📚 Eksplorasi & Komparasi Topik Dokumen

MODEL RUANG DAN WAKTU PEMBELAJARAN MESIN DENGAN AGREGASI SPASIAL UNTUK KEBAKARAN LAHAN GAMBUT

Kebakaran hutan dan lahan gambut di Provinsi Riau merupakan masalah lingkungan tahunan yang berdampak besar pada kualitas udara dan kesehatan masyarakat, sehingga diperlukan sistem prediksi dini untuk memetakan risiko beberapa hari ke depan. Penelitian ini membangun model prediksi spatiotemporal yang memadukan data hidrometeorologi ERA5-Land dan titik api NASA FIRMS (VIIRS). Variabel hidrometeorologi diramalkan tujuh hari ke depan menggunakan ConvLSTM, lalu menjadi input bagi ensemble models (LightGBM, Random Forest, dan XGBoost) yang dikalibrasi secara isotonik untuk menghasilkan probabilitas kebakaran per sel. Model final menggunakan 23 fitur, dengan 11 fitur dirancang melalui Physics-Informed Feature Engineering (PIFE), mencakup agregasi spasial statis, agregasi dinamis berarah angin (upwind), dan riwayat kebakaran. XGBoost menjadi model terbaik dan paling tangguh, dengan AUC 0,929 pada nowcast dan AUC yang bertahan pada kisaran 0,88–0,92 sepanjang tujuh hari pada backtest rolling-origin, sementara PR-AUC menurun dari 0,175 menjadi 0,067 akibat prevalensi kebakaran yang sangat rendah (0,181%). Riwayat kebakaran memberikan kontribusi terbesar dan agregasi spasial statis merupakan fitur yang paling dimanfaatkan model, sementara perbandingan model terhadap metrik menunjukkan kontribusi agregasi spasial statis dan dinamis (upwind) bersifat netral pada resolusi 5 km harian. Peta risiko yang dihasilkan menempatkan sel kebakaran aktual pada kelas persentil tertinggi, sehingga model paling tepat digunakan untuk memprioritaskan wilayah mitigasi alih-alih sebagai prediksi biner yang pasti.