Editorial Ilmu Komputer & AI
Open AccessOA2025
FlameGuard: peta pintar berbasis AI untuk deteksi dini dan pengelolaan kebakaran pertanian di Arab Saudi
Kerangka kerja AI geospasial yang mengintegrasikan aturan spektral, machine learning, dan large language model untuk deteksi kebakaran di bawah satu jam
M. Aljaafari; Shaymaa E. Sorour· Scientific Reports· 2025· DOI 10.1038/s41598-025-28814-9
Masalah inti
Kebakaran pertanian di wilayah arid dan semi-arid, seperti Arab Saudi, menimbulkan ancaman lingkungan dan ekonomi yang signifikan. Meningkatnya frekuensi kebakaran semacam ini menuntut sistem deteksi dini yang canggih dan skalabel. Sistem pemantauan kebakaran berbasis satelit tradisional, seperti FIRMS milik NASA, menawarkan akurasi moderat (75%) dan latensi 3–6 jam, yang tidak memadai untuk respons tepat waktu. Penelitian ini memperkenalkan FlameGuard, peta pintar berbasis AI yang memanfaatkan citra satelit termal dari dataset FIRMS dan arsitektur prediktif multi-model untuk mengklasifikasikan tingkat keyakinan kebakaran dengan presisi tinggi. Kerangka kerja ini mengintegrasikan model berbasis aturan spektral—Spectral Algorithm for Fire Detection (SAFD)—dengan pengklasifikasi machine learning dan deep learning, bertujuan menyediakan analitik presisi tinggi yang dapat diinterpretasikan untuk pengelolaan kebakaran yang proaktif.
Inovasi
Kinerja model FlameGuard dirangkum dalam Tabel 1. Model baseline mencapai akurasi tinggi: Random Forest 97,41% ( = 0,953), XGBoost 98,20% ( = 0,961), dan jaringan neural Keras 99,10% ( = 0,980). Large language model berbasis transformer lebih meningkatkan kinerja: Minos mencapai akurasi 100% ( = 0,993) dan ViRanker 99,63% ( = 0,982). Studi ablasi mengungkapkan bahwa penghapusan data multi-sensor (MODIS atau VIIRS) atau komponen prapemrosesan menurunkan kinerja hingga 3–4%, menyoroti pentingnya fusi satelit dan pipeline yang dioptimalkan. Validasi silang sepuluh lipat mengonfirmasi kalibrasi superior LLM dengan Expected Calibration Error (ECE) sekitar 0,031. Waktu pelatihan efisien (≈78,5 s) dan inferensi waktu nyata tercapai (<0,36 s). Analisis komparatif menunjukkan bahwa FlameGuard melampaui FIRMS milik NASA (akurasi 75%, latensi 3–6 jam), peringatan kebakaran MODIS (70%, 4–6 jam), dan penelitian terkini (88–94%), mencapai akurasi 99% dan latensi deteksi di bawah satu jam. Sistem ini juga mengintegrasikan validasi ground-truth IoT untuk meningkatkan keandalan.
Kebakaran pertanian di wilayah arid dan semi-arid, seperti Arab Saudi, menimbulkan ancaman lingkungan dan ekonomi yang signifikan. Meningkatnya frekuensi kebakaran semacam ini menuntut sistem deteksi dini yang canggih dan skalabel. Sistem pemantauan kebakaran berbasis satelit tradisional, seperti FIRMS milik NASA, menawarkan akurasi moderat (75%) dan latensi 3–6 jam, yang tidak memadai untuk respons tepat waktu. Penelitian ini memperkenalkan FlameGuard, peta pintar berbasis AI yang memanfaatkan citra satelit termal dari dataset FIRMS dan arsitektur prediktif multi-model untuk mengklasifikasikan tingkat keyakinan kebakaran dengan presisi tinggi. Kerangka kerja ini mengintegrasikan model berbasis aturan spektral—Spectral Algorithm for Fire Detection (SAFD)—dengan pengklasifikasi machine learning dan deep learning, bertujuan menyediakan analitik presisi tinggi yang dapat diinterpretasikan untuk pengelolaan kebakaran yang proaktif.
FlameGuard memanfaatkan citra satelit termal dari sensor MODIS dan VIIRS, yang diperoleh dari dataset FIRMS. Kerangka kerja ini terdiri dari tiga komponen utama: (1) model berbasis aturan spektral (SAFD) untuk deteksi kebakaran awal, (2) pengklasifikasi machine learning termasuk Random Forest dan XGBoost, dan (3) model deep learning seperti jaringan neural Keras dan large language model berbasis transformer (Minos dan ViRanker). Pipeline prapemrosesan data mencakup reduksi noise, ekstraksi fitur, dan fusi data multi-sensor. Model dilatih dan dievaluasi menggunakan validasi silang sepuluh lipat, dengan metrik kinerja meliputi akurasi, -score, dan Expected Calibration Error (ECE). Arsitekturnya diilustrasikan di bawah ini:
Mengapa penting
Hasil menunjukkan bahwa FlameGuard secara signifikan mengungguli sistem deteksi kebakaran yang ada dalam hal akurasi dan latensi. Integrasi aturan spektral dengan machine learning dan model deep learning memungkinkan klasifikasi tingkat keyakinan kebakaran yang robust, bahkan di lingkungan arid yang menantang. Studi ablasi menegaskan peran kritis fusi data multi-sensor dan prapemrosesan dalam mencapai kinerja tinggi. Penggunaan LLM berbasis transformer, seperti Minos dan ViRanker, memberikan akurasi state-of-the-art dan estimasi keyakinan yang terkalibrasi dengan baik, yang penting untuk pengambilan keputusan. Antarmuka peta pintar FlameGuard memfasilitasi visualisasi waktu nyata risiko kebakaran, anomali termal, dan tingkat keyakinan, memberdayakan pemangku kepentingan untuk mengambil tindakan proaktif. Meskipun ada kemajuan ini, tantangan tetap ada, termasuk kebutuhan pembaruan model berkelanjutan dan integrasi dengan jaringan sensor berbasis darat. Pekerjaan selanjutnya akan berfokus pada perluasan kerangka kerja ke wilayah lain dan memasukkan sumber data tambahan. Secara keseluruhan, FlameGuard merupakan langkah maju yang signifikan dalam pemantauan lingkungan berbasis AI dan perencanaan respons dini untuk kebakaran pertanian.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…