Pemodelan Spasial Data Penginderaan Jauh Berbasis Suhu Udara menggunakan Pendekatan Machine Learning: Tinjauan Literatur Sistematis

Studi ini menyajikan tinjauan sistematis pemodelan suhu udara spasial berdasarkan data penginderaan jauh menggunakan pendekatan machine learning selama periode 2016–2025. Dengan menggunakan kerangka PRISMA, kami melakukan pencarian literatur di Google Scholar (998 artikel) dan Scopus (489 artikel).. Setelah menggabungkan dataset, menghapus duplikat, dan menerapkan kriteria inklusi-eksklusi, 12 artikel dipertahankan untuk analisis mendalam. Temuan menunjukkan peningkatan yang signifikan dalam publikasi sejak tahun 2021, mencerminkan minat global yang meningkat dalam mengintegrasikan penginderaan jauh dan machine learning untuk estimasi suhu udara. Algoritma ensemble seperti Random Forest dan XGBoost mendominasi karena keseimbangan akurasi dan efisiensi komputasi, sementara pendekatan deep learning temporal seperti LSTM dan TCN muncul sebagai alat yang ampuh untuk menangkap dinamika atmosfer yang kompleks. Di antara prediktor penginderaan jauh, Land Surface Temperature (LST) paling sering digunakan, sering dilengkapi dengan NDVI, albedo, dan elevasi untuk meningkatkan akurasi spasial. Konteks geografis sangat mempengaruhi kinerja metodologis. XGBoost terbukti efektif di daerah perkotaan heterogen, Random Forest bekerja dengan baik di daerah pegunungan, dan jaringan saraf tiruan menunjukkan kemampuan adaptasi yang lebih tinggi di lingkungan ekstrem seperti lapisan es Greenland. Meskipun demikian, keterbatasan observasi berbasis darat dan jaringan stasiun yang jarang tetap menjadi tantangan utama, terutama di wilayah tropis dan kepulauan. Tinjauan ini mengidentifikasi tiga arah utama untuk penelitian masa depan: (1) memperluas studi ke wilayah tropis yang kurang terwakili, (2) memanfaatkan metode deep learning temporal untuk mendeteksi kejadian ekstrem, dan (3) mengintegrasikan data multisensor dengan strategi validasi inovatif untuk meningkatkan ketahanan dan keandalan pemodelan suhu udara.