Integrasi Data Observasi Global dengan Model Hidrodinamik untuk Prediksi Agregasi Spesies Kelautan pada Platform Tanam Sehat
Platform Peta Ikan Tanam Sehat beroperasi di bawah paradigma bahwa distribusi spesies laut tidak statis, melainkan merupakan fenomena dinamis yang diatur oleh interaksi kompleks antara perilaku biologis spesies dan kondisi oseanografi fisik. Platform ini mengintegrasikan data kejadian biologis dari repositori global (iNaturalist, GBIF, OBIS) dengan model oseanografi numerik untuk memberikan konteks lingkungan pada setiap observasi.
Distribusi spesies (\(\Psi\)) pada titik spasial-temporal (\(x, y, z, t\)) dapat dimodelkan sebagai fungsi dari preferensi habitat intrinsik (\(H\)) dan pengaruh dari proses transpor oseanografi (\(\Phi\)).
$$ \Psi(x, y, z, t) = f(H_{spesies}, \Phi_{fisik}) $$
Di mana \(H\) adalah fungsi dari variabel seperti suhu, salinitas, dan ketersediaan makanan, sementara \(\Phi\) didominasi oleh adveksi (arus) dan difusi (turbulensi).
Untuk menyediakan variabel \(\Phi_{fisik}\), platform ini mengintegrasikan output dari model sirkulasi laut global seperti HYCOM (Hybrid Coordinate Ocean Model) atau NEMO (Nucleus for European Modelling of the Ocean). Model-model ini menyelesaikan persamaan Navier-Stokes untuk fluida berotasi dan berlapis (stratified) untuk memprediksi arus laut, suhu, dan salinitas.
Setiap parameter yang dianalisis memiliki dasar fisika dan matematis yang mendalam, yang digunakan untuk menginterpretasikan data kejadian.
Arus laut adalah komponen kunci dari \(\Phi_{fisik}\). Selain keseimbangan geostrofik, transpor di lapisan permukaan sangat dipengaruhi oleh angin melalui Spiral Ekman. Tegangan angin (\(\tau\)) menyebabkan transpor massa air bersih tegak lurus terhadap arah angin (ke kanan di Belahan Bumi Utara).
$$ M_{Ekman} = \frac{\tau}{f} $$
Divergensi dalam transpor Ekman (\(\nabla \cdot M_{Ekman} \neq 0\)) menyebabkan upwelling atau downwelling, yang secara vertikal mengangkut nutrien dan plankton, menciptakan zona makan yang vital.
Agregasi ikan pelagis seringkali berkorelasi dengan zona produktivitas primer yang tinggi, yang dapat diestimasi dari konsentrasi Klorofil-a (\(C_{chl}\)) melalui sensor satelit (misalnya, MODIS, VIIRS). Hubungan antara \(C_{chl}\) dan Produktivitas Primer Netto (\(PPN\)) dimodelkan dengan algoritma seperti VGPM (Vertically Generalized Production Model).
$$ PPN = P_{opt}^B \cdot C_{chl} \cdot f(I_0) \cdot Z_{eu} $$
Di mana \(P_{opt}^B\) adalah laju fotosintesis maksimum, \(f(I_0)\) adalah fungsi ketergantungan pada iradiansi permukaan, dan \(Z_{eu}\) adalah kedalaman zona fotik.
Termoklin, lapisan di mana suhu berubah secara drastis terhadap kedalaman, adalah fitur oseanografi penting yang sering menjadi zona agregasi bagi banyak spesies pelagis. Stabilitas kolom air diukur dengan frekuensi Brunt-Väisälä (\(N\)).
$$ N^2 = -\frac{g}{\rho_0} \frac{\partial \rho}{\partial z} $$
Di mana \(g\) adalah gravitasi, \(\rho_0\) adalah densitas referensi, dan \(\frac{\partial \rho}{\partial z}\) adalah gradien densitas vertikal. Nilai \(N^2\) yang tinggi menandakan stratifikasi yang kuat (termoklin yang tajam), yang dapat memerangkap nutrien dan plankton.
Topografi bawah laut seperti gunung laut (seamount) dan tepi landas kontinen secara signifikan memodifikasi sirkulasi lokal, seringkali menciptakan fenomena upwelling yang membawa air kaya nutrien ke permukaan dan menjadi 'hotspot' biologis. Interaksi arus dengan topografi dapat memicu gelombang internal dan vortisitas.
Aplikasi ini menggabungkan data kejadian dengan model fisika untuk menyediakan analisis prediktif dan inferensial.
Aplikasi melakukan kueri simultan ke iNaturalist, GBIF, dan OBIS. Data yang diterima kemudian diharmonisasi: taksonomi divalidasi silang, dan format data diseragamkan. Data arus laut dari server model hidrodinamik di-overlay secara dinamis pada peta, memberikan konteks fisika secara real-time.
Untuk setiap titik kejadian yang dipilih, aplikasi secara otomatis mengekstrak nilai-nilai oseanografis dari lapisan data model di latar belakang (suhu permukaan laut, klorofil, batimetri, dll.). Informasi ini kemudian digunakan untuk mengontekstualisasikan mengapa spesies tersebut mungkin berada di lokasi tersebut.
Informasi biologis spesies, data kejadian spesifik, dan data oseanografis yang relevan (termasuk data arus yang diekstrak) disintesis menjadi prompt terstruktur untuk Google Gemini API. LLM kemudian bertindak sebagai "ahli biologi kelautan virtual", memberikan dua jenis output utama: