Deteksi Metana dari Satelit & Investigasi Insiden Berbasis Agen

Masalah

Kebocoran metana di kilang dan fasilitas gas berisiko bagi keselamatan sekaligus emisi. Sensor darat hanya mencakup titik tetap, citra satelit terlalu besar untuk ditinjau manual, dan banyak plume yang terlihat sebenarnya adalah venting atau flaring terencana, sehingga deteksi mentah saja akan membanjiri operator dengan alarm palsu.

Pendekatan

Saya merancang arsitektur hybrid on-premise/AWS dengan tiga lapisan: pipeline ingestion Spark/Sedona untuk tiga sensor satelit publik, model segmentasi per sensor dengan fitur berbasis fisika dan kuantifikasi laju emisi, serta lapisan agentik di mana aturan men-triase setiap deteksi sebelum agen LLM menginvestigasi akar masalah. Model sengaja diposisikan sebagai pemeringkat kandidat yang ditinjau manusia, bukan pengambil keputusan otonom.

Cara Kerja

1. 1
   IngestDAG Airflow menentukan tile satelit dari area tiap lokasi dan menarik scene Sentinel-2, Landsat 8/9, dan NASA EMIT ke data lake Hadoop.
2. 2
   Lapisan Bronze & SilverSpark dan rasterio mendekode piksel ke tabel terpartisi; Apache Sedona memotongnya sesuai poligon tiap lokasi.
3. 3
   DeteksiSegmentasi PyTorch per sensor yang dilatih di node GPU Dataiku pada AWS EKS: model DeepLabV3+/ConvNeXt dengan pretraining self-supervised SimCLR pada rasio band Sentinel-2, U-Net untuk Landsat, serta matched filter dan U-Net untuk EMIT hiperspektral.
4. 4
   KuantifikasiIntegrated Mass Enhancement dengan data angin reanalisis memperkirakan laju emisi dalam kg/jam, terkalibrasi hingga rata-rata galat sekitar 5%; poligon plume dan lajunya disimpan di tabel Gold dan GeoTIFF.
5. 5
   TriaseAturan memeriksa jarak ke aset, alarm detektor gas dalam ±60 menit, buffer dampak, dan work order untuk venting terencana, lalu menetapkan tingkat keparahan.
6. 6
   InvestigasiUntuk kejadian dengan keparahan lebih tinggi, Deep Agent LangGraph berbasis Gemini yang berjalan sebagai Databricks Lakeflow Jobs mengorelasikan deteksi dengan data sensor, aset, work order, P&ID, dan HSE, menemukan akar masalah, merekomendasikan tindakan terbaik berikutnya, dan menulis laporan yang dijaga oleh pemeriksaan sitasi.
7. 7
   Kirim & evaluasiPoligon plume dipublikasikan ke ArcGIS dan peringatan ke tabel Delta; LLM-as-judge menilai faithfulness, relevansi, dan kelengkapan di Langfuse.

Yang Saya Bangun

• Arsitektur hybrid on-premise/AWS: ingestion Airflow, pipeline medallion PySpark/Apache Sedona, pelatihan GPU Dataiku di AWS EKS, dan agen Databricks dengan Lakeflow Jobs yang mempublikasikan ke ArcGIS.
• Pipeline ingestion dan medallion untuk tiga sensor satelit, termasuk migrasi ingestion dari Databricks ke Airflow + Hadoop.
• Model segmentasi PyTorch (U-Net, DeepLabV3+ dengan ConvNeXt) dengan pretraining self-supervised SimCLR pada 57 ribu tile, mencapai F1 di atas 0,7 pada plume nyata.
• Seluruh lapisan agentik: parsing diagram pabrik dan PDF prosedur oleh LLM menjadi tabel dan halaman wiki, triase berbasis aturan, Deep Agent untuk akar masalah dan tindakan terbaik berikutnya, serta kontrak peringatan.
• Harness evaluasi dengan kasus ground-truth dan ambang LLM-as-judge, serta sekitar 150 tes otomatis.

Dampak

Platform ini masuk produksi pada Oktober 2026. Platform membawa piksel satelit mentah hingga menjadi laporan insiden yang siap ditinjau, divalidasi pada benchmark metana publik dan pilot insiden end-to-end dengan data sintetis, serta menyaring operasi terencana sebelum ada yang diberi peringatan. Saya menulis hampir seluruh kode ML dan agen serta sebagian besar rekayasa datanya.