Snimci i fotografije hiljada kubika plastičnih flaša, frižidera, guma i drugog plutajućeg otpada u slivu Drine preplavile su medije u Srbiji i ove godine. Najgora situacija  bila je na reci Lim kod Potpećkog jezera, čija se površina nije videla od nagomilanog otpada.

Organski i neorganski otpad na rekama ostavlja niz teških posledica, najpre po živi svet i prirodu, a zatim i po ekonomiju. Štetne supstance iz otpada, posebno teški metali, uništavaju biljke i životinje u rekama, a nalaze put i do vode koja se koristi za piće. Otpad na obalama reka uništava vegetaciju, što dovodi do pojačane erozije obala i povećanja opasnosti od poplava.

Ugrožava i rad hidrocentrala i vodozahvata fabrika za proizvodnju pijaće vode. Nagomilani otpad na Potpećkom jezeru doveo je u pitanje rad istoimene hidroelektrane. Najzad, zagađene reke nisu privlačne za odmor i rekreaciju, i negativno utiču na razvoj turizma.

Glavni krivci za ovu i slične situacije su deponije iz kojih godinama otpad stiže u Lim, Drinu i druge reke u Srbiji.

Prema izveštaju Agencije za zaštitu životne sredine (SEPA), u Srbiji je 2019. godine registrovano 2212 divljih deponija. Veliki broj nalazio se upravo duž vodotokova. Jedna trećina divljih deponija koje je registrovala SEPA je više puta čišćena, ali se uporno ponovo pojavljuju.

Tri susedne države, Crna Gora, Srbija i Bosna i Hercegovina, koje dele reku Drinu, formirale su 2019. godine stručnu komisiju kako bi počele zajedno da se bave rešavanjem problema otpada koji završava u rekama. Dogovoreno je da će nadležna ministarstva pomoći lokalnim samoupravama u rešavanju ovog rastućeg problema.

Potraga za rešenjem

Kako bismo pomogli Ministarstvu zaštite životne sredine i drugim nadležnim institucijama u Srbiji da pronađu brži i efikasniji način otkrivanja manje uočljivih deponija duž toka Lima, odlučili smo da isprobamo novi, eksperimentalni pristup.

Cilj nam je bio da otkrijemo da li veštačka inteligencija (AI) u kombinaciji sa satelitskim snimcima, koji su široko dostupni i relativno jeftini za korišćenje, može da se koristi za automatsko prepoznavanje ilegalnih deponija. U tom slučaju, umesto da ljudi troše silne sate kao bi analizirali slike i otkrivali ovu pojavu, jedan softverski alat bi to radio umesto njih.

U UNDP-u smo stalno u potrazi za novim tehnologijama i metodama, koje mogu pomoći da se za ovako kompleksne izazove pronađu inovativna rešenja. Naša Laboratorija za ubrzani razvoj sprovodi brze eksperimente, kako bismo saznali  kako sve možemo da  primenimo nove tehnologije u praksi.

Naša ideja je bila da, na primeru manjeg obima, istražimo kako da identifikujemo izvore zagađenja na veoma širokom području. Sve veća količina otpada koji generiše čovečanstvo i njegovo odlaganje predstavljaju globalni problem za životnu sredinu. Pronalaženje efikasne metode za detektovanje deponija, pomoglo bi Srbiji u rešavanju ovog problema, ali bi moglo da se primeni i na drugim mestima, za rešavanje sličnih pitanja u svetu.

Zbog  toga smo odlučili da pokušamo da mapiramo deponije duž toka reke Lim kroz Srbiju, u dužini od oko 100 kilometara. Podršku u ovom eksperimentu pružio nam je strateški partner UNDP-a – Evropska svemirska agencija (ESA). Pomoću njih smo dobili  satelitske snimke toka Lima kroz Srbiju, a ESA je angažovala i eksperte koji su nam obezbedili računarske resurse za obradu podataka, pružili stručnu pomoć u razvoju modela veštačke inteligencije i u tumačenju rezultata eksperimenta.

Kako je radio naš veštački „mozak“

Pojednostavljeno govoreći, naš zadatak je bio da „naučimo“ računarski program da na osnovu postojećih satelitskih ili avio (ortofoto) snimaka deponija, prepozna slične formacije na drugim snimcima. Ovaj pristup, koji se zove „nadzirano mašinsko učenje“ (eng. supervised machine learning), podrazumevao je da prvo pribavimo podatke o geografskim lokacijama poznatih deponija i snimke tih lokacija. Takođe, bili su nam potrebni što skoriji satelitski snimci toka Lima kroz Srbiju na kome bismo „naučeni“ model veštačke inteligencije primenili i pokušali da otkrijemo lokacije divljih deponija.

Za potrebe ovog eksperimenta, od Agencije za zaštitu životne sredine (SEPA), smo preuzeli podatke o 150 legalnih i 3350 ilegalnih deponija u Srbiji. Takođe, zahvaljujući Ministarstvu zaštite životne sredine, dobili smo snimke Republičkog geodetskog zavoda za period od 2007. do 2013. godine, kada je prikupljen najveći broj podataka o deponijama. Od toga, izabrali smo blizu 500 dovoljno kvalitetnih snimaka potvrđenih deponija, koji su poslužili za „učenje“ modela veštačke inteligencije.

Kada je model bio spreman, probali smo da ga primenimo za prepoznavanje deponija na odgovarajućim satelitskim snimcima toka Lima kroz Srbiju. U trenutku sprovođenja eksperimenta, najsvežiji snimci bez oblaka bili su sa Pléiades satelita, načinjeni tokom druge polovine 2019. godine u rezoluciji 50 cm (1 tačka na ekranu predstavlja 50 cm u prirodi).

Naš model je na ovim snimcima detektovao 1443 oblasti koje bi mogle biti deponije. Stručnjaci koji je angažovala ESA su vizuelno proverili ove oblasti i izbor suzili na 61 potencijalnu lokaciju deponije. To je značajno povećanje u odnosu na 23 koje je SEPA zabeležila 7-8 godina ranije. Ove rezultate smo podelili sa zvaničnicima Ministarstva zaštite životne sredine i opštine Priboj, najvećeg naselja na slivu Lima u Srbiji, koji će ih u narednom periodu proveriti na terenu, u sklopu širih napora za rešavanje problema zagađenja u slivu Lima.

Šta nas je eksperiment naučio

S obzirom da naš AI model nije pokazao visok nivo preciznosti u automatskom prepoznavanju deponija, nismo uspeli da dokažemo početnu pretpostavku. Podsetićemo, ona je bila da satelitski snimci mogu da se iskoriste za brzo i automatizovano mapiranje deponija pomoću AI.

Šta je nedostajalo? Modeli nadziranog mašinskog učenja zahtevaju veliki broj ulaznih podataka. U našem slučaju imali smo na raspolaganju vrlo mali broj već potvrđenih deponija u slivu Lima (svega 23 u skupu podataka SEPA), pa smo model morali da učimo na primerima potvrđenih deponija u drugim krajevima Srbije. Međutim, ispostavilo se da ni preko 400 dodatnih snimaka potvrđenih deponija nije bio dovoljno veliki uzorak. Naime, kada se posmatra veliko geografsko područje, deponije su relativno retka i po površini mala pojava. Pored toga, one su vizuelno slične nekim drugim pojavama kao što su ogoljena zemlja, gomile rasutog građevinskog materijala na gradilištima ili određene vrste robe na stovarištima.

Kako bi se povećala preciznost modela, on bi morao da se prethodno istrenira većim brojem snimaka potvrđenih deponija, kao i da se za to koriste snimci mnogo više rezolucije – najmanje 30 cm, a poželjno 20 cm ili bolje. Preciznost modela mogla bi da se unapredi i primenom dodatnih tehnika. Na primer, polazeći od pretpostavke da ilegalne deponije nastaju u blizini transportnih koridora, mogli bismo da uzmemo podatke o mreži ulica, lokalnih i regionalnih puteva u Srbiji, pa da iz područja za pretragu isključimo sve oblasti koje su, recimo, više od nekoliko desetina metara udaljene od nekog puta.

Iako ispunjavanje ovih uslova nije nemoguće, potrebni resursi se time značajno uvećavaju. Satelitski ili aero snimci viših rezolucija i dalje su dosta skupi i zahtevali bi daleko više prostora za skladištenje i računarsku obradu, pa bi moglo da se postavi pitanje isplativosti ovakvog pristupa, barem u ovom trenutku.

Ono što ohrabruje je da nam trendovi idu na ruku – poslednjih godina svedočimo veoma brzom razvoju svemirskih i cloud tehnologija, kao i veštačke inteligencije. Lansiranje satelita i korišćenje sve moćnijih računarskih resursa postaje sve pristupačnije, pa je sasvim moguće da ćemo u doglednoj budućnosti imati uslove da revidiramo ovaj eksperiment, uz mnogo precizniji krajnji rezultat.

Nadamo se i da će naš primer primene tehnologije mašinskog učenja za rešavanje problema životne sredine inspirisati i druge da istražuju, i time doprineti bržem poboljšanju metode i njenoj upotrebi u širem obimu.

***

Na sajtu Evropske svemirske agencije dostupan je detaljni tehnički izveštaj eksperimenta.

****

Tekst je originalno obavljen na portalu Business Inteligence Review.