Zaproponowane rozwiązanie polega na porównywaniu obrazów tego samego obszaru wykonanych w dwóch różnych momentach. System „uczy się” rozpoznawać obiekty widoczne na mapach, takie jak budynki, drogi, lasy czy pola uprawne, i automatycznie wykrywa, co się zmieniło (m.in. dodanie i usunięcie obiektów w przestrzeni).
W tym celu wykorzystano połączenie algorytmów analizy przestrzennej, wizji komputerowej oraz nowoczesny model sztucznej inteligencji, który wspólnie potrafi analizować różne typy danych jednocześnie, m.in. kolorowe zdjęcia lotnicze oraz dane LiDAR opisujące wysokość terenu i obiektów.
Badania pokazały, że połączenie tych źródeł informacji znacząco poprawia dokładność rozpoznawania obiektów, szczególnie w obszarach miejskich. System bardzo dobrze identyfikuje budynki i drogi, a jeszcze lepiej radzi sobie z terenami leśnymi i rolnymi. Co istotne, dodanie danych LiDAR wyraźnie zwiększyło skuteczność całego procesu.
Wykryte zmiany są następnie klasyfikowane jako nowe obiekty, obiekty usunięte lub zmodyfikowane, a wyniki prezentowane są w formie map gotowych do dalszej analizy w popularnych systemach informacji geograficznej (GIS).
Choć w najbardziej skomplikowanych sytuacjach, np. przy silnych cieniach lub przy zasłoniętych obiektach, konieczna jest jeszcze ingerencja użytkownika, autorzy podkreślają, że zaproponowane rozwiązanie stanowi ważny krok w stronę szybszego, tańszego i bardziej aktualnego tworzenia map.
Jak mówi dr Maciej Adamiak z Instytutu Geografii Miast, Turyzmu i Geoinformacji Wydziału Nauk Geograficznych Uniwersytetu Łódzkiego i pierwszy autor publikacji: – Nasze rozwiązanie przyniesie największe korzyści wszędzie tam, gdzie wymagana jest szybka informacja o pojawieniu się zmian w danej przestrzeni, od zarządzania kryzysowego, przez akcje klimatyczne i wojskowość, aż po budownictwo.
Dodaje: – Opracowana przez nas metoda sprawia, że proces aktualizacji map jest bardziej dokładny i otrzymywany znacznie szybciej. Takie rozwiązanie nie zastąpi człowieka, ale zdecydowanie ułatwi mu pracę. Aby rozwiązanie mogło być szeroko stosowane przez instytucje kartograficzne i administrację publiczną, należy w sprawniejszy sposób zintegrować je ze źródłami danych oraz wyuczyć lepszy model semantycznej segmentacji, oparty na jednym z aktualnie dostępnych modeli bazowych. Potem można ruszać na produkcję.
Źródło: Adamiak Maciej, Będkowski Krzysztof, Nalej Marta, Ożadowicz Patryk, Pietruk Jacek, Wójcik Szymon: Bitemporal change detection for topographic map updates using panoptic segmentation of VNIR orthophotos and LiDAR data, GeoInformatica, vol. 30, 2026, Numer artykułu: 2, s. 1-41, DOI: 10.1007/s10707-025-00561-z
