Authors

Abstract

Illegal dumping in peri-urban and natural environments poses persistent challenges for environmental authorities, particularly when large areas must be inspected with limited personnel and budget. Reliable and scalable monitoring approaches are essential for practical environmental management. Unmanned Aerial Vehicles (UAVs) offer rapid spatial coverage, yet it remains unclear how complex the analysis must be to reliably detect waste sites in practice. This controlled pilot study evaluated the operational reliability of three UAV-based image analysis approaches (global statistical screening, classical change detection with colour filtering, and deep learning object recognition) under controlled field conditions. The field experiment used controlled contamination conditions so that the evaluation reflected practical detection reliability rather than algorithm benchmarking. The statistical method could not reliably identify localised waste, while change detection achieved moderate reliability (~72%; 29 of 40 evaluated acquisitions) but required reference imagery. The deep learning model achieved the highest site detection reliability (~93%; 37 of 40 evaluated acquisitions) and worked without baseline images. Its main advantage was improved object completeness rather than better identification of contaminated areas. These observations showed that monitoring workflow design matters more than increasing algorithmic complexity. A tiered strategy that combines broad screening with focused high-accuracy analysis can reduce inspection effort without compromising the results of inspection. The evaluated pilot framework supported the selection of monitoring approaches according to available resources, and the findings apply to the controlled, low-altitude field conditions (15 m above ground level, single test site) examined here rather than to fully validated multi-site operation.

Abstract in Romanian

Depozitarea ilegală a deșeurilor în zone periurbane și în mediul natural reprezintă o provocare continuă pentru autoritățile de mediu, în special atunci când trebuie inspectate suprafețe extinse cu personal și bugete limitate. În acest scop, sunt necesare metode de monitorizare fiabile și scalabile pentru o gestionare practică a mediului. Vehiculele aeriene fără pilot (UAV) oferă o acoperire spațială rapidă, însă rămâne încă neclar cât de complexă trebuie să fie analiza pentru a detecta în mod fiabil siturile de deșeuri. Acest studiu-pilot, desfășurat în condiții controlate, a evaluat fiabilitatea operațională a trei abordări de analiză a imaginilor bazate pe UAV (analiza statistică globală, detecția clasică a schimbărilor cu filtrare de culoare și recunoașterea obiectelor prin învățare profundă) în condiții de teren controlate. Experimentul a utilizat condiții de contaminare controlate, astfel încât evaluarea să reflecte fiabilitatea practică a detecției, și nu performanța algoritmilor în sine. Metoda statistică nu a putut identifica în mod fiabil deșeurile localizate, în timp ce analiza detecției schimbărilor a atins o fiabilitate moderată (~72%; 29 din 40 de achiziții evaluate), dar a necesitat imagini de referință. Modelul de învățare profundă a obținut cea mai ridicată fiabilitate în detectarea siturilor cu deșeuri (~93%; 37 din 40 de achiziții evaluate) și a funcționat fără imagini de referință. Principalul său avantaj a fost îmbunătățirea prin completare a setului de obiecte detectate, mai degrabă decât o identificare mai bună a zonelor contaminate. Aceste observații arată că proiectarea fluxului de monitorizare este mai importantă decât creșterea complexității algoritmice. O strategie pe niveluri, care combină o analiză generală cu o analiză focalizată pe obținerea unei acuratețe mai mari, poate reduce efortul de inspecție fără a compromite rezultatele inspecției. Cadrul de lucru evaluat sprijină selectarea metodelor de monitorizare în funcție de resursele disponibile, iar rezultatele sunt valabile pentru condițiile de teren controlate, la altitudine redusă (15 m deasupra solului, un singur amplasament de test), examinate în acest studiu-pilot.