Riset yang dipimpin University of Sydney di Australia membuka babak baru dalam upaya konservasi koala berskala besar dengan memanfaatkan teknologi pengindraan jauh mutakhir dan kecerdasan buatan. Bekerja sama dengan University of New England serta sejumlah mitra riset, studi terbaru ini menunjukkan bagaimana citra hiperspektral dari pesawat udara mampu mengidentifikasi jenis pohon eukaliptus beserta kualitas nutrisinya secara akurat. Temuan ini membantu para ahli ekologi menentukan habitat yang paling sesuai bagi kelangsungan hidup populasi koala.
Teknologi hiperspektral merupakan bentuk lanjutan dari pengindraan jauh yang merekam pantulan cahaya dalam ratusan pita panjang gelombang sempit, termasuk spektrum yang tidak dapat dilihat oleh mata manusia. Dilansir dari OpenGov Asia, informasi spektral yang sangat rinci ini memungkinkan peneliti mendeteksi perbedaan halus pada vegetasi, yang berkaitan langsung dengan kimia daun, kandungan air, serta pigmen tumbuhan. Faktor-faktor tersebut krusial dalam menilai kualitas habitat, terutama bagi satwa seperti koala yang sangat bergantung pada sumber pakan tertentu.
Berbeda dengan citra udara atau satelit konvensional, data hiperspektral mampu menangkap variasi detail hingga tingkat kanopi pohon individu. Ketika dikumpulkan menggunakan wahana udara, teknologi ini dapat memetakan wilayah yang sangat luas dalam waktu singkat tanpa mengorbankan resolusi spasial dan spektral. Hal ini memberi keuntungan besar dalam menganalisis lanskap yang terfragmentasi dan beragam, yang selama ini sulit dipetakan hanya dengan survei lapangan.
Dalam penelitian ini, citra hiperspektral udara dipadukan dengan model pembelajaran mesin untuk mengenali spesies eukaliptus yang menjadi favorit koala sekaligus memperkirakan kandungan nitrogen daun yang menjadi indikator utama nilai nutrisi. Koala dikenal sebagai pemakan selektif, hanya mengonsumsi daun dari spesies eukaliptus tertentu dan dalam kondisi nutrisi yang sesuai. Bahkan pada spesies yang sama, komposisi kimia daun dapat berbeda dan memengaruhi kelayakan habitat.
Untuk melatih dan memvalidasi model, tim peneliti melakukan kerja lapangan secara intensif dengan mengidentifikasi pohon-pohon secara langsung, mencatat koordinatnya, serta mengumpulkan sampel daun untuk dianalisis di laboratorium. Data lapangan ini kemudian dikaitkan dengan tanda spektral yang terekam dalam citra udara. Hasilnya, model mampu memanfaatkan informasi pada tingkat piksel kanopi pohon untuk memprediksi jenis spesies dan kualitas nutrisi di area yang jauh lebih luas.
Penelitian dilakukan di wilayah barat laut New South Wales, kawasan pertanian yang ditandai oleh sisa-sisa hutan eukaliptus di tengah lahan pertanian. Lanskap semacam ini makin umum di Australia bagian timur dan menghadirkan tantangan besar bagi konservasi satwa liar. Populasi koala di wilayah seperti ini menghadapi tekanan akibat fragmentasi dan hilangnya habitat sehingga identifikasi cepat dan tepat terhadap habitat berkualitas tinggi menjadi sangat penting.
Dengan kemampuan menilai komposisi spesies pohon dan kesesuaian nutrisi dalam skala bentang alam, teknologi ini mendukung perencanaan konservasi yang lebih terarah. Para ahli ekologi dan pengelola lahan dapat memanfaatkannya untuk menentukan prioritas perlindungan habitat, merancang kegiatan restorasi, hingga menilai kelayakan wilayah untuk relokasi koala. Pendekatan ini menandai pergeseran dari survei berskala lokasi menuju pengambilan keputusan berbasis data dalam skala lanskap.
Studi ini juga menegaskan peran strategis perguruan tinggi dalam pengembangan teknologi lingkungan terapan. Kemajuan sensor, pengolahan data, dan kecerdasan buatan memungkinkan peneliti akademik mengekstraksi informasi ekologis yang bermakna dari data pengamatan bumi yang kompleks. Citra hiperspektral, khususnya, menjadi jembatan antara pengukuran fisik pantulan cahaya dan atribut biologis yang relevan bagi konservasi spesies.
Ke depan, para peneliti berencana memperluas pendekatan ini ke wilayah lain di New South Wales dan Australia bagian timur. Kolaborasi berkelanjutan antara University of Sydney, University of New England, dan mitra sektor publik diharapkan mendukung penerapan survei hiperspektral secara lebih luas serta pengembangan infrastruktur riset bersama. Kehadiran sensor hiperspektral generasi baru pada dekade ini juga diproyeksikan meningkatkan cakupan dan ketelitian analisis.
