Digitalna transformacija u upravljanju prostorom: AI rješenja za Vodnjan i Šoltu uz podršku EDIH Adria

Izazovi

Grad Vodnjan i Općina Šolta, kao jedinice lokalne samouprave u Jadranskoj Hrvatskoj, suočavaju se sa sličnim izazovima u upravljanju svojim teritorijem. Očuvanje prostora, sprječavanje bespravne gradnje, identifikacija ilegalno odloženog otpada (divljih deponija) te praćenje ugovorenog korištenja poljoprivrednog zemljišta koje je dano u višegodišnji zakup ključni su zadaci. Tradicionalne metode nadzora, koje se oslanjaju na terenske izvide komunalnih redara i ručnu provjeru dokumentacije, često su spore, resursno zahtjevne i nedovoljno učinkovite za pokrivanje čitavog područja jedinica lokalne samouprave, posebno uzevši u obzir ograničene ljudske kapacitete. Postoji dakle jasna potreba za modernizacijom i uvođenjem digitalnih alata koji bi unaprijedili nadzor i učinkovitost komunalnih službi.

Rješenje

Kroz program “Test Before Invest” (TBI) i uz stručnu podršku EDIH Adria konzorcija, Grad Vodnjan i Općina Šolta testirali su potencijal primjene umjetne inteligencije (AI) i analize satelitskih te aerofoto snimaka za rješavanje navedenih izazova. Cilj je bio ispitati mogu li AI modeli automatizirati detekciju promjena u prostoru i pružiti pravovremene informacije relevantnim službama.

U sklopu TBI aktivnosti, testirani su različiti pristupi i AI modeli strojnog učenja:

• Detekcija objekata (građevina i obrađenih površina): Testirani su modeli poput YOLO (You Only Look Once) arhitekture te OWL-ViT (Open World Vision Transformer). Cilj je bio automatski identificirati građevine te utvrditi da li za njih postoji građevinska dozvola, te razlikovati obrađene od neobrađenih poljoprivrednih površina usporedbom snimaka kroz vrijeme. Prototipovi, poput sustava “SatelliteGuard” razvijenog za Vodnjan, demonstrirali su sposobnost detekcije s visokom razinom preciznosti na temelju lokalno relevantnih podataka.

• Detekcija divljih deponija: Za identifikaciju nepravilnih uzoraka koji ukazuju na divlje deponije, testirani su napredniji modeli poput Google Gemini 2.0 Flash, sposobni za analizu kompleksnih vizualnih obrazaca i klasifikaciju područja kao sumnjivih na ilegalno odlaganje otpada, čak i uz ograničen broj primjera za treniranje specifičnih modela detekcije.

Rješenja su testirana korištenjem javno dostupnih snimaka (npr. Geoportal, Uređena zemlja) i potencijalno komercijalnih satelitskih snimaka, a prototip rješenja su razvijena kako bi vizualizirali rezultate detekcije putem jednostavnih korisničkih sučelja (npr. baziranih na Streamlit UI sučelju).

Rezultati i koristi

Testiranja provedena u Gradu Vodnjanu i Općini Šolta pokazala su značajan potencijal AI tehnologija za unapređenje upravljanja prostorom, omogućavajući:

• Povećanu učinkovitost: Automatizirana analiza snimaka može drastično smanjiti vrijeme potrebno za identifikaciju potencijalnih nepravilnosti u prostoru u usporedbi s manualnim terenskim radom.
• Poboljšanu točnost i dosljednost: AI modeli pružaju objektivnu i konzistentnu analizu, smanjujući mogućnost ljudske pogreške ili propusta u detekciji.
• Bolju alokaciju resursa: Komunalni redari mogu usmjeriti svoje vrijeme i resurse na provjeru lokacija koje je AI sustav označio kao visoko sumnjive, umjesto nasumičnih ili opsežnih terenskih pregleda.
• Pravovremeno djelovanje: Brža detekcija omogućava bržu reakciju nadležnih službi, sprečavajući daljnju devastaciju prostora ili konsolidaciju bespravnih objekata.
• Podrška prostornom planiranju i zaštiti okoliša: Sustav pruža vrijedne podatke za praćenje promjena u korištenju zemljišta, planiranje razvoja i provedbu mjera zaštite okoliša.
• Visok potencijal primjene: Testirani YOLO modeli (npr. u Gradu Vodnjanu) postigli su visoke metrike (mAP > 80%), dok su modeli za detekciju otpada pokazali visoku točnost u binarnoj klasifikaciji (>80%), čak i bez specifičnog finog podešavanja za lokalne podatke.

Naučene lekcije

Tijekom TBI faze identificirane su ključne spoznaje za uspješnu implementaciju:

• Kvaliteta i relevantnost podataka: Za optimalne rezultate ključno je treniranje modela na visokokvalitetnim satelitskim/aero snimkama koje odražavaju specifične lokalne karakteristike (arhitektura, vegetacija, tipovi tla).
• Potreba za prilagodbom modela: Generički, unaprijed trenirani modeli često nisu dovoljni. Potrebno je fino podešavanje (fine-tuning) ili razvoj custom modela (npr. YOLOv10 temeljen na lokalnim podacima) kako bi se postigla željena preciznost.
• Kombinirani pristup: Korištenje različitih AI modela (npr. YOLO za objekte, Gemini/OWL-ViT za kompleksne uzorke) može pružiti sveobuhvatnije rješenje.
• Integracija sa GIS sustavima: Ključno je osigurati integraciju AI rješenja s postojećim GIS (GeoInformacijski Sustav) platformama koje koriste gradske/općinske službe radi lakšeg korištenja i vizualizacije podataka.
• Korisničko sučelje: Potrebno je razviti intuitivno sučelje koje omogućava jednostavno korištenje sustava i interpretaciju rezultata od strane osoblja bez naprednog tehničkog znanja.
• Strategija akvizicije snimaka: Potrebno je definirati optimalnu strategiju nabave satelitskih snimaka (frekvencija, rezolucija, cijena) kroz analizu dostupnih komercijalnih pružatelja usluga.

Procijenjeni učinci implementacije

Na temelju testiranja prototip rješenja i analize postojećih procesa, procjenjuje se da bi puna implementacija AI sustava mogla donijeti značajna unapređenja u upravljanju prostorom. Očekuje se drastično skraćenje vremena potrebnog za preliminarnu identifikaciju potencijalno sumnjivih lokacija u usporedbi s dugotrajnim manualnim pregledima ili terenskim radom. Ovo ubrzanje bi izravno dovelo do optimizacije terenskog rada komunalnih redara, jer bi se smanjila potreba za neselektivnim izvidima, omogućujući im da svoje resurse usmjere na provjeru lokacija koje je AI sustav označio kao visoko rizične, što bi rezultiralo efikasnijim korištenjem njihovog radnog vremena. Nadalje, sustavnim i kontinuiranim nadzorom iz zraka povećava se vjerojatnost ranog otkrivanja bespravnih aktivnosti i divljih deponija koje bi inače mogle proći nezapaženo. Implementacija bi također omogućila redovitije i sustavnije praćenje promjena u korištenju poljoprivrednih površina i drugih važnih elemenata u prostoru.

Zaključak

“Test Before Invest” projekti provedeni u Gradu Vodnjanu i Općini Šolta uspješno su demonstrirali da je primjena umjetne inteligencije i analize satelitskih snimaka izvedivo i vrlo potentno rješenje za modernizaciju nadzora i upravljanja prostorom u jedinicama lokalne samouprave. Stečeni uvidi i razvijeni prototip modeli pružaju čvrstu osnovu za donošenje informiranih odluka o nabavi i implementaciji cjelovitih komercijalnih rješenja. EDIH Adria nastavlja pružati podršku Gradu Vodnjanu, Općini Šolta i drugim JLS-ovima kao i malim i srednjim tvrtkama (SME) u njihovim naporima digitalne transformacije, pomažući im da iskoriste prednosti naprednih tehnologija za učinkovitije, transparentnije i održivije upravljanje svojim resursima