Menerapkan prinsip AI yang bertanggung jawab saat membuat set data deteksi jarak jauh, seperti Dynamic World

1. Sebelum memulai

Dynamic World adalah set data land-use land-cover (LULC) global yang diperbarui hampir secara real time. Ini memberikan resolusi 10 meter karena menggunakan konstelasi Sentinel-2 oleh Badan Luar Angkasa Eropa (ESA) dan program Copernicus, yang menghasilkan gambaran global terbaru tentang Permukaan bumi setiap 2 hingga 5 hari. Produk ini diproduksi dengan model deep learning, Vertex AI, dan Earth Engine, yang merupakan platform analisis geospasial. Fitur ini membantu ilmuwan, peneliti, dan developer mendeteksi perubahan, memetakan tren, dan mengukur perbedaan di permukaan bumi.

Earth Engine adalah alat yang berusaha memajukan pengetahuan ilmiah proses planet untuk meningkatkan manfaat lingkungan dan sosial. Tujuan komersialnya, yang dipratinjau bersama Google Cloud, menyatakan bahwa tujuan utamanya adalah memahami dan mengatasi masalah kritis terkait keberlanjutan dan iklim, seperti penggundulan hutan, pengelolaan air, serta penggunaan lahan yang berkelanjutan.

Catatan: Kejelasan bahasa tentang Dynamic World dan Earth Engine adalah pendekatan AI yang bertanggung jawab umum untuk mengamankan potensi penggunaan dengan alasan apa pun selain tujuan kepentingan sosial yang dimaksudkan.

Dalam codelab ini, Anda menerapkan praktik yang bertanggung jawab dalam pembuatan set data turunan machine learning, seperti Dynamic World.

Yang akan Anda pelajari

• Cara menerapkan praktik AI yang bertanggung jawab di aplikasi deteksi jarak jauh.
• Cara menafsirkan prediksi Dynamic World secara visual dari luar angkasa.
• Cara merefleksikan implikasi etis dan implikasi sosial downstream.

Yang Anda butuhkan

• Pemahaman tentang cara menavigasi Aplikasi Earth Engine.
• Google Chrome, yang bekerja paling baik dengan Aplikasi Earth Engine.

2. Membuka aplikasi Dynamic World Earth Engine

Set data Dynamic World berisi prediksi per piksel untuk sembilan class LULC seperti yang dijelaskan dalam tabel ini. Penggunaan lahan menjelaskan cara manusia menggunakan lahan, sementara penutup lahan menggambarkan material fisik di permukaan bumi.

Jenis LULC	Deskripsi
Perairan	Perairan permanen dan musiman
Pepohonan	Hutan primer dan sekunder, serta perkebunan skala besar
Rumput	Padang rumput alami, padang rumput ternak, dan taman
Vegetasi tergenang	Bakau dan ekosistem lainnya yang tergenang
Tanaman Pangan	Tanaman baris dan tanaman padi
Perdu dan semak	Vegetasi terbuka yang padat hingga tidak padat yang terdiri dari semak
Area bangunan	Bangunan dengan kepadatan rendah, jalan raya, dan area terbuka perkotaan
Tanah kosong	Gurun dan batuan ekspos
Salju dan es	Penutup salju permanen dan musiman

Gambar dalam set data ini mencakup 10 band: sembilan band dengan estimasi probabilitas untuk masing-masing dari sembilan class LULC dan band label class yang menunjukkan class dengan estimasi probabilitas terbesar. Properti yang berbeda ini memungkinkan pengguna melakukan analisis multiwaktu dan membuat produk kustom yang sesuai dengan kebutuhan mereka.

Catatan: Penggunaan prediksi di Dynamic World ini melalui peninjauan etika untuk mengevaluasi keamanan, ketelitian ilmiah, keadilan, potensi penyalahgunaan, manfaat sosial, dan, dalam hal ini, penyelarasan dengan AI Principles Google. Jika berlaku, Anda dapat menyiapkan checkpoint di project ML untuk mengevaluasi bagaimana keputusan teknis yang Anda buat selaras dengan pernyataan misi, nilai-nilai, atau hak etika organisasi Anda.

Untuk membuka Aplikasi Dynamic World Earth Engine:

1. Buka tab lain di browser Anda.
2. Buka Dynamic World.

Peta menampilkan mosaik mode Top1 dengan naungan bukit pada level zoom tinggi.

3. Klik peta untuk melihat diagram yang menampilkan probabilitas class dari waktu ke waktu.
4. Klik titik data pada diagram untuk memuat prediksi tertentu dan gambar Sentinel-2-nya.
5. Pada panel Layers, sesuaikan lapisan dan visibilitas.

3 Menjelajahi prediksi Dynamic World di Brasil

Dynamic World menyertakan prediksi di sembilan class LULC dan menampilkan satu label Top1 untuk setiap piksel. Dunia nyata adalah gabungan dari banyak class LULC pada resolusi spasial apa pun. Di bagian ini, Anda akan menafsirkan prediksi secara visual dari waktu dan waktu.

Untuk menjelajahi prediksi Dynamic World di Brasil:

1. Di browser Anda, buka aplikasi Dynamic World EE.
2. Di kolom Telusuri tempat, masukkan Sete de Setembro, Brazil.

Anda akan melihat data komputasi Dynamic World untuk wilayah asli penduduk Paiter Surui, yang tinggal di wilayah Sete de Setembro, Rondônia, Brasil.

3. Di panel Dynamic World, masukkan 2016-01-01 di kolom Tanggal mulai dan 2022-01-01 di kolom Tanggal akhir, lalu klik Perbarui.

Peta mungkin dimuat dalam beberapa menit karena dihitung secara real time.

4. Klik di mana saja pada peta untuk membuat diagram secara real time.

Anda dapat memperbesar lebih lanjut untuk respons yang lebih cepat.

5. Periksa diagram di mana probabilitas kelas berada pada sumbu y dan waktu berada pada sumbu x.

Dalam contoh ini, prediksi class Top1 dari 1 Januari 2016 hingga 27 Juli 2017 adalah pohon, yang bervariasi dari probabilitas 0,684 hingga 0,755. Pada saat penayangan Sentinel-2 berikutnya diambil pada 5 September 2017, prediksi tidak lagi berupa pohon dan sinyal menjadi jauh lebih berisik.

6. Klik untuk memperbesar diagram.

Catatan: Jika Anda ingin secara bertanggung jawab membuat set data turunan ML, rencanakan skenario tentang bagaimana set data dapat diadaptasi untuk penggunaan yang tidak diinginkan dan bahkan berbahaya. Ajukan pertanyaan seperti, "Apakah individu, pasar, wilayah, segmen pengguna, atau populasi tertentu berisiko lebih tinggi terkena konsekuensi negatif dari penggunaan set data ini dibandingkan yang lainnya?".

4. Selamat

Anda telah mempelajari cara menerapkan prinsip AI yang bertanggung jawab dalam pembuatan set data turunan ML, seperti Dynamic World.

Pelajari lebih lanjut

• Praktik AI yang bertanggung jawab
• Pengantar Dynamic World (Bagian 1): Visualisasi dan Pembuatan Komposit