Demo interaktif
Daftar slick (poligon per tumpahan)
Pilih sampel untuk mulai.
⚠ Alat bantu screening, bukan pengganti analis. Area gelap alami (angin lemah, lapisan biogenik) dapat terdeteksi sebagai minyak. Model dilatih pada Sentinel-1A (Teluk Persia).
Simulasi arah & laju penyebaran
Poligon hasil deteksi di atas digerakkan dengan aturan drift 3% kecepatan angin + 100% arus permukaan dan diperluas dengan persamaan penyebaran Fay. Hasilnya: ke mana slick bergerak, seberapa cepat melebar, dan berapa panjang oil boom (rangkaian pelampung penahan) yang perlu disiapkan saat tim tiba.
Rumus & batasan simulasi
- Drift: vslick = 0,03 · vangin + varus (aturan praktis yang juga dipakai model trajektori seperti NOAA GNOME). Arah angin memakai konvensi meteorologi (arah asal angin).
- Penyebaran: Fay (1971) rezim gravitasi-viskos: A(t) = π·k₂²·(Δ·g·V²/√ν)1/3·t1/2, k₂ = 1,45, Δ = (ρair − ρminyak)/ρair. Umur slick saat terdeteksi dihitung balik dari luas terdeteksi, lalu luas diproyeksikan ke depan.
- Difusi turbulen: ΔA = 8πK·t (patch Gaussian, radius 2σ, σ² = 2Kt), dengan K dari hukum skala Okubo (1971): K = 0,0103·L1,15 cm²/s, L = diameter ekuivalen slick. Untuk slick tipis yang sudah melebar, pelebaran berikutnya lebih banyak disebabkan turbulensi permukaan daripada gaya gravitasi.
- Volume: luas terdeteksi × ketebalan menurut kode penampakan Bonn Agreement (dipilih pengguna, karena SAR tidak mengukur ketebalan).
- Oil boom: 1,3 × keliling convex hull slick prediksi saat tim tiba (kelonggaran untuk tambatan & lekukan). Boom penahan umumnya mulai bocor bila arus relatif > 0,7 knot.
- Batasan: tidak memodelkan penguapan, emulsifikasi, garis pantai, variasi angin/arus dalam waktu, maupun turbulensi. Dataset SOS tidak memiliki koordinat & waktu akuisisi sehingga simulasi tidak bisa divalidasi terhadap kejadian nyata. Gunakan sebagai gambaran awal, lalu perbarui dengan data cuaca/oseanografi dan citra berikutnya.
Efisiensi biaya & manajemen risiko
Asumsi pemantauan per bulan
Dengan computer vision
Citra Sentinel-1 gratis (Copernicus open data). Inferensi berjalan di browser sehingga biaya komputasinya praktis nol.Hasil perbandingan
CV tidak menghapus patroli sepenuhnya: sortie konfirmasi tetap dibutuhkan untuk verifikasi, pengambilan sampel, dan respons. Yang berkurang adalah sortie pencarian rutin.
Register risiko HSSE (L × S, skala 1–5)
Matriks risiko 5 × 5
- Eliminasi paparan: pencarian slick dipindah dari lapangan ke analisis citra (hierarki pengendalian tertinggi).
- Pengendalian teknis: alarm otomatis + poligon & estimasi boom mempercepat keputusan.
- Administratif: verifikasi analis untuk setiap alarm, sortie konfirmasi hanya bila perlu.
- Risiko baru (salah deteksi) dicatat dan dikendalikan, bukan diabaikan.
Performa model: Machine Learning vs Deep Learning
| Model | Dice | IoU | Precision | Recall | Dice PALSAR* | Ukuran web | CPU 1 thread |
|---|
*Uji lintas sensor: model hanya dilatih dengan Sentinel-1, lalu diuji pada 776 citra ALOS PALSAR. Latency diukur di CPU Colab (ONNX Runtime, batch 1).
Dice test Sentinel-1
Cara kerja
Citra satelit
Sentinel-1 SAR memotret laut siang-malam dan menembus awan. Minyak tampak gelap karena meredam riak gelombang.
Segmentasi ML / DL
Random Forest & LightGBM memakai 13 fitur tekstur buatan; U-Net & DeepLabV3+ belajar fitur sendiri.
Poligon & luas
Mask diubah jadi poligon per slick: luas, keliling, dan GeoJSON siap dipakai di GIS.
Simulasi & boom
Proyeksi drift & penyebaran memberi arah gerak dan kebutuhan oil boom untuk tim HSSE.