pengetahuan tentang sistem dunia nyata seperti penalaran kontekstual yang digunakan oleh ahli ekologi lapangan (pengetahuan domain, seperti seberapa tinggi pohon biasanya tumbuh atau di mana ia muncul) dengan pengenalan pola dan kemampuan prediktif model pembelajaran mendalam untuk menghasilkan model hibrida yang lebih kuat yang dikenal sebagai model neuro-simbolis (Harmon et al., 2022 , 2023 ) atau AI yang dibatasi fisika (Reichstein et al., 2019 ). Pendekatan ini menggabungkan pembelajaran mendalam dengan persamaan berdasarkan teori dan pengetahuan ilmiah untuk memandu pembelajaran, menyediakan mekanisme bagi pengguna untuk menyuntikkan pengetahuan domain ahli ke dalam model melalui penggunaan ekspresi matematika (Hu et al., 2016 ; Sarker et al., 2022 ). Persamaan ini dapat mengodekan pengetahuan ekologi seperti tinggi maksimum untuk spesies pohon, status dalam siklus fenologi spesies atau kerapatan tajuk dedaunan, yang relevan untuk menginterpretasikan variabel organisme dari penginderaan jauh. Pendekatan ini membantu memastikan bahwa prediksi dan keluaran tetap konsisten dengan sistem fisik dan ekologi yang diketahui, dapat membuat penyesuaian model lebih layak dalam konteks data terbatas (Tantangan 2) dan dapat meningkatkan transfer ke situs baru (Tantangan 4) dengan memberikan konteks model tentang setiap situs (Harmon et al., 2022 ). Sebuah studi oleh Reichstein et al. ( 2019 ) mengintegrasikan model fisik fluks karbon dengan pembelajaran mesin untuk memprediksi biomassa hutan dan penyimpanan karbon, meningkatkan kekokohan model dengan menyelaraskan prediksi dengan prinsip ekologi dan biogeokimia. Untuk data gambar yang dikumpulkan oleh pakar domain di lapangan (misalnya penerbangan drone), memodifikasi pendekatan ini untuk memungkinkan informasi tentang kehadiran yang diharapkan dan kelimpahan relatif spesies di suatu lokasi harus memungkinkan prediksi berdasarkan kombinasi terbaik dari pengetahuan lapangan dan penginderaan jauh.

3.7 Tantangan 7. Ketidakpastian dalam prediksi
Prediksi ciri-ciri organisme dari penginderaan jarak jauh akan sering kali memiliki ketidakpastian yang lebih besar daripada observasi lapangan (Zaiats et al., 2024 ) karena kesalahan akan terjadi baik dalam menemukan dan menggambarkan organisme individu (Brack et al., 2018 ) dan memprediksi variabel ekologi yang diminati untuk individu-individu tersebut. Ada banyak sekali sumber ketidakpastian ini termasuk sensor itu sendiri (misalnya ketidakpastian dalam kalibrasi panjang gelombang/radiometrik; Secker et al., 2001 ), pemrosesan data sensor (misalnya ketidakpastian dari koreksi atmosfer, sudut pandang, dan posisi matahari; Secker et al., 2001 ) dan algoritma deteksi dan estimasi sifat (Weinstein et al., 2023 ). Mengukur dan menyebarkan kesalahan ini dalam prediksi dan penerapan keluaran model penginderaan jarak jauh sangat penting untuk memahami ketidakpastian dalam biologi makrosistem, tetapi melakukannya merupakan tantangan dan jarang dilakukan.

Ketidakpastian dalam prediksi penginderaan jauh ini tidak terbatas pada ketidakpastian yang ditangkap dalam evaluasi data yang digunakan untuk melatih model, karena ketidakpastian itu juga merangkum ketidakpastian dalam kemampuan model untuk menggeneralisasi ke kondisi yang tidak terlihat, seperti data di luar distribusi (OOD) (Cherif et al., 2025 ). Data OOD muncul ketika karakteristik lingkungan, spektral, fenologi, atau taksonomi berbeda dari set data pelatihan, yang merupakan tantangan umum dalam aplikasi skala makro yang mencakup beragam ekosistem. Karena ketidakpastian dalam prediksi berasal dari banyak sumber dan mengambil berbagai bentuk (misalnya gangguan pengukuran, kesalahan model, dan variabilitas inheren dalam sistem ekologi), memperkirakan dan mengatasinya dalam penginderaan jauh skala organisme kemungkinan akan memerlukan pendekatan ansambel daripada solusi tunggal, yang masing-masing menargetkan komponen ketidakpastian yang berbeda. Mengukur dan menangani ketidakpastian dengan tepat sangat penting bagi ahli ekologi untuk menggunakan data organisme skala makro dengan tepat dalam aplikasi.

3.7.1 Solusi dan peluang
Bidang penelitian yang penting adalah mengembangkan metode untuk memperkirakan ketidakpastian dari berbagai sumber dalam prediksi penginderaan jarak jauh organisme. Misalnya, Weinstein dkk. ( 2023 ) mengukur ketidakpastian dalam prediksi karena bagaimana data pelatihan dan pengujian dibagi, sifat stokastik fitur pembelajaran untuk klasifikasi dalam model prediksi dan di setiap mahkota yang diprediksi, melalui skor keyakinan model.

Informasi tentang ketidakpastian dapat digunakan untuk meningkatkan estimasi ukuran ekologi. Untuk studi yang difokuskan pada deteksi, satu pendekatan untuk ini melibatkan penggunaan beberapa gambar di lokasi yang sama untuk memperkirakan probabilitas deteksi individu dan menggunakan probabilitas deteksi itu untuk memperkirakan hunian dan kelimpahan organisme yang sedang dipelajari dengan lebih akurat (Brack et al., 2023 ; Williams et al., 2017 ). Atau, jika data lapangan dengan lokasi individual tersedia untuk semua individu di subwilayah studi, data validasi dasar ini dapat digunakan untuk memperkirakan tingkat positif palsu dan negatif palsu dari algoritma, yang kemudian dapat disebarkan untuk menghasilkan jumlah yang lebih akurat (atau estimasi jumlah dengan ketidakpastian yang lebih akurat) di seluruh area studi (Zaiats et al., 2024 ). Pendekatan semacam ini merupakan langkah penting pertama dalam menggabungkan ketidakpastian dalam penginderaan jauh organisme ke dalam estimasi ekologi, tetapi kemajuan lebih lanjut diperlukan untuk sepenuhnya mengatasi keterbatasan ini. Langkah-langkah kunci berikutnya dalam bidang ini akan mencakup: (1) pendekatan yang dapat diterapkan pada citra tampilan tunggal tanpa data lapangan yang menyertainya (jenis data penginderaan jauh yang paling umum); (2) pendekatan yang mengatasi ketidakpastian dalam fitur organisme individu (misalnya klasifikasi spesies dan estimasi sifat); (3) pendekatan hierarkis untuk menyebarkan ketidakpastian dari penginderaan jauh organisme secara langsung ke model ekologi.

Hingga pendekatan komprehensif untuk memperkirakan dan menyebarkan ketidakpastian dari penginderaan jarak jauh organisme tersedia, pendekatan utama untuk mengurangi ketidakpastian ini adalah dengan berfokus pada aplikasi ekologi yang sesuai dengan tingkat akurasi dan ketidakpastian yang dihasilkan oleh penginderaan jarak jauh. Banyak aplikasi ekologi, seperti memprediksi distribusi spesies atau penyimpanan karbon, dapat memberikan wawasan skala makro yang berharga menggunakan prediksi dengan ketidakpastian sedang. Sebaliknya, aplikasi yang membutuhkan presisi tinggi pada skala spasial yang halus (misalnya lokasi batang yang tepat dari tajuk dan pohon subtajuk untuk perawatan kehutanan) mungkin belum cocok untuk sebagian besar proyek penginderaan jarak jauh skala organisme. Oleh karena itu, mendefinisikan tingkat ketidakpastian yang dapat diterima atau diinginkan untuk berbagai aplikasi, skala, dan pertanyaan ekologi sangat penting untuk penggunaan data skala organisme yang efektif.

3.8 Tantangan 8. Menciptakan kolaborasi yang efektif lintas disiplin ilmu ekologi, penginderaan jarak jauh dan ilmu komputer
Sifat penginderaan jarak jauh organisme untuk ekologi makrosistem bersifat interdisipliner, menghadirkan tantangan tentang bagaimana ilmuwan yang terlatih dalam berbagai bidang bekerja sama, seperti perbedaan dalam pertanyaan yang memotivasi, keterampilan teknis, dan persyaratan data. Seperti yang telah terlihat dalam disiplin ekologi lainnya (Carey et al., 2019 ), ilmuwan dan insinyur penginderaan jarak jauh telah menyediakan data baru bagi para ahli ekologi dengan pengembangan sensor, platform, dan algoritma baru. Namun, kemajuan inovatif dalam ruang interdisipliner ini menantang karena pertanyaan mendasar antardisiplin berbeda, yang memengaruhi cara masalah didekati. Secara umum, ilmu komputer sering kali berakar pada matematika. Hibah baru dan topik disertasi difokuskan pada pembuatan algoritma umum yang baru untuk aplikasi apa pun. Ekologi, meskipun berfokus pada sistem dan pola yang dapat digeneralisasi, bergantung pada ekosistem dan konteks dan oleh karena itu sering kali melibatkan data khusus lokasi dan didorong oleh skenario. Akibatnya, pertanyaan ekologi seperti ‘apa yang membentuk pola distribusi organisme’ tidak secara langsung diterjemahkan ke pertanyaan ilmu komputer seperti ‘bagaimana memasukkan data yang bias ke dalam model klasifikasi.’ Set data yang digunakan oleh pakar ekologi dan ilmuwan komputer mungkin tidak saling cocok untuk memajukan penelitian di setiap area. Dalam ilmu komputer yang diterapkan pada ekologi, pengembangan algoritma cenderung fokus pada set data ekologi terbatas yang memiliki properti yang cocok untuk pengujian algoritma. Pengembangan algoritma berfokus pada peningkatan akurasi prediksi secara bertahap daripada meningkatkan data untuk aplikasi ekologi. Misalnya, set data CalTech USC Birds (Wah et al., 2011 ) sering digunakan oleh ilmuwan komputer untuk klasifikasi gambar berbutir halus tanpa memperhatikan bagaimana pekerjaan mereka dapat berguna bagi komunitas ekologi. Selain itu, dengan hanya berfokus pada beberapa set data/jenis set data, ilmuwan data yang bekerja di ruang ini belum mengatasi tantangan pengembangan AI dan algoritma yang lebih besar. Bidang AI akan maju jika mereka mendekati jenis set data lainnya ini.

Selain itu, ada pengakuan yang berkembang atas keterampilan komputasi yang dibutuhkan untuk bekerja dalam ekologi, ilmu lingkungan dan ilmu bumi, terutama dengan fokus pada biologi makrosistem yang membuat peningkatan penggunaan data yang disediakan oleh observatorium kontinental (Hampton et al., 2017 ). Kebutuhan ini sebagian didorong oleh pengakuan bahwa alat dan format data yang umum untuk setiap disiplin (ekologi, penginderaan jauh, ilmu komputer) berbeda, yang akibatnya membatasi kolaborasi yang efektif dan penelitian yang efisien. Misalnya, sementara banyak ahli ekologi dapat membuka dan melapisi beberapa lapisan data spasial dalam platform GIS, titik masuk pertama ini ke dalam visualisasi data dapat menjadi penghalang bagi ilmuwan komputer. Sebaliknya, ahli ekologi umumnya tidak memiliki keterampilan pemrograman untuk menggunakan algoritma yang dikembangkan oleh ilmuwan komputer. Bahkan akses ke data penginderaan jauh yang tersedia secara bebas seperti NEON terhambat oleh format data yang tidak dikenal dan kurangnya pengalaman menggunakan set data besar untuk ahli ekologi. Sebagai pengakuan atas kegunaan alat geospasial untuk digunakan dalam proyek lingkungan kolaboratif dan interdisipliner, berbagai alat telah dikembangkan, tetapi terdapat kekurangan dukungan untuk alat yang menggunakan format vektor dan raster non-tradisional yang semakin umum dalam ilmu data besar (misalnya HDF5 GeoJSON, Palomino et al., 2017 ). Konsekuensi dari perbedaan ini adalah bahwa ahli ekologi dan ilmuwan data cenderung bekerja hanya dalam disiplin ilmu mereka sendiri, yang menciptakan studi ekologi yang dibatasi oleh alat ilmu data yang tidak memadai, dan studi ilmu komputer yang tidak memiliki hubungan dengan ekologi yang maju.

3.8.1 Solusi dan peluang
Untuk mencapai banyak kemajuan inovatif yang telah kami uraikan dalam tinjauan ini, diperlukan penerapan kerangka kerja untuk kolaborasi interdisipliner yang efektif antara ahli ekologi dan ilmuwan komputer, dengan elemen-elemen seperti menciptakan bahasa bersama, menghargai metode, mengidentifikasi tujuan bersama, dan membangun kepercayaan (Carey et al., 2019 ). Dalam praktiknya, kolaborasi yang efektif dapat diwujudkan melalui penciptaan hubungan kerja yang konsisten, disengaja, dan jangka panjang, sering kali dengan tujuan bersama seperti menciptakan kumpulan data dan tugas data yang ditentukan yang berguna bagi kedua disiplin ilmu.

Kompetisi ilmu data menyediakan satu pendekatan karena mereka memerlukan pengumpulan dan kurasi data ekologi dalam format yang mudah diakses dan mendefinisikan pertanyaan atau tugas spesifik yang keduanya khas untuk algoritma ilmu komputer untuk memecahkan dan memajukan studi ekologi. Kompetisi dapat memberikan metrik yang berguna dan realistis untuk ekologi tetapi menyajikan tugas yang menantang bagi dunia ilmu komputer. Misalnya, data NEON digunakan untuk melakukan dua kompetisi ilmu data yang melibatkan tugas penyelarasan data, deteksi pohon individu dan klasifikasi spesies (Graves et al., 2023 ; Marconi et al., 2019 ). Kompetisi ilmu data lainnya yang difokuskan pada data organisme (tetapi tidak khusus untuk data penginderaan jauh) termasuk peramalan populasi penguin (Humphries et al., 2018 ), mengidentifikasi spesies taksonomi dalam catatan herbarium (de Lutio et al., 2022 ; Little et al., 2020 ), identifikasi paus dari gambar udara (Khan, Blount, et al., 2022 ) dan peramalan populasi dan dinamika komunitas (Thomas et al., 2023 ). Algoritma yang dihasilkan dari kompetisi dikembangkan dengan data ekologi nyata yang seringkali berukuran relatif kecil dan memiliki tantangan data ekologi yang realistis seperti distribusi sampel yang tidak merata di berbagai kelas dan data yang tidak lengkap untuk semua lokasi dan waktu (Humphries et al., 2018 ). Namun, sisi buruk dari kompetisi adalah metrik kompetisi menjadi tujuan dan bukannya menyelesaikan kebutuhan aplikasi yang mendasarinya (Newton, 2011 ; Teney et al., 2020 ). Kompetisi perlu dipasangkan dengan aplikasi ketat yang berkelanjutan pada kumpulan data yang semakin besar dengan tantangan yang terus diperbarui.

Sementara kompetisi dan kumpulan data memungkinkan kemajuan data dan metode, semakin banyak program pelatihan yang efektif diperlukan untuk melatih silang para ahli ekologi, ilmuwan komputer, dan ilmuwan penginderaan jauh di berbagai bidang untuk memajukan penginderaan jauh organisme skala makrosistem. Mengingat popularitas AI saat ini, banyak lembaga akademis yang mengembangkan gelar sarjana dan program sertifikat AI dan ilmu data, namun banyak yang mungkin tidak memiliki hubungan yang kuat dengan aplikasi dan disiplin ilmu seperti ekologi (Oliver & McNeil, 2021 ). Dengan terputusnya hubungan antara data dan alat ilmu komputer serta ekologi, kebutuhan akan pelatihan terpadu sangat besar, dan karenanya berbagai lokakarya dan pelajaran jangka pendek telah ditawarkan oleh komunitas (Palomino et al., 2017 ). Seperti yang kami temukan dalam mengeksplorasi opsi-opsi ini, pelatihan mungkin memiliki dana terbatas dan oleh karena itu hanya ditawarkan selama beberapa tahun atau secara oportunistik di konferensi. Outlier adalah pelajaran dan lokakarya Data Carpentry yang dikembangkan oleh The Carpentries, yang menyediakan pelatihan akses terbuka dalam topik-topik seperti Ekologi, Geospasial, dan Pemrosesan Gambar ( https://datacarpentry.org/ ). Aktivitas pelatihan silang yang lebih lama, termasuk lokakarya yang ditargetkan, seperti Sekolah Musim Panas tentang Metode Visi Komputer untuk Ekologi dan lokakarya keterampilan data NEON, AniMove dan CAnMove tentang penginderaan jarak jauh pergerakan hewan (Clark et al., 2017 ) dan sekolah ekologi spektral ( https://www.specschool.org/ ), dapat memberikan peluang penting untuk kolaborasi ilmu komputer-ekologi yang khusus untuk domain ekologi. Akhirnya, keterlibatan dan kolaborasi interdisipliner dapat digunakan di awal pengumpulan data besar atau kampanye pengembangan sensor untuk memastikan komunikasi antara penyedia data dan pengguna data lintas disiplin. Hal ini telah dilakukan dengan kampanye NASA seperti misi Biologi dan Geologi Permukaan (Stavros et al., 2023 ) dan upaya penentuan cakupan PANGEA (Ordway et al., 2025 ) yang memanfaatkan survei luas, kelompok kerja, dan lokakarya.

4 KESIMPULAN
Mencapai tujuan biologi makrosistem untuk memahami pola dan proses kehidupan yang saling berhubungan di Bumi adalah mungkin, terutama dengan kemajuan dalam penginderaan jarak jauh dan kemampuan untuk menangkap informasi tentang organisme. Dekade terakhir telah melihat kemajuan dalam penginderaan jarak jauh ekologis karena sensor telah memberikan lebih banyak detail dan algoritma lebih mampu mempelajari pola. Kami menyajikan makalah ini untuk merangkum tantangan yang dihadapi oleh kelompok interdisipliner ilmuwan penginderaan jarak jauh, ilmuwan komputer dan ekologi dalam bekerja untuk menghasilkan informasi organisme pohon dan hewan di banyak lokasi dan banyak skala. Mengidentifikasi peluang dan tantangan ini hanya mungkin melalui interaksi yang konsisten, sering dan jangka panjang antara peneliti utama dan siswa peserta pelatihan dalam ilmu komputer dan ekologi. Kami berharap makalah ini berfungsi untuk menyoroti potensi penginderaan jarak jauh organisme untuk biologi makrosistem dan nilai kolaborasi interdisipliner untuk terus membuat kemajuan penting.