Nur M. Farda's blog

Geographical Big Data | Spatial Data Science | Geo AI

Geographical/Geospatial Artificial Intelligence (Geo AI)

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.

Spatial Data Science

Gambar 1. Spatial Data Science

Spatial Data Science (Sains Data Spasial) atau Geographic Data Science (Sains Data Geografi) atau Geospatial Data Science (Sains Data Geospasial) merupakan perpotongan antara Geographic Information Science (Sains Informasi Geografi), Spatial Analysis (Analisis Spasial) dan Applied Geocomputation (Terapan Geokomputasi) (Gambar 1).

Spatial Data Science jika ditelusur lebih dalam merupakan cabang dari ilmu data yang memfokuskan pada analisis dan pengolahan data spasial atau data yang memiliki informasi geografis. Ini termasuk data geografis seperti lokasi, jarak, dan orientasi, dan melibatkan teknik seperti geospatial analysis, visualisasi spasial, dan pemodelan spasial untuk memahami pola dan hubungan spasial dalam data. Hasil dari Spatial Data Science bisa digunakan dalam berbagai bidang seperti transportasi, lingkungan, bisnis, dan pemerintahan.

Spatial Data Science dapat diterapkan dalam berbagai bidang, seperti:

  1. Transportasi: Analisis lalu lintas dan perencanaan rute pengiriman barang menggunakan informasi geografis untuk memahami pola dan hubungan antar lokasi.
  2. Lingkungan: Studi lingkungan memanfaatkan data geografis untuk memahami dan memprediksi perubahan iklim dan dampak lingkungan.
  3. Bisnis: Perusahaan dapat menggunakan analisis spasial untuk memahami pola pembelian dan preferensi konsumen berdasarkan lokasi geografis.
  4. Pemerintahan: Pemerintah dapat menggunakan data geografis untuk memahami pola dan tren kriminalitas, dan menentukan strategi pencegahan kejahatan.

Data spasial yang digunakan dalam Spatial Data Science dapat diambil dari berbagai sumber seperti citra satelit, GPS, atau pemetaan digital, dan dianalisis menggunakan teknik seperti geospatial analysis, visualisasi spasial, dan pemodelan spasial. Contohnya, seorang ahli Spatial Data Science dapat membuat peta heatmap untuk menunjukkan distribusi populasi manusia di sebuah kota, atau membuat model spasial untuk memprediksi tingkat kebakaran hutan di masa depan.

Dengan memanfaatkan informasi geografis, Spatial Data Science membantu kita memahami dan memecahkan masalah yang berhubungan dengan lokasi, seperti memprediksi tingkat polusi udara di sebuah kota atau memahami pola migrasi spesies hewan liar.

Gambar 2. Spatial Data Science

Sumber:

  1. Shekhar, S., Chawla, S., & Xiong, H. (2017). Big spatial data: challenges and opportunities. Location-Based Services, 2(4), 235-246.
  2. Kitchin, R. (2014). The data revolution: Big data, open data, data infrastructures and their consequences. Sage.
  3. Goodchild, M. F. (2007). Citizens as sensors: the world of volunteered geography. GeoJournal, 69(4), 211-221.
  4. Câmara, G., & Monteiro, A. M. V. (2015). Big spatial data: challenges and opportunities. Big Data Research, 2(2), 54-59.
  5. Sester, M., & Krause, P. (2017). Spatial data science: Methods and applications. Berlin: Springer.
  6. Jiang, B., Wang, P., & Li, X. (2015). Spatial data science: foundations, methods, and algorithms. Springer.
  7. Nakaya, T., & Murayama, Y. (2019). Spatial data science: concepts, methods, and applications. Springer.
  8. Goodchild, M. F. (2017). Foundations of geographic information science. Routledge.

Sumber lainnya:
https://www.mdpi.com/journal/ijgi/special_issues/Spatial_Data_Science
https://carto.com/what-is-spatial-data-science/
http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram
http://www.isds.org.za

Geographical Big Data Analysis and Applications

Geospatial Big Data (GeoBigData / GBD) adalah istilah yang digunakan untuk menggambarkan data geografis yang sangat besar dan kompleks. Ini meliputi data spasial seperti lokasi, jarak, dan orientasi, serta data non-spasial seperti transaksi, komunikasi, dan interaksi sosial. Data tersebut dapat berasal dari berbagai sumber seperti citra satelit, data sensor, media sosial, dan crowd sourcing. Geospatial Big Data memerlukan teknologi dan metodologi baru untuk mengatasi tantangan seperti volume, kecepatan, dan variasi data.

Contohnya, aplikasi seperti Google Maps mengumpulkan data geografis seperti jalur lalu lintas dan peta, yang merupakan contoh dari GeoBigData Analisis GeoBigData dapat membantu dalam pengambilan keputusan untuk berbagai bidang, seperti perencanaan transportasi, manajemen lingkungan, perencanaan kota, lingkungan, manajemen bencana, dan pengembangan bisnis.

GeoBigData memiliki tantangan yang perlu diatasi, teknologi seperti cloud computing (komputasi awan), distributed computing (komputasi terdistribusi), dan data streaming menjadi penting. Oleh karena itu, ahli Geospatial Big Data harus memiliki pengetahuan dan kemampuan dalam teknologi dan metodologi tersebut untuk mengatasi tantangan dan memanfaatkan potensi data geografis.

Berikut adalah beberapa karakteristik utama dari Geospatial Big Data:

  1. Volume: GeoBigData sangat besar dalam hal jumlah data yang dikumpulkan dan disimpan, yang memerlukan teknologi dan infrastruktur yang kuat untuk mengatasi tantangan penyimpanan dan analisis data.
  2. Velocity (Kecepatan): Data GeoBigData sering diperoleh dengan kecepatan tinggi, seperti melalui sensor atau aplikasi seluler, memerlukan solusi teknologi untuk mengatasi tantangan pemrosesan data secara real-time.
  3. Variety (Variasi): GeoBigData meliputi berbagai jenis data spasial dan non-spasial, yang memerlukan solusi untuk mengatasi tantangan integrasi dan analisis data yang berbeda.
  4. Kompleksitas: Data GeoBigData sering memiliki kompleksitas yang tinggi, seperti data 3D, data dinamis, dan data yang berhubungan dengan waktu, memerlukan teknik dan metodologi analisis yang khusus.
  5. Heterogenitas: Data GeoBigData sering berasal dari berbagai sumber, seperti aplikasi, sensor, dan database publik, memerlukan solusi untuk mengatasi tantangan integrasi dan standardisasi data.
  6. Sensitivitas lokasi: Data GeoBigData memiliki informasi lokasi yang sangat sensitif, seperti informasi tentang lokasi rumah atau rute transportasi, memerlukan solusi untuk mengatasi tantangan privasi dan keamanan data.

Pemahaman terhadap karakteristik utama dari GeoBigData, menjadikan ahli Geospatial Big Data dapat memanfaatkan potensi data geografis dan mengatasi tantangan dalam menganalisis dan mengolah data geografis.

Secara keseluruhan, Geospatial Big Data memainkan peran penting dalam memahami dan memecahkan masalah geografis, dan menjadi salah satu area yang sangat menarik dan berkembang dalam bidang teknologi dan ilmu data (sains data).

Contoh: Visualisasi dan Analitik Geospatial Big Data

Sumber:

  1. Han, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques (3rd ed.). San Francisco, CA: Morgan Kaufmann Publishers.
  2. Dong, J., & Li, X. (2015). Big Data: A Review. Information Systems and e-Business Management, 13(3), 461-476.
  3. Shekhar, S., Chawla, S., & Xiong, H. (2017). Big spatial data: challenges and opportunities. Location-Based Services, 2(4), 235-246.
  4. Meng, X., & Chen, Q. (2017). Big spatial data management and analysis. Synthesis Lectures on Data Management, 8(1), 1-128.
  5. Vatsavai, R. R., Chawla, N. V., Shekhar, S., & Jain, A. (2012). Big spatial data: Algorithms, Challenges, and Opportunities. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(6), 1488-1495.
  6. Jing, L., & Ma, Y. (2014). Big spatial data management: Challenges and opportunities. Geo-spatial Information Science, 17(3), 189-192.
  7. Song, X., Qu, Y., & Liu, J. (2016). A Survey of Big Spatial Data Management and Analysis. Proceedings of the VLDB Endowment, 9(12), 1060-1071.
  8. Zhang, X., Wang, Y., & Li, Y. (2015). Geospatial big data: challenges and opportunities. Geo-spatial Information Science, 18(3), 171-180.
  9. Li, Y., & Yang, H. (2015). Geospatial big data: challenges and opportunities. In Geospatial Data in a Changing World (pp. 3-20). Springer, Cham.
  10. Gartner. (2018). Market Guide for Geospatial Analytics and Location Intelligence.