Το άρθρο «The classification of marine plastic waste based on high–resolution UAV imagery combined with deep learning algorithms – Sri Lanka case study» των Dr. Gordana Jakovljević, Dr. Eranda Gunathilaka και Simon Ironside παρουσιάστηκε στο FIG Congress 2026 στο Cape Town και εξετάζει πώς ο συνδυασμός μη επανδρωμένων αεροσκαφών (UAV/drones) και αλγορίθμων βαθιάς μάθησης μπορεί να βελτιώσει σημαντικά την παρακολούθηση της θαλάσσιας πλαστικής ρύπανσης.
Η έρευνα επικεντρώνεται στις εκβολές του ποταμού Kelani, κοντά στο Colombo της Σρι Λάνκα, μια περιοχή όπου συσσωρεύονται μεγάλες ποσότητες απορριμμάτων. Οι ερευνητές χρησιμοποίησαν drone DJI Mavic 3 Enterprise για τη λήψη εικόνων πολύ υψηλής ανάλυσης και στη συνέχεια ανέπτυξαν μοντέλο τεχνητής νοημοσύνης που αναγνωρίζει και ταξινομεί διαφορετικά είδη απορριμμάτων, όπως πλαστικό, ξύλο, καουτσούκ και ύφασμα.
Τα αποτελέσματα δείχνουν ότι το σύστημα αναγνωρίζει με ιδιαίτερα υψηλή ακρίβεια τα πλαστικά αντικείμενα (F1-score 0,83), ενώ συνολικά πέτυχε F1-score 0,69, επίδοση που είναι αντίστοιχη με άλλες σύγχρονες διεθνείς μελέτες. Παράλληλα, το μοντέλο κατέγραψε περισσότερα από 7.500 πλαστικά αντικείμενα στην περιοχή έρευνας, υπολογίζοντας μέση πυκνότητα άνω των 4,6 αντικειμένων ανά τετραγωνικό μέτρο, επίπεδο που αναδεικνύει το ιδιαίτερα σοβαρό πρόβλημα ρύπανσης στην εξεταζόμενη ακτή.
Οι συγγραφείς επισημαίνουν ότι η έλλειψη αξιόπιστων και επαναλαμβανόμενων μετρήσεων αποτελεί σήμερα ένα από τα μεγαλύτερα εμπόδια για τη χάραξη αποτελεσματικών πολιτικών αντιμετώπισης της ρύπανσης από πλαστικά. Η χρήση UAV σε συνδυασμό με τεχνικές βαθιάς μάθησης μπορεί να προσφέρει γρήγορη, οικονομική και ακριβή καταγραφή της κατάστασης, επιτρέποντας στις τοπικές αρχές, στις κυβερνήσεις και στις περιβαλλοντικές οργανώσεις να εντοπίζουν τις περιοχές υψηλού κινδύνου, να σχεδιάζουν στοχευμένες παρεμβάσεις και να αξιολογούν στην πράξη την αποτελεσματικότητα των μέτρων που εφαρμόζουν.
Η μελέτη υπογραμμίζει επίσης ότι η ρύπανση από πλαστικά, δεν αποτελεί μόνο περιβαλλοντικό πρόβλημα, αλλά συνδέεται άμεσα με την κλιματική αλλαγή, την κυκλική οικονομία, τη δημόσια υγεία και την επίτευξη των United Nations Sustainable Development Goals (SDGs). Σύμφωνα με τους ερευνητές, η ευρύτερη αξιοποίηση τέτοιων τεχνολογιών μπορεί να συμβάλει ουσιαστικά στη δημιουργία αξιόπιστων γεωχωρικών δεδομένων, τα οποία είναι απαραίτητα για τον σχεδιασμό αποτελεσματικών πολιτικών διαχείρισης αποβλήτων και προστασίας των παράκτιων οικοσυστημάτων.
Πλήρες κείμενο The classification of marine plastic waste based on high-resolution UAV imagery combined with deep learning algorithms – Sri Lanka case study | article in .pdf-format (16 pages)
Πηγή: https://www.fig.net/resources/monthly_articles/2026/Jakovljevic_et.al_May_June_2026.asptags:
Newsletters
Ειδήσεις
Δελτία Τύπου
Ρεπορτάζ
Ανακοινώσεις Εκλογών 
Διεθνής Ενημέρωση
