AI kontra azbest
Deep Learning w identyfikacji azbestu na zdjęciach lotniczych
Zakres analizy
Cel analizy
Celem analizy było oszacowanie masy pokryć dachowych zawierających azbest na terenie Kielc na podstawie zdjęć lotniczych oraz porównanie uzyskanych wyników z danymi zawartymi w dostępnych bazach informacji przestrzennych.
Ramy czasowe
Badanie przeprowadzono na podstawie ortofotomapy z dnia 28.09.2023 r.
Obszar badań
Obszar badań obejmował całkowitą powierzchnię miasta, zgodnie z granicami administracyjnymi Kielc.
Metodologia
W ramach badań wykorzystano szereg narzędzi, w tym platformę Roboflow, środowisko Ultralytics Hub, a także oprogramowanie QGIS wraz z wtyczką Deepness: Deep Neural Remote Sensing.
Cel analizy
Celem analizy było oszacowanie masy pokryć dachowych zawierających azbest na terenie Kielc na podstawie zdjęć lotniczych oraz porównanie uzyskanych wyników z danymi zawartymi w dostępnych bazach informacji przestrzennych.
Ramy czasowe
Badanie przeprowadzono na podstawie ortofotomapy z dnia 28.09.2023 r.
Obszar badań
Obszar badań obejmował całkowitą powierzchnię miasta, zgodnie z granicami administracyjnymi Kielc.
Metodologia
W ramach badań wykorzystano szereg narzędzi, w tym platformę Roboflow, środowisko Ultralytics Hub, a także oprogramowanie QGIS wraz z wtyczką Deepness: Deep Neural Remote Sensing.
Cel, zakres i metodologia badań
Wymiana pokryć dachowych wykonanych z azbestu stanowi jedno z istotnych wyzwań infrastrukturalnych i społecznych w Polsce. Pomimo upływu czasu oraz wdrożenia licznych działań legislacyjnych i edukacyjnych, na terenie naszego kraju wciąż znajduje się znaczna liczba budynków, których dachy wykonano z materiałów zawierających ten szkodliwy minerał. Zgodnie z założeniami rządowego „Programu Oczyszczania Kraju z Azbestu na lata 2009–2032”, właściciele i zarządcy nieruchomości są zobowiązani do całkowitego usunięcia wyrobów zawierających azbest do dnia 31 grudnia 2032 roku1.
Jednostki samorządu terytorialnego mają obowiązek corocznego przekazywania informacji o występowaniu azbestu na swoim obszarze. Dane te są jednak w dużej mierze oparte na deklaracjach właścicieli i zarządców nieruchomości, co istotnie wpływa na ich wiarygodność. W praktyce wiele osób nie zgłasza wymaganych informacji – zarówno z powodu niewystarczającej wiedzy i niskiego poziomu świadomości zagrożeń zdrowotnych, jak i obaw przed kosztami związanymi z demontażem i utylizacją pokrycia dachowego. W efekcie prowadzi to do znacznych niedoszacowań. Zgodnie z raportem Najwyższej Izby Kontroli (NIK), baza danych dotycząca wyrobów azbestowych jest niekompletna i nie odzwierciedla rzeczywistego stanu. Aż w 78% skontrolowanych gmin stwierdzono rozbieżności między zgromadzonymi danymi a faktyczną ilością azbestu na danym terenie. Ponadto część jednostek samorządowych nie przekazuje wymaganych raportów w terminie, co w skrajnych przypadkach prowadzi do wieloletnich opóźnień w realizacji programu2.
Według szacunków NIK, na terenie Polski nadal może znajdować się ponad 7 milionów ton wyrobów zawierających azbest, z czego – jak wynika z raportu z 2021 roku – usunięto dotychczas jedynie około 17% materiałów ujętych w inwentaryzacjach. W ocenie NIK, przy obecnym tempie realizacji działań, całkowite usunięcie azbestu może potrwać jeszcze kilkadziesiąt lat, co znacząco podważa realność osiągnięcia celu wyznaczonego na rok 2032. Dodatkowo, przeprowadzone kontrole wykazały szereg nieprawidłowości, w tym brak bieżącej aktualizacji inwentaryzacji, niewystarczający nadzór nad procesem usuwania materiałów niebezpiecznych oraz ograniczone i nieefektywne wykorzystanie środków finansowych przeznaczonych na ten cel3.
Dane te gromadzone są i aktualizowane w ogólnopolskiej Bazie Azbestowej, prowadzonej przez Ministerstwo Rozwoju i Technologii, na podstawie informacji przekazywanych przez gminy. W przypadku miasta Kielce istotnym uzupełnieniem krajowego rejestru stanowi raport z inwentaryzacji przeprowadzonej w 2015 roku, który określał ilość materiałów azbestowych z przypisaniem do konkretnych działek ewidencyjnych. Dane te stanowią cenne źródło odniesienia w niniejszej analizie.
Ryc. 2. Płyty azbestowo-cementowe KARO. Źródło: https://dachy.info.pl/
Ryc. 1. Płyty azbestowo-cementowe faliste. Żródło: https://www.swidnik.pl
Ryc. 1. Płyty azbestowo-cementowe faliste. Żródło: https://www.swidnik.pl
Ryc. 2. Płyty azbestowo-cementowe KARO. Źródło: https://dachy.info.pl/
W tym kontekście coraz większe znaczenie zyskują nowoczesne technologie oparte na sztucznej inteligencji. Badania pokazują, że algorytmy uczenia maszynowego, w szczególności sieci konwolucyjne (CNN), pozwalają na klasyfikację dachów azbestowych z dokładnością sięgającą 86–92%, w zależności od jakości danych wejściowych i zastosowanej architektury modelu4. Wykorzystanie głębokiego uczenia w procesie inwentaryzacji umożliwia szybką, precyzyjną i zautomatyzowaną detekcję pokryć dachowych zawierających azbest na rozległych i trudno dostępnych obszarach, znacząco ograniczając koszty i czas potrzebny na zebranie wiarygodnych danych5.
W niniejszej analizie podjęto próbę automatycznej segmentacji dachów azbestowych na fragmencie ortofotomapy o wysokiej rozdzielczości z 2023 r. (5 cm/px) dla miasta Kielce6. Do przeprowadzenia analizy wykorzystano wtyczkę Deepness: Deep Neural Remote Sensing w środowisku QGIS oraz zewnętrzne platformy takie jak Roboflow i Ultralytics Hub do stworzenia adnotacji i wytrenowania modelu.
Baza danych referencyjnych, wykorzystana do trenowania modelu detekcji, została opracowana w środowisku QGIS na podstawie ręcznej wektoryzacji ortofotomapy. Proces identyfikacji dachów pokrytych azbestem opierał się na szczegółowej fotointerpretacji wizualnej, przeprowadzonej z wykorzystaniem ortofotomapy, zdjęć z serwisu Google Street View10 oraz ujęć ukośnych umieszczonych na platformie 4D Kielce11. Integracja tych źródeł umożliwiła precyzyjną lokalizację obiektów o wysokim prawdopodobieństwie występowania pokryć dachowych zawierających azbest.
Dzięki zastosowaniu funkcjonalności wtyczki DeepNes: Deep Neural Remote Sensing, możliwy był sprawny eksport danych referencyjnych do formatu odpowiedniego dla procesu uczenia maszynowego, obejmującego zarówno kafle ortofotomapy (512×512 px), jak i odpowiadające im maski binarne dachów azbestowych.
W celu dostosowania zbioru danych do formatu wymaganego przez model YOLO, przeprowadzono konwersję masek segmentacyjnych z formatu graficznego PNG do tekstowego formatu TXT. Proces ten zrealizowano za pomocą autorskiego skryptu w języku Python, wykorzystującego biblioteki OpenCV i NumPy. Skrypt umożliwił ekstrakcję konturów obiektów, ich normalizację oraz zapis współrzędnych w odpowiednim układzie współrzędnych.
Przygotowany zbiór danych treningowych zaimportowano do platformy Roboflow, służącej do zarządzania i przetwarzania zestawów danych przeznaczonych do trenowania modeli głębokiego uczenia. Utworzono projekt typu Instance Segmentation, odpowiadający zadaniu segmentacji obiektów na poziomie pojedynczych instancji. Zbiór obejmował 8399 obrazów w rozdzielczości 512×512 px, wraz z odpowiadającymi im maskami. Z uwagi na ograniczenia darmowej wersji platformy, możliwe było zaimportowanie maksymalnie 10 000 adnotacji. Dane zostały następnie automatycznie podzielone na trzy zestawy zgodnie z konwencją powszechnie stosowaną w procesach trenowania modeli głębokiego uczenia: 70% danych treningowych, 20% danych walidacyjnych oraz 10% danych testowych. Podział ten umożliwia odpowiednią ocenę wydajności modelu i kontrolę nad procesem przeuczenia (overfittingu)12.
Trening modelu przeprowadzono z wykorzystaniem platformy Ultralytics13 w środowisku Google Colab14, co pozwoliło na efektywne wykorzystanie zasobów GPU dostępnych w chmurze i znacząco przyspieszyło proces obliczeniowy. Ostatecznie model osiągnął średnią precyzję (mean Average Precision, mAP) na poziomie 73,5%, co potwierdza jego wysoką skuteczność w zadaniach klasyfikacji i segmentacji dachów pokrytych materiałami zawierającymi azbest. Wytrenowany model został wyeksportowany do formatu ONNX, co umożliwiło jego integrację z wtyczką Deepness: Deep Neural Remote Sensing w środowisku QGIS i dalsze wykorzystanie w analizach przestrzennych.
Klasyfikacja dachów zawierających azbest została wykonana na ortofotomapie o rozdzielczości przestrzennej 5 cm/px. Proces segmentacji realizowano stopniowo dla wydzielonych sekcji miasta o wymiarach 500×500 m. Wynikało to głównie z ograniczonych zasobów obliczeniowych komputera. Parametry operacyjne procesu klasyfikacji zostały dobrane eksperymentalnie po przeprowadzeniu licznych testów. Jako próg pewności (confidence threshold) przyjęto wartość 0,4 natomiast próg IoU (Intersection over Union) – 0,35. Tak dobrane wartości zapewniły najlepszy kompromis pomiędzy precyzją detekcji a liczbą wykrytych obiektów, minimalizując jednocześnie liczbę fałszywych pozytywów i negatywów.
Dane wynikowe zostały poddane ręcznej korekcie oraz weryfikacji pod kątem poprawności segmentacji wykrytych obiektów. Ze względu na zastosowanie niższych progów pewności detekcji, konieczne było usunięcie części fałszywych wskazań lub ich korekta. Proces ten pozwolił na zwiększenie precyzji końcowych wyników, co przełożyło się na bardziej wiarygodny pomiar powierzchni dachów zawierających azbest na obszarze miasta.
Ze względu na fakt, że powierzchnia pokrycia dachowego mierzona w rzucie z góry nie odzwierciedlała rzeczywistej ilości materiału wymagającego usunięcia, wyniki analizy skorygowano z uwzględnieniem nachylenia połaci dachów. Wykorzystując język R oraz chmurę punktów PL-EVRF2007-NH o gęstości 12 punktów/m² (stan na 28.09.2023 r.), udostępnioną za pośrednictwem geoportalu, wygenerowano model wysokościowy budynków (BHM). Wyznaczony średni kąt nachylenia dachów umożliwił przeliczenie powierzchni rzutowanej na rzeczywistą.
Ostatnim etapem przeprowadzonej analizy było opracowanie szczegółowego raportu podsumowującego wyniki automatycznej segmentacji dachów zawierających azbest. Powierzchnia połaci została przeliczona z uwzględnieniem obowiązującego wskaźnika masy – 15 kg/m² (stosowanego od 2019 roku; wcześniej obowiązywała wartość 11 kg/m²)15.
Podsumowanie analizy obejmowało porównanie uzyskanych wyników z innymi źródłami danych oraz ocenę ich spójności, wiarygodności i dynamiki zmian. Raport uwzględniał zarówno funkcje budynków jak i formy własności działek, co pozwoliło na określenie zależności między strukturą przestrzenną a tempem usuwania pokryć dachowych zawierających niebezpieczny minerał.
Wyniki analizy
Podstawowym źródłem danych na temat wyrobów zawierających azbest w Polsce jest ogólnopolska Baza Azbestowa, stanowiąca narzędzie informatyczne wspierające jednostki samorządu terytorialnego w procesie inwentaryzacji tego rodzaju materiałów. Dane trafiają tam z urzędów gminnych i marszałkowskich na podstawie zgłoszeń mieszkańców oraz firm, zgodnie z obowiązującymi przepisami16.
Z danych zawartych w Bazie Azbestowej na dzień 17.04.2025 r. , wynika, że w Kielcach zidentyfikowano łącznie 14,44 tys. ton materiałów azbestowych (ryc. 3). Największy udział – łącznie 79% masy wszystkich odpadów – stanowiły dwa typy płyt azbestowo-cementowych: faliste i płaskie. Na chwilę przeprowadzenia analizy unieszkodliwiono 31% wszystkich odnotowanych wyrobów (ryc. 4). Do usunięcia pozostaje wciąż ok. 9,88 tys. ton, w tym 7,04 tys. ton pokryć dachowych17.
Analiza własności terenów wykazała, że 62% wszystkich odpadów zlokalizowana była na działkach osób fizycznych – niemal wyłącznie w postaci pokryć dachowych. Na gruntach należących do osób prawnych dominowały natomiast inne wyroby zawierające azbest – 76%.
Ryc. 3. Zinwentaryzowane wyroby azbestowe. Baza Azbestowa.
Ryc. 4. Wyroby azbestowe pozostałe do unieszkodliwienia. Baza Azbestowa.
W 2015 roku w Kielcach przeprowadzono pełną inwentaryzację wyrobów zawierających azbest na podstawie uchwały Rady Miasta Kielce nr V/58/2015 z 22 stycznia 2015 r., która ustanowiła „Program usuwania i unieszkodliwiania azbestu i wyrobów zawierających azbest z terenu miasta Kielce na lata 2015–2018”. Prace powierzono firmie WGS84 Polska z Milanówka18.
Dane o budynkach jednorodzinnych i niewielkich obiektach usługowo-produkcyjnych pozyskiwano dwojako: właściciele wypełniali formularze zgłoszeniowe, a zespoły terenowe prowadziły bezpośredni spis z natury. Pozwoliło to przypisać każdą partię azbestu do konkretnego adresu z dokładnością do ulicy i numeru posesji oraz określić rodzaj materiału i jego masę.
W budynkach wielorodzinnych należących do spółdzielni i wspólnot mieszkaniowych, w zasobach miejskich zarządców nieruchomości (takich jak PGM czy MZB) oraz w dużych zakładach pracy i obiektach przemysłowych informacje zbierano przy pomocy ankiet kierowanych do administratorów. Dzięki temu uzyskano spójne dane o obecności i charakterystyce wyrobów azbestowych w ich zasobach. Taka metodyka zapewniła miarodajny obraz rozmieszczenia i skali azbestu w całym mieście.
Inwentaryzacja wykazała, że na obszarze Kielc znajdowało się 8,51 tys. ton wyrobów zawierających azbest, z czego 80% tej masy stanowiły pokrycia dachowe wykonane z płyt azbestowo-cementowych (6,86 tys. ton) (ryc. 5.).
Większość z tych materiałów – 72 % zlokalizowana była na gruntach należących do osób fizycznych. Były to głównie płyty faliste i płaskie stosowane jako pokrycia dachowe w zabudowie jednorodzinnej i gospodarczej (99 %).
W przypadku działek należących do innych podmiotów dominowały wyroby azbestowe inne niż pokrycia dachowe. Stanowiły one około 72% zidentyfikowanej masy odpadów.
Ryc. 5. Wyroby azbestowe stwierdzone podczas inwentaryzacji przeprowadzonej w 2015 r. Opracowanie własne na podstawie danych z Urzędu Miasta Kielce.
Detekcja dachów zawierających azbest z wykorzystaniem algorytmów sztucznej inteligencji dostarczyła wyników istotnie odbiegających od wcześniejszych zestawień. Na podstawie przeprowadzonej segmentacji oszacowano, że łączna masa wykrytych pokryć dachowych zawierających niebezpieczny pierwiastek wynosiła 4,28 tys. ton. Zdecydowana większość tej wartości — aż 88% — dotyczyła obiektów zlokalizowanych na działkach należących do osób fizycznych (ryc. 6).
Dominującą formą pokrycia dachów były płyty abzestowo-cementowe faliste. Płyty płaskie typu Cargo występowały jedynie sporadycznie.
Funkcjonalna klasyfikacja budynków pokrytych azbestem wskazuje, że zdecydowanie największa ilość niebezpiecznego materiału zalegała na obiektach mieszkalnych (ryc. 7). Do tej kategorii należało 36,5 % całkowitej masy wykrytych pokryć dachowych. Niemal 98 % z nich zlokalizowana była na domach jednorodzinnych. Na kolejnym miejscu znajdowały się zabudowania produkcyjne, usługowe oraz gospodarczo-rolnicze, które stanowiły łącznie 27% całkowitej masy odpadów. Na trzeciej pozycji uplasowały się obiekty niemieszkalne o zróżnicowanych funkcjach. Ich udział oszacowano na 18,9 %.
Ważną, choć często pomijaną grupę stanowiły konstrukcje tymczasowe lub pomocnicze, nieujęte w ewidencji gruntów i budynków (EGiB) ani w bazie BDOT500. Były to m.in. szopy, wiaty, przybudówki oraz zabudowania na terenach rodzinnych ogrodów działkowych. Ich udział wynosił 8,8% zidentyfikowanej masy azbestu. Dodatkowo około 3,8% stanowiły płyty azbestowe na obiektach stricte magazynowych i silosach.
Udział pozostałych kategorii był wyraźnie mniejszy: obiekty transportu i łączności stanowiły: 2%, budynki przemysłowe: 1,4 %, budynki handlowo-usługowe: 1,3 %, a budynki biurowe: 0,4% wszystkich budynków pokrytych azbestem.
Zestawienie danych dotyczących masy pokryć dachowych zawierających azbest ujawniło istotne rozbieżności pomiędzy trzema głównymi źródłami informacji (ryc. 8). Zgodnie z inwentaryzacją przeprowadzoną w 2015 roku, całkowitą ilość wyrobów azbestowych oszacowano na 6,86 tys. ton. Wyniki analizy ortofotomapy z 2023 roku, wykonanej z wykorzystaniem algorytmów sztucznej inteligencji, wskazują natomiast na wartość 4,28 tys. ton. Zjawisko to może świadczyć o postępującym procesie usuwania niebezpiecznych pokryć dachowych w ciągu ostatnich ośmiu lat.
Największe wątpliwości budzą jednak dane pochodzące z ogólnopolskiej Bazy Azbestowej, która – zgodnie ze swoim przeznaczeniem – powinna zawierać informacje aktualne. Tymczasem wewnętrzne rozbieżności w samej bazie są znaczne: zestawienie tabelaryczne wskazuje na 7,04 tys. ton, natomiast dane przestrzenne na 5,73 tys. ton19 azbestu. Brak spójności w obrębie jednego źródła danych może świadczyć o niedostatecznej aktualizacji zgłoszeń, niepełnych deklaracjach właścicieli nieruchomości lub błędach w przypisywaniu geometrii obiektów.
Ryc. 8. Zestawienie masy pokryć azbestowych w Kielcach w poszczególnych bazach danych. Opracowanie własne.
Przestrzenny rozkład masy d odpadów azbestowych na terenie Kielc wskazuje, że najwięcej tego typu materiałów występuję w strefach podmiejskich, charakteryzujących się przewagą zabudowy jednorodzinnej i gospodarczej (ryc. 9). Na szczególną uwagę zasługują w tym wypadku rejony: Posłowice, Leszcze i Leśniówka (484,7 tys. ton), Zagórze i Domaszowice Wikaryjskie (405,2 tys. ton), Niewachlów II (390,4 tys. ton), Dobromyśl i Zalesie (362,3 tys. ton), Czarnów Rządowy i Malików (291,5 tys. ton) oraz Dyminy-Wieś (278 tys. ton).
Porównanie wyników analizy AI z danymi zawartymi w ogólnopolskiej Bazie Azbestowej ujawniło istotne rozbieżności – w wielu przypadkach wartości podawane przez bazę były znacząco zawyżone. Największe różnice odnotowano w rejonach: Herby, Czarnów Rządowy i Malików, ROD im. Stefana Żeromskiego oraz Bukówka i Ostra Górka, gdzie rozbieżności przekraczały 80 tys. ton. W zdecydowanej większości przypadków Baza Azbestowa wskazywała na większe ilości badanych materiałów niż wyniki przeprowadzonej analizy.
Podobne różnice wystąpiły przy zestawieniu z wynikami inwentaryzacji z 2015 roku. Przyjmując ją jako punkt odniesienia, największe spadki masy azbestu odnotowano w rejonach: Herby (211,2 tys. ton), Bukówka i Ostra Górka (122,8 tys. ton), Czarnów Rządowy i Malików (106,8 tys. ton) oraz Słowik i Sitkówka (95,3 tys. ton).
Ryc. 9. Masa pokryć dachowych zawierających azbest według analizy AI na ortofotomapie z 2023 r. oraz danych z innych źródeł. Opracowanie własne.
Powyższe rozbieżności pomiędzy wynikami przeprowadzonej analizy a danymi zgromadzonymi w Ogólnopolskiej Bazie Azbestowej zostały szczegółowo zobrazowane na wykresie (ryc. 10). Różnice występują zarówno w przypadku obiektów, dla których nie zgłoszono obecności azbestu, a które zostały zidentyfikowane przez model – łącznie 1,14 tys. ton – jak i w odniesieniu do budynków, które według bazy wciąż zawierają azbest, choć materiał ten został już zutylizowany. W tym przypadku masa nieaktualnych zgłoszeń wynosi aż 2,28 tys. ton. Wyniki te jednoznacznie wskazują, że Baza Azbestowa nie jest prowadzona w sposób systematyczny i nie odzwierciedla rzeczywistego stanu zagospodarowania. Część zapisanych w niej geometrii jest nieaktualna, nie pokrywa się z rzeczywistą zabudową lub odnosi się do obiektów, które zostały już rozebrane.
Brak bieżącej aktualizacji oraz weryfikacji danych znacząco obniża wiarygodność bazy jako narzędzia wspierającego proces planowania i kontroli działań związanych z usuwaniem azbestu. W świetle tych ustaleń konieczne jest wdrożenie zautomatyzowanych i cyklicznych metod inwentaryzacji, które umożliwią monitorowanie zmian w sposób obiektywny i powtarzalny.
Ryc. 10. Masa pokryć dachowych zawierających azbest, które nie zostały ujęte w Bazie Azbestowej oraz masa azbestu już zutylizowanego, na dachach budynków wciąż figurujących w Bazie Azbestowej. Opracowanie własne.
Podsumowanie
Przeprowadzona analiza miała na celu precyzyjne oszacowanie masy pokryć dachowych zawierających azbest na terenie Kielc z wykorzystaniem zdjęć lotniczych oraz porównanie uzyskanych danych z istniejącymi bazami danych. Badanie to podjęto w odpowiedzi na wyzwania związane z niską wiarygodnością i niekompletnością danych w ogólnopolskiej Bazie Azbestowej.
W analizie zastosowano nowoczesne podejście oparte na sztucznej inteligencji. Metodologia obejmowała wykorzystanie wysokorozdzielczej ortofotomapy z 2023 r., manualną fotointerpretację wizualną do stworzenia referencyjnej bazy danych do trenowania modelu, oraz specjalistyczne narzędzia takie jak Roboflow, Ultralytics Hub i QGIS z wtyczką Deepness. Skuteczność zastosowanego modelu wyniosła 73,5%, co świadczy o jego wysokiej efektywności w klasyfikacji i segmentacji dachów azbestowych. Wyniki detekcji zostały dodatkowo skorygowane o rzeczywiste nachylenie połaci dachowych i przeliczone na masę.
Analiza wykazała, że łączna masa wykrytych pokryć dachowych zawierających azbest w Kielcach wyniosła 4,28 tys. ton, z czego 88% dotyczyło obiektów na działkach należących do osób fizycznych. Dominującym typem były płyty faliste. Największe nagromadzenie azbestu stwierdzono na obiektach mieszkalnych (36,5% całkowitej masy) oraz budynkach gospodarczych (27% całkowitej masy). Kluczowe rozbieżności pomiędzy wynikiem analizy AI (4,28 tys. ton) a danymi z 2015 roku (6,86 tys. ton) oraz Ogólnopolskiej Bazy Azbestowej (7,04 tys. ton w zestawieniu tabelarycznym i 5,73 tys. ton w danych przestrzennych) podkreślają pilną potrzebę aktualizacji i poprawy wiarygodności istniejących danych.
Na podstawie uzyskanych wyników rekomenduje się wdrożenie i bieżące wykorzystywanie zaawansowanych technologii opartych na sztucznej inteligencji w procesie inwentaryzacji azbestu, co pozwoli na ich ciągłą, precyzyjną i zautomatyzowaną detekcję. Niezbędne jest również przeprowadzenie kompleksowej i cyklicznej weryfikacji danych w Ogólnopolskiej Bazie Azbestowej, aby wyeliminować istniejące rozbieżności. Dodatkowo, w przyszłych inwentaryzacjach i programach usuwania azbestu należy uwzględnić konstrukcje tymczasowe oraz pomocnicze, które stanowią znaczący, często pomijany zasób tego materiału.
Precyzyjne dane uzyskane dzięki tej metodologii powinny być wykorzystane do efektywniejszego planowania działań związanych z usuwaniem azbestu oraz do wsparcia strategicznego zarządzania przestrzenią miejską, zwłaszcza w strefach podmiejskich z dominującą zabudową jednorodzinną i gospodarczą, gdzie stwierdzono największe nagromadzenie azbestu.
Wnioski z analizy podkreślają, że technologie Deep Learning stanowią potężne narzędzie w walce z azbestem, dostarczając precyzyjnego i aktualnego obrazu problemu, niezbędnego do skutecznego osiągnięcia celu oczyszczenia Polski.
Bibliografia
1 Komunikat Ministra Gospodarki z dnia 29 lipca 2009 r. o podjęciu przez Radę Ministrów uchwały w sprawie ustanowienia programu wieloletniego pod nazwą
„Program Oczyszczania Kraju z Azbestu na lata 2009–2032”
2 Łuniewski, S., & Łuniewski, A. (2019). Selected legal and financial conditions for the liquidation of asbestos and products containing asbestos illustrated with
an example of rural municipalities in the Podlaskie Voivodeship. Economics and Environment, 70(3), 13.
https://ekonomiaisrodowisko.pl/journal/article/view/77 [dostęp 24.07.2025]
3 Najwyższa Izba Kontroli – Usuwanie azbestu. https://www.nik.gov.pl/aktualnosci/ochrona-srodowiska/usuwanie-azbestu.html [dostęp 24.07.2025]
4 Książek, J. (2023). Wykrywanie azbestowo-cementowych pokryć dachowych metodami teledetekcyjnymi [Rozprawa doktorska, Akademia Górniczo-Hutnicza w Krakowie] https://home.agh.edu.pl/~galia/WLDT/doktoraty/JKsiazek/Ksiazek_Judyta_praca_doktorska.pdf [dostęp 24.07.2025]
5 https://met2023.stat.gov.pl/Content/Presentations/Sesja%2013.2%20MET2023.pdf [dostęp 24.07.2025]
6 Geoportal Krajowy – Ortofotomapa. https://www.geoportal.gov.pl/pl/dane/ortofotomapa-orto/
7 QGIS Plugin Deepness – Dokumentacja. https://qgis-plugin-deepness.readthedocs.io/en/latest/ [dostęp 24.07.2025]
8 Roboflow. https://roboflow.com/ [dostęp 24.07.2025]
9 Ultralytics Hub. https://hub.ultralytics.com/signin [dostęp 24.07.2025]
10 Google Street View. https://www.google.com/streetview/ [dostęp 24.07.2025]
11 System informacji przestrzennej Miasta Kielce – 4D Kielce. https://4d.kielce.eu/ [dostęp 24.07.2025]
12 Lightly.ai – Train/test split in Deep Learning. https://www.lightly.ai/blog/train-test-split-in-deep-learning [dostęp 24.07.2025]
13 Ultralytics – Segmentacja. https://docs.ultralytics.com/tasks/segment/ [dostęp 24.07.2025]
14 Ultralytics – Trening własnych zbiorów danych z YOLOv8. https://www.ultralytics.com/blog/training-custom-datasets-with-ultralytics-yolov8-in-google-colab [dostęp 24.07.2025]
15 Aktualizacja Programu Usuwania Azbestu z Terenu Gminy Miejskiej Kłodzko z Perspektywą do 2032 r. https://um.bip.klodzko.pl/pi/um/29054.pdf [dostęp 24.07.2025]
16 Ogólnopolska Baza Azbestowa – Zestawienie Statystyczne. https://bazaazbestowa.gov.pl/pl/usuwanie-azbestu/zestawienie-statystyczne/stats [dostęp 24.07.2025]
17 Program Usuwania i Unieszkodliwiania Azbestu i Wyrobów Zawierających Azbest dla Miasta Kielce na Lata 2019–2022. https://www.kielce.eu/resource/1700/program-azbest_2019-2022.doc/attachment.1 [dostęp 24.07.2025]
18 Ogólnopolska Baza Azbestowa – serwis WFS. https://esip.bazaazbestowa.gov.pl/geoserver/wfs/ows [dostęp 24.07.2025]
