Memahami Krisis Air Global: Rekonstruksi Penyimpanan Air Terestrial GRACE dengan Jaringan Saraf Grafik Spasio-Temporal

Memahami Krisis Air Global: Rekonstruksi Penyimpanan Air Terestrial GRACE dengan Jaringan Saraf Grafik Spasio-Temporal

      Perubahan iklim dan aktivitas manusia telah secara dramatis membentuk kembali siklus air global. Memahami fluktuasi dalam penyimpanan air di Bumi adalah kunci untuk mengukur dampak ini. Penyimpanan Air Terestrial (TWS) atau Terrestrial Water Storage, yang mencakup salju, kelembaban tanah, air permukaan, dan air tanah, berfungsi sebagai indikator utama. Data TWS yang akurat sangat penting untuk membedakan variabilitas alami dari tren yang disebabkan oleh manusia, serta untuk mengelola sumber daya air bersih di tengah perubahan global yang semakin cepat.

      Namun, terdapat tantangan signifikan dalam memperoleh data TWS yang komprehensif. Misi satelit seperti Gravity Recovery and Climate Experiment (GRACE) dan penerusnya, GRACE-FO, memang memberikan pengamatan langsung yang konsisten secara global mengenai perubahan TWS sejak tahun 2002. Namun, catatan yang hanya mencakup dua dekade ini terlalu singkat untuk banyak analisis skala iklim yang membutuhkan seri waktu multi-dekade untuk mengidentifikasi tren jangka panjang, mendeteksi titik balik kritis, dan mengaitkan variabilitas dengan pendorong skala besar seperti El Niño–Southern Oscillation (ENSO). Keterbatasan ini mendorong para ilmuwan untuk mencari metode rekonstruksi data TWS yang lebih kuno, guna memberikan perspektif iklim yang lebih kaya dan mendalam.

Memahami Penyimpanan Air Terestrial (TWS) dan Misi Satelit GRACE

      Penyimpanan Air Terestrial (TWS) adalah jumlah total air yang tersimpan di dalam dan di atas permukaan daratan Bumi. Ini termasuk air dalam bentuk salju dan es, kelembaban tanah yang menopang vegetasi, air di danau dan sungai, serta air tanah di dalam akuifer. TWS sangat sensitif terhadap perubahan iklim; ia mencatat pergeseran dalam pola curah hujan, suhu, dan peristiwa cuaca ekstrem. Variasinya secara langsung terkait dengan terjadinya kekeringan, banjir, dan perubahan ketersediaan air musiman.

      Misi satelit GRACE dan GRACE-FO telah merevolusi cara kita memantau TWS. Dengan melacak perubahan halus dalam jarak antara dua satelit yang mengorbit, misi ini dapat mengukur perubahan bulanan di medan gravitasi Bumi. Dari data ini, para ilmuwan dapat menyimpulkan redistribusi massa air di benua, termasuk pergerakan air di daratan, perubahan massa es, dan penipisan air tanah. Tidak seperti jaringan pemantauan berbasis darat yang seringkali tersebar, GRACE menyediakan data homogen di seluruh dunia, menjadikannya tolok ukur penting dalam ilmu sistem Bumi, terutama di wilayah dengan jaringan di lokasi yang lemah atau tidak ada. Untuk studi lebih lanjut tentang penggunaan AI dalam analitik, Anda dapat melihat analitik video AI dari ARSA Technology.

Inovasi AI: Jaringan Saraf Grafik Spasio-Temporal (MTGNN)

      Dalam upaya mengatasi keterbatasan data GRACE yang pendek, penelitian akademik telah mengeksplorasi berbagai metode rekonstruksi, mulai dari regresi sederhana hingga model pembelajaran mesin yang lebih canggih seperti CNN (Convolutional Neural Networks) dan LSTM (Long Short-Term Memory). Namun, sebagian besar pendekatan yang ada cenderung memperlakukan sel-sel grid (wilayah geografis kecil) sebagai entitas yang secara spasial independen atau hanya secara implisit memodelkan konteks spasial. Ini mengabaikan karakter inheren siklus air yang saling terhubung dalam jaringan, di mana konektivitas hidrologi dan telekoneksi atmosfer menghubungkan wilayah yang jauh.

      Inovasi utama dalam penelitian yang dirilis melalui arXiv oleh Arzoumanidis et al. (2026) ini adalah penerapan pembelajaran mendalam grafik spasio-temporal (spatio-temporal graph deep learning) untuk masalah rekonstruksi ini. Model yang digunakan adalah Multivariate Time Series Graph Neural Network (MTGNN), sebuah arsitektur yang menarik perhatian karena awalnya dikembangkan untuk domain mobilitas dan lalu lintas, yaitu untuk memprediksi kondisi lalu lintas di jaringan sensor jalan perkotaan. Analogi struktural yang mendorong transfer ini cukup jelas. Dalam prediksi lalu lintas, sensor membentuk node-node dalam grafik, kemacetan menyebar di sepanjang jaringan jalan, dan model harus menangkap bagaimana gangguan di satu lokasi memengaruhi pembacaan di tempat lain dengan penundaan.

Bagaimana Model Ini Bekerja

      Dalam konteks hidrologi, sel-sel grid 1 derajat di permukaan bumi menjadi node-node dalam grafik. Node-node ini membawa variabel pendorong meteorologi harian dari reanalisis ERA5 (curah hujan, evapotranspirasi, limpasan). Yang membedakan pendekatan ini adalah cara ketergantungan spasial dienkode. Alih-alih menggunakan jaringan jalan yang ada atau grafik yang dipelajari, para peneliti membangun matriks adyacensi hibrida statis yang dapat diinterpretasikan. Matriks ini menggabungkan dua jenis informasi:

• Kedekatan geodetik (geodesic proximity): Jarak geografis antar sel-sel grid, yang menangkap hubungan hidrologi lokal.
• Korelasi iklim tertunda (lagged climatic correlations): Bagaimana perubahan iklim di satu wilayah memengaruhi wilayah lain dengan penundaan waktu, menangkap telekoneksi skala besar.

      Model MTGNN kemudian dilatih pada periode GRACE/GRACE-FO (2002–2023) untuk mempelajari hubungan antara pendorong meteorologi harian ERA5 dan pengamatan GRACE bulanan. Setelah dilatih, model ini mampu merekonstruksi anomali TWS bulanan (TWSA) hingga kembali ke tahun 1940, yaitu awal reanalisis ERA5. Implementasi awal berfokus pada Amerika Selatan sebagai wilayah uji, yang melibatkan 1.120 node daratan dalam alur kerja yang dirancang secara global. Pendekatan ini menunjukkan bagaimana solusi AI kustom dapat diadaptasi untuk tantangan unik di berbagai domain.

Dampak dan Temuan Utama di Amerika Selatan

      Evaluasi rekonstruksi TWS di Amerika Selatan menunjukkan hasil yang menjanjikan dibandingkan dengan data GRACE/GRACE-FO (2002–2023). Model ini mencapai korelasi Pearson sel-grid sebesar 0,69, korelasi rata-rata cekungan sebesar 0,94, dan bias mendekati nol. Ini berarti model tidak hanya secara akurat mencerminkan pola TWS pada tingkat regional, tetapi juga sangat baik dalam mereproduksi variasi skala besar di seluruh cekungan sungai.

      Salah satu temuan paling signifikan adalah kemampuan model untuk mereproduksi "jejak spasial" dari peristiwa iklim besar seperti El Niño 2015/16 dan La Niña 2020/21. Kemampuan ini sangat penting karena menunjukkan bahwa model tidak hanya menangkap pola statistik, tetapi juga dinamika fisik yang mendasari siklus air terestrial sebagai respons terhadap pendorong iklim global. Dengan data yang direkonstruksi hingga 1940, para ilmuwan dapat menganalisis peristiwa-peristiwa ini dalam konteks sejarah yang jauh lebih panjang, memberikan wawasan berharga tentang frekuensi, intensitas, dan dampak jangka panjang dari fenomena iklim ekstrem.

Keunggulan Pendekatan Berbasis Grafik dan Tantangan ke Depan

      Perbandingan sistematis dengan pendekatan rekonstruksi yang sudah ada (GTWS-MLrec, RM-REC, GRAiCE) menunjukkan bahwa model berbasis grafik ini sangat kompetitif secara statistik pada skala cekungan, mencapai korelasi dalam 0,025 dari baseline terbaik. Keunggulan pentingnya adalah efisiensi: model berbasis grafik ini hanya membutuhkan sekitar setengah hingga sepersepuluh jumlah predictor (variabel input) dibandingkan model lain yang mencetak skor lebih baik. Ini menunjukkan efektivitas arsitektur GNN dalam mengekstraksi informasi spasial-temporal yang relevan dengan lebih sedikit data.

      Penelitian ini juga mengungkapkan kelemahan karakteristik yang sama di semua model, yaitu di wilayah kering dan daerah yang sangat dipengaruhi oleh aktivitas manusia. Ini menyoroti area untuk penelitian dan pengembangan di masa depan. Sebagai sebuah perusahaan yang berpengalaman sejak 2018 dalam mengembangkan solusi AI dan IoT yang praktis, ARSA Technology memahami pentingnya mengatasi tantangan ini. Langkah selanjutnya yang diusulkan termasuk memperluas parameter input (uji coba suhu telah meningkatkan korelasi sel-grid dari 0,69 menjadi 0,71) dan mengintegrasikan batasan berbasis fisika (physics-informed constraints) berdasarkan persamaan keseimbangan air terestrial untuk meningkatkan akurasi dan keandalan.

Kesimpulan

      Penerapan jaringan saraf grafik spasio-temporal untuk merekonstruksi data penyimpanan air terestrial GRACE merupakan langkah maju yang signifikan dalam bidang GeoAI dan ilmu iklim. Pendekatan ini tidak hanya memberikan catatan TWS yang lebih panjang dan konsisten untuk analisis iklim, tetapi juga menunjukkan fleksibilitas dan kekuatan arsitektur AI canggih dalam memecahkan masalah kompleks lintas domain. Kemampuan untuk mengadaptasi model dari perkiraan lalu lintas perkotaan ke geodinamika satelit menggarisbawahi potensi luas AI dalam memajukan pemahaman kita tentang sistem Bumi dan lingkungan.

      Untuk mendukung reproduksibilitas dan penelitian di masa depan, implementasi lengkap model ini tersedia secara publik di https://github.com/hcu-cml/MTGNN-TWS-Reconstruction-GRACE.

      ARSA Technology berkomitmen untuk menghadirkan inovasi AI dan IoT yang mengubah data pasif menjadi kecerdasan operasional yang prediktif. Jika organisasi Anda ingin memanfaatkan kekuatan AI untuk analitik data kompleks atau mengembangkan solusi kustom yang disesuaikan dengan kebutuhan operasional spesifik, jangan ragu untuk menghubungi tim ARSA.

      Sumber: Arzoumanidis, L., Johannsen, L., Middendorf, K., Eicker, A., & Dehbi, Y. (2026). Reconstructing GRACE Terrestrial Water Storage with Spatio-Temporal Graph Neural Networks: An Application to South America. https://arxiv.org/abs/2606.23833