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 study evaluates the operational reliability of three UAV-based image analysis approaches – global statistical screening, classical change detection with color filtering, and deep learning object recognition – under controlled field conditions. The field experiment used controlled contamination conditions so that the evaluation reflects practical detection reliability rather than algorithm benchmarking. The statistical method could not reliably identify localized waste, while change detection achieves moderate reliability but requires reference imagery. The deep learning model achieved the highest site detection reliability (~93%) and worked without baseline images. Its main advantage was improved object completeness rather than better identification of contaminated areas. These observations show 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 framework helps to select monitoring approaches according to available resources, supporting scalable and cost-effective environmental monitoring programs.

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 evaluează 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, dar care necesită imagini de referință. Modelul de învățare profundă a obținut cea mai ridicată fiabilitate în detectarea siturilor cu deșeuri (~93%) 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 acurateți mai mari, poate reduce efortul de inspecție fără a compromite rezultatele inspecției. Modelul propus ajută la selectarea metodelor de monitorizare în funcție de resursele disponibile, sprijinind programe de monitorizare a mediului scalabile și eficiente din punct de vedere al costurilor.