Machine Learning Bantu Identifikasi Ambang Batas Iklim untuk Distribusi Vegetasi Alami

Liputan6.com, Jakarta - Perubahan iklim lebih sering dan lebih intens menyebabkan iklim ekstrem.

Namun, tidak jelas bagaimana tepatnya iklim ekstrem akan memengaruhi distribusi vegetasi di masa depan. Ini menjadi pertanyaan bagi para peneliti untuk mengurangi ekstremitas yang akan datang dan dampaknya terhadap vegetasi.

Sebuah studi yang terbit di Global Change Biology mengeksplorasi hubungan skala besar antara vegetasi dan karakteristik iklim menggunakan machine learning.

Studi ini menunjukkan bahwa menggabungkan data iklim dan data tutupan lahan penginderaan jauh dengan model Decision Tree.

Hasilnya, para peneliti mampu mengekstraksi ambang batas iklim yang terlibat secara efektif dalam penataan distribusi vegetasi dominan pada berbagai skala spasial.

Temuan studi ini menyoroti pentingnya iklim ekstrem dalam membentuk distribusi beberapa jenis vegetasi utama. Misalnya, kekeringan atau dingin yang ekstrem sangat penting untuk dominasi sabana dan hutan daun jarum yang gugur.

"Salah satu pertanyaan terpenting yang harus dijawab dalam penelitian lebih lanjut adalah apakah ambang batas iklim yang ditemukan di dalam penelitian ini bersifat statis atau berubah seiring dengan perubahan iklim di masa depan," kata Hui Tang, peneliti dari Departemen Geosains di Oslo University dikutip dari rilis pers via Eurekalert pada Rabu (2/3/2022).

* Untuk mengetahui kebenaran informasi yang beredar, silakan WhatsApp ke nomor 0811 9787 670 hanya dengan ketik kata kunci yang diinginkan.

Memprediksi distribusi vegetasi di masa depan dalam menanggapi perubahan iklim adalah tugas menantang yang membutuhkan pemahaman terperinci tentang bagaimana distribusi vegetasi dalam skala besar terkait dengan iklim.

Tim peneliti yang terdiri dari ilmuwan komputer, pemodel vegetasi, dan spesialis vegetasi memeriksa temuan yang dihasilkan dari model Decision Tree itu.

Mereka bermaksud memastikan apakah temuan itu betul-betul informatif dan dapat memberikan wawasan tambahan yang dapat dimasukkan ke dalam model vegetasi mekanistik.

"Ini adalah tugas sulit untuk memvalidasi apakah model berbasis data bersifat kuat dan informatif," ujar peneliti doktoral Rita Beigaite dari Departemen Ilmu Komputer di Helsinki University.

Rita pun menyatakan bahwa studi ini menyoroti pentingnya model machine learning yang dapat ditafsirkan, yang memungkinkan kolaborasi bermakna dengan para ahli di bidangnya," kata Rita.