Gambar 1. Geographical/Geospatial Artificial Intelligence (GeoAI)

Geographical/Geographic/Geospatial Artificial Intelligence (GeoAI) mengkombinasikan metode-metode di spatial science (seperti: geographic information systems atau GIS), AI, data mining, dan high-performance computing untuk mengekstraksi pengetahuan yang berarti dari spatial big data (Gambar 1).

GeoAI, kependekan dari Geographic Artificial Intelligence (Kecerdasan Artifisial Geografis), adalah bidang baru yang menggabungkan kekuatan Kecerdasan Artifisial (AI) dengan Sistem Informasi Geografis (SIG) untuk menganalisis dan mengekstrak wawasan (insight) dari data geografis. Bidang Ini merupakan bidang multidisiplin yang diambil dari ilmu komputer, SIG (GIS), statistik, dan analisis spasial untuk menganalisis dan memodelkan data geospasial.

Beberapa bidang utama GeoAI meliputi:

  1. Pembelajaran mendalam (Deep Learning) geospasial: menggunakan teknik pembelajaran mendalam seperti jaringan saraf convolutional (CNN) dan jaringan saraf berulang (RNN) untuk menganalisis dan mengklasifikasikan citra satelit dan foto udara, serta jenis data geospasial lainnya.
  2. Analisis data spatiotemporal: Menggunakan teknik AI seperti analisis deret waktu dan analisis lintasan untuk menganalisis data spatiotemporal dan mengidentifikasi pola pergerakan objek dari waktu ke waktu.
  3. Pemrosesan bahasa alami geospasial: Menggunakan teknik pemrosesan bahasa alami (NLP) untuk menganalisis dan mengekstrak wawasan dari data teks tidak terstruktur seperti postingan media sosial dan artikel berita yang berisi informasi geografis.
  4. Optimasi geospasial: menggunakan teknik AI seperti pembelajaran penguatan dan algoritma optimisasi untuk memecahkan masalah yang berkaitan dengan alokasi spasial, perencanaan rute, dan pengambilan keputusan spasial.

GeoAI memiliki berbagai aplikasi di berbagai bidang seperti perencanaan kota, pemantauan lingkungan, transportasi, dan kesehatan masyarakat/lingkungan. Ini dapat digunakan untuk meningkatkan efisiensi dan keakuratan pengambilan keputusan di bidang ini dengan memberikan wawasan yang sulit diperoleh dengan menggunakan teknik GIS tradisional.

Penting untuk dicatat bahwa GeoAI adalah bidang yang berkembang pesat, dan teknik serta aplikasi baru terus dikembangkan. Selain itu, seperti teknik AI lainnya, penting untuk mempertimbangkan implikasi etis dan sosial dari penggunaan teknik ini.

Sumber:

  1. Kalogerakis, K., & Mitianoudis, N. (2019). Geospatial artificial intelligence: State-of-the-art and future perspectives. ISPRS International Journal of Geo-Information, 8(5), 216.
  2. Liu, Y., & Chen, X. (2018). Spatial deep learning: A survey. ISPRS International Journal of Geo-Information, 7(11), 474.
  3. Du, Q., & Zhang, X. (2019). Deep learning for remote sensing image analysis. Remote Sensing, 11(19), 2172.
  4. Zhang, Y., & Du, Q. (2020). Deep learning in remote sensing image analysis. Remote Sensing, 12(5), 899.
  5. Gopalakrishnan, G., & Koushik, S. (2019). Geospatial deep learning for remote sensing image analysis. Remote Sensing, 11(22), 2650.
  6. Liu, Y., & Chen, X. (2018). A review on deep learning-based remote sensing image classification. Information Sciences, 464, 87-102.
  7. Giraud, L. M. (2018). Deep learning and remote sensing. In Deep Learning for Remote Sensing Data (pp. 1-16). Springer, Cham.
  8. Li, Y., & Gao, X. (2018). Deep learning-based remote sensing image classification: A review. International Journal of Remote Sensing, 39(2), 459-478.
  9. VoPham T, Hart JE, Laden F, Chiang YY. Emerging trends in geospatial artificial intelligence (geoAI): potential applications for environmental epidemiology. Environ Health. 2018;17(1):40.
  10. Hu Y, Gao S, Newsam S, Lunga D. GeoAI 2018 workshop report the 2nd ACM SIGSPATIAL international workshop on GeoAI: AI for geographic knowledge discovery seattle, WA, USA-November 6, 2018. SIGSPATIAL special 2019, vol. 10, no. 3, pp. 16–16.