GIS, Veda, Dopravné inžinierstvo

Maroš Michalov – UAV ako nástroj pre pokročilú analýzu dopravného správania v Bratislave

skala
Hits: 309

Tento príspevok zaznel na konferencii GIS Slovakia 2026.

Príspevok bol zameraný na využitie bezpilotných leteckých systémov (UAV) ako nástroja pre zber, spracovanie a analýzu priestorových dát v mestskom prostredí. Prezentácia ukázala, že drony predstavujú okrem prostriedku na vizuálnu dokumentáciu aj súčasť analytických a rozhodovacích procesov. V prostredí Bratislavy sú využívané na tvorbu obrazových a mapových podkladov, operatívny monitoring situácií v teréne aj na špecializované analytické úlohy, pri ktorých sa kombinujú obrazové dáta, termovízne snímkovanie, strojové učenie a GIS spracovanie. V úvode prezentácie bola predstavená , ktorú mesto využíva. Išlo o viacero typov dronov s odlišnými vlastnosťami a senzormi, od menších zariadení s klasickým RGB snímačom až po výkonnejšie platformy s duálnymi senzormi alebo možnosťou integrácie ďalšieho vybavenia, čo umožňuje reagovať na rôzne typy úloh. Od prezentačných záberov až po pokročilé analytické použitie. Prezentácia uvádzala napríklad použitie dronov pri zobrazovaní zelene a verejného priestoru, podujatí v meste, kultúrnych akcií či rozvojových projektov. Dronové zábery plnia funkciu atraktívneho a presného vizuálneho média, ktoré dokáže zachytiť priestorové vzťahy, rozsah územia a dynamiku mestského prostredia spôsobom, aký bežné pozemné snímkovanie neposkytuje.

Michalov202608

Významnou časťou prezentácie bolo využitie UAV pri monitoringu rizikových podujatí. Táto agenda je realizovaná v spolupráci s mestskou políciou a je založená na prenose leteckého prehľadu hliadkam v reálnom čase. Drony umožňujú dohľad pri presunoch veľkého množstva ľudí, rýchlu koordináciu davu, identifikáciu rizikových zón a vyslanie hliadky v prípade vzniku problémovej situácie. Súčasťou nasadenia je aj nočné termovízne sledovanie pri zníženej viditeľnosti, monitoring dopravy a únikových trás či prevencia dopravných kolapsov počas väčších zhromaždení. V tomto zmysle prezentácia ukazovala UAV nielen ako analytický nástroj, ale aj ako operatívny prvok bezpečnostného manažmentu mesta.

Michalov202602

Ďalšou aplikačnou oblasťou je kontrola stavu infraštruktúry a stavieb. Prezentácia uvádzala detekciu tepelných a záplavových únikov, identifikáciu problémových fasád, striech a okien, ako aj monitoring ťažko dostupných objektov. Dôležitou výhodou je bezpečnosť a efektívnosť takéhoto riešenia, pretože dron dokáže sprístupniť miesta, ktoré by inak vyžadovali náročnejšie technické zásahy alebo rizikové manuálne obhliadky. Termovízne snímky zároveň umožňujú presnejšie vyhodnocovanie technického stavu objektov a podporujú prevenciu porúch či znižovanie energetických strát. Prezentácia ukázala aj širšie využitie UAV pri zbere analytických podkladov pre mestské prostredie. Spomenutá bola bioregulácia komárov, pri ktorej sa zhromažďujú podklady pre zásahy a identifikáciu záplavových polygónov, ďalej starostlivosť o a tvorby indexových máp, najmä NDVI, ako aj identifikácia stresovaných jedincov a problémových korún. Osobitne bola rozpracovaná téma tepelných ostrovov, pri ktorej sa vytvárajú termálne mapy, využíva sa automatický režim letových misií a vyhodnocujú sa reálne výsledky po osadení zelených striech. Táto časť prezentácie ukazovala, že UAV vstupujú do viacerých tém mestského manažmentu – od verejného zdravia po klimatickú adaptáciu a správu zelene.

Michalov202603

Jadro prezentácie sa však sústredilo na monitoring dopravných uzlov a na pokročilú analýzu dopravného správania. Táto analytická línia bola predstavená ako postup zahŕňajúci detekciu vozidiel, výpočet ich rýchlosti, odhad pravdepodobnosti zrážky a analýzu doby zastavenia. Okrem sledovania intenzity premávky ide aj o komplexnejší model spracovania pohybu vozidiel a rizikových situácií v mestskom priestore. Dôležité je, že prezentácia ukázala aj samotný prevádzkový postup. Zadanie monitoringu prebieha prostredníctvom služby Helpdesk (JitBit), v rámci ktorej sa definuje požadovaná dĺžka záznamu aj územie, ktoré má byť v zábere. Nasleduje príprava na let, zahŕňajúca kontrolu predpovede počasia, overenie súladu s letovými obmedzeniami a geozónami, ako aj bežnú logistiku, ako sú batérie či pamäťové karty. Samotný let potom musí rešpektovať bezpečnosť prevádzky, princíp VLOS (udržiavanie dronu v priamom vizuálnom dohľade) a manažment energetických zdrojov. Tento pracovný postup ukazuje, že analytická hodnota dát vzniká už v štádiu kvalitne pripraveného zberu.

Michalov202604

Pri detekcii vozidiel prezentácia pomenovala aj konkrétne technologické riešenie použité pri spracovaní. Na detekciu sa používa knižnica ultralytics, ktorá využíva algoritmus YOLO (You Only Look Once). Pre dronové zábery z pohľadu zhora sa pritom používa model natrénovaný špeciálne na tento typ vstupov, označený ako Object-Detection-From-Drone-For-Surveillance. To znamená, že nejde len o všeobecnú aplikáciu strojového učenia, ale o cielene prispôsobený model pre dohľadové zábery z UAV. Výsledkom je spoľahlivejšia identifikácia vozidiel v dopravných situáciách, kde sa objekty nachádzajú v rôznych orientáciách a pri rôznej hustote premávky. Prezentácia zároveň ukázala, že pôvodný ukážkový skript z dokumentácie knižnice ultralytics bol ďalej rozšírený pre potreby konkrétnej analytickej úlohy. Dopĺňala sa možnosť zakresliť na obrazovke záujmové polygóny a pomenovať ich, ukladať celú trasu vozidla od prvej po poslednú detekciu, sumarizovať počty vozidiel, ktoré boli prvýkrát zachytené v jednom polygóne a naposledy v inom, a ukladať výsledky s počtami prejazdov medzi polygónmi do CSV súboru. Táto časť je veľmi dôležitá, pretože ukazuje posun od samotnej detekcie objektov k analytike trajektórií, pohybových vzťahov a smerových tokov v dopravnom priestore.

Michalov202609

Veľmi zaujímavou časťou prezentácie bol výpočet rýchlosti vozidiel. Ten je podmienený tým, že zábery musia byť snímané smerom kolmo dole, aby bolo možné spoľahlivo prevádzať polohu objektov z dvojrozmerného obrazu do reálneho priestoru. V prezentácii je vysvetlené, že bod z dvojrozmerného „plátna“ kamery sa spätne transformuje do 3D priestoru, kde je možné pracovať s reálnymi súradnicami. Vstupnými údajmi do tejto transformácie sú GPS súradnice drona prevedené do systému ETRS89, relatívna výška dronu, azimutové natočenie dronu a ohnisková vzdialenosť kamery. Tieto údaje sú dostupné v telemetrii drona, napríklad v metadátovom súbore .srt. V ďalšom kroku sa používa inverzná transformácia k takzvanej LookAt matici, pomocou ktorej sa bod z 2D obrazu prenesie do 3D priestoru. Keďže výsledkom prevodu je priamka s nekonečným množstvom bodov, za relevantný sa vyberá ten bod, ktorého tretia súradnica je nulová, teda bod ležiaci na snímanom povrchu. Všetky výpočty pritom prebiehajú v pravouhlom súradnicovom systéme ETRS89. Na základe stredu obdĺžnika, ktorým je vozidlo ohraničené pri detekcii, sa tak získavajú reálne súradnice vozidla na každej snímke. Rýchlosť sa následne vypočíta ako pomer prejdenej dráhy a času. Pre zvýšenie presnosti sa používajú údaje zo snímok v čase T a T-5. Ide teda o pomerne sofistikovaný prechod od obrazovej detekcie k priestorovo ukotvenému pohybovému modelu.

Michalov202606

Ďalšou analytickou vrstvou je pravdepodobnosť zrážky. Prezentácia upozorňuje, že nejde o jednu jednoduchú hodnotu, ale o súčasť širších indikátorov rizika, ktoré vychádzajú z trajektórií objektov, ich rýchlosti, smeru pohybu a konfliktných bodov. Súčasťou interpretácie je ukazovateľ TTC, pri ktorom hodnoty pod 1,5 sekundy znamenajú vysoké riziko, interval 1,5 až 3 sekundy stredné riziko a hodnoty nad 3 sekundy nízke riziko. Takýto prístup umožňuje analyzovať nielen už vzniknuté kolízne situácie, ale aj potenciálne konflikty, ktoré sú dôležité pre hodnotenie bezpečnosti križovatiek a dopravných uzlov. Na túto vrstvu nadväzuje aj analýza doby zastavenia, reprezentovaná ukazovateľom DRAC (Deceleration Rate to Avoid Crash). Ide o údaj, ktorý vyjadruje, aké intenzívne brzdenie musí vozidlo použiť, aby zabránilo zrážke. Nízka hodnota DRAC znamená bezpečnú situáciu, vysoká hodnota naznačuje potrebu prudkého brzdenia, a ak DRAC presiahne schopnosť brzdenia vozidla, ide už o kolíznu situáciu. Tento ukazovateľ posúva analýzu dopravy od jednoduchého počítania objektov k hlbšiemu hodnoteniu dynamiky rizika a správania účastníkov cestnej premávky.

Michalov202607

Dôležité je aj to, že prezentácia pomenovala faktory vplývajúce na kvalitu výsledkov. Patrí sem vzťah medzi rozsahom územia a výškou letu drona, dĺžka záznamu, množstvo vlícovacích bodov, kolmý pohľad kamery a správne umiestenie týchto bodov. Tým sa ukazuje, že výsledná presnosť a použiteľnosť analýz závisí nielen od algoritmov, ale aj od kvality celého dátového reťazca – od zberu až po georeferenciu a interpretáciu. Záver prezentácie smeroval k víziám rozvoja. Spomenuté boli výzvy spojené s integráciou dronov do mestských systémov, napríklad prepojenie na mestské kamerové systémy alebo využitie technológií typu DJI Dock – automatizovanej stanice pre drony, ktorá by umožnila aj nepretržitý monitoring. Cieľom je ukázať, ako môžu drony prispieť k efektívnejšiemu, bezpečnejšiemu a udržateľnejšiemu fungovaniu moderného mesta. V tomto zmysle prezentácia ukazovala UAV ako technický prostriedok mapovania a zároveň ako súčasť vznikajúcej analytickej a prevádzkovej infraštruktúry mesta, schopnej prepájať monitoring, geodáta, automatizovanú analytiku a podporu rozhodovania.

The presentation focused on the use of unmanned aerial systems (UAVs) as tools for the collection, processing, and analysis of spatial data in the urban environment. It demonstrated that drones are not only a means of visual documentation but also an integral part of analytical and decision-making processes. In , they are used to create imagery and mapping materials, for operational monitoring of situations in the field, and for specialised analytical tasks combining imagery, thermal imaging, machine learning, and GIS processing. At the beginning of the presentation, the equipment used by the city was introduced. It included several types of drones with different characteristics and sensors, ranging from smaller devices equipped with conventional RGB sensors to more powerful platforms featuring dual sensors or the possibility of integrating additional equipment. This makes it possible to respond to a wide variety of tasks, from promotional imagery to advanced analytical applications. The presentation provided examples of drone use for visualising greenery and public spaces, urban events, cultural activities, and development projects. Drone imagery serves as an attractive and accurate visual medium capable of capturing spatial relationships, the extent of an area, and the dynamics of the urban environment in ways that conventional ground-based photography cannot provide.

A significant part of the presentation addressed the use of UAVs for monitoring high-risk events. This activity is carried out in cooperation with the Municipal Police and is based on providing patrol units with a real-time aerial overview. Drones make it possible to monitor the movement of large crowds, rapidly support crowd coordination, identify risk zones, and dispatch patrols when problematic situations arise. Their deployment also includes nighttime thermal monitoring under reduced visibility, monitoring traffic and evacuation routes, and helping to prevent traffic congestion during larger gatherings. In this context, the presentation showed UAVs not only as analytical tools but also as operational components of urban security management. Another field of application is the inspection of infrastructure and buildings. The presentation described the detection of thermal anomalies and water leaks, the identification of problematic façades, roofs, and windows, as well as the monitoring of hard-to-reach structures. One of the major advantages of this approach is its safety and efficiency, as drones can provide access to locations that would otherwise require more demanding technical interventions or risky manual inspections. Thermal imagery also enables more accurate assessment of the technical condition of structures and supports both failure prevention and the reduction of energy losses.

The presentation also demonstrated the broader use of UAVs for collecting analytical data about the urban environment. Examples included the biological control of mosquitoes, where data are collected to support interventions and identify flood-prone polygons, as well as tree management and the creation of index maps, particularly NDVI maps, including the identification of stressed trees and problematic crowns. Particular attention was given to urban heat islands, for which thermal maps are produced, automated flight missions are used, and actual results following the installation of green roofs are evaluated. This part of the presentation showed that UAVs contribute to a wide range of urban management topics, from public health to climate adaptation and green infrastructure management. The core of the presentation, however, focused on monitoring transport nodes and the advanced analysis of traffic behaviour. This analytical workflow was presented as a process involving vehicle detection, speed calculation, estimation of collision probability, and analysis of stopping behaviour. In addition to measuring traffic intensity, the approach represents a more comprehensive model for processing vehicle movements and potentially hazardous situations in urban space.

Importantly, the presentation also described the actual operational workflow. Monitoring requests are submitted through the Helpdesk service (JitBit), where the required recording duration and the area to be covered are defined. Flight preparation follows, including checking the weather forecast, verifying compliance with flight restrictions and geozones, and handling routine logistics such as batteries and memory cards. The flight itself must comply with operational safety requirements, the VLOS principle (maintaining the drone within direct visual line of sight), and energy resource management. This workflow demonstrates that the analytical value of the data begins already at the stage of carefully planned data collection. For vehicle detection, the presentation also identified the specific technological solution used for data processing. Detection is performed using the Ultralytics library, which employs the YOLO (You Only Look Once) algorithm. For top-down drone imagery, a model trained specifically for this type of input is used, called Object-Detection-From-Drone-For-Surveillance. This means that the workflow does not rely merely on a general machine-learning application but on a model specifically adapted to surveillance imagery acquired from UAVs. The result is more reliable vehicle identification in traffic situations in which objects appear at different orientations and under varying traffic densities.

The presentation also showed that the original example script provided in the Ultralytics documentation was further extended to meet the requirements of the specific analytical task. Functionality was added to draw and label areas of interest as polygons on the image, store the complete vehicle trajectory from the first to the final detection, summarise the number of vehicles first detected in one polygon and last detected in another, and export the resulting counts of movements between polygons to a CSV file. This is a particularly important aspect because it demonstrates a shift from simple object detection towards the analysis of trajectories, movement relationships, and directional traffic flows. A particularly interesting part of the presentation concerned the calculation of vehicle speeds. This requires the imagery to be captured with the camera pointing vertically downward so that object positions can be reliably transformed from the two-dimensional image into real-world space. The presentation explained that a point on the two-dimensional camera “canvas” is back-transformed into 3D space, where real-world coordinates can be used. The input data for this transformation include the drone’s GPS coordinates converted into the ETRS89 coordinate system, the drone’s relative altitude, its azimuth orientation, and the focal length of the camera. These parameters are available in the drone telemetry, for example in an accompanying .srt metadata file.

In the next step, an inverse transformation based on the so-called LookAt matrix is used to project a point from the 2D image into 3D space. Since the result of this transformation is a line containing an infinite number of points, the relevant point is selected as the one whose third coordinate is zero, corresponding to a point lying on the observed surface. All calculations are performed in the Cartesian ETRS89 coordinate system. By using the centre of the bounding box surrounding the detected vehicle, it is therefore possible to obtain real-world coordinates of the vehicle in each frame. Speed is then calculated as the ratio between the distance travelled and elapsed time. To improve accuracy, data from frames at times T and T−5 are used. This therefore represents a relatively sophisticated transition from image-based detection to a spatially referenced movement model. Another analytical layer concerns collision probability. The presentation emphasised that this is not represented by a single simple value, but forms part of a wider set of risk indicators derived from object trajectories, speed, direction of movement, and conflict points. One of the indicators used for interpretation is TTC (Time to Collision), where values below 1.5 seconds indicate high risk, values between 1.5 and 3 seconds indicate medium risk, and values above 3 seconds indicate low risk. This approach makes it possible to analyse not only actual collision situations, but also potential conflicts that are important for assessing the safety of intersections and transport nodes.

This layer is complemented by an analysis of stopping behaviour, represented by the DRAC indicator (Deceleration Rate to Avoid Crash). This value expresses the degree of deceleration that a vehicle must apply in order to avoid a collision. A low DRAC value indicates a safe situation, while a high value indicates the need for hard braking. If DRAC exceeds the vehicle’s braking capability, the situation can already be considered a collision scenario. This indicator shifts traffic analysis from simple object counting towards a deeper assessment of risk dynamics and the behaviour of road users. The presentation also identified factors affecting the quality of the results. These include the relationship between the size of the monitored area and the drone’s flight altitude, recording duration, the number of ground control points, a vertically oriented camera view, and the correct placement of these control points. This demonstrates that the resulting accuracy and usability of the analyses depend not only on the algorithms themselves but also on the quality of the entire data workflow, from data acquisition through georeferencing to interpretation.

The presentation concluded with visions for future development. Challenges related to the integration of drones into urban systems were discussed, including integration with municipal camera systems and the use of technologies such as DJI Dock, an automated drone station that could also enable continuous monitoring. The objective is to demonstrate how drones can contribute to the more efficient, safer, and more sustainable operation of a modern city. In this sense, the presentation portrayed UAVs both as a technical mapping tool and as part of an emerging analytical and operational urban infrastructure capable of integrating monitoring, geospatial data, automated analytics, and decision support.

GIS, Veda, Dopravné inžinierstvo

Jaroslav Burian – Využití dát ze senzorických sítí pro potřeby plánovaní města Olomouce

skala
Hits: 453

Tento príspevok zaznel na konferencii GIS Slovakia 2026.

Príspevok Jaroslava Buriana bol zameraný na praktické využitie dát zo senzorických sietí pre potreby plánovania mesta Olomouc. Ťažiskom prezentácie bol konkrétny príklad budovania dátovej a analytickej infraštruktúry mesta, ktorá prepája senzorické merania, otvorené dáta, IoT technológie a koncept digitálneho dvojčaťa. Ide o systematicky budovanú súčasť širšieho mestského dátového ekosystému. Prezentácia bola zasadená do medzinárodného projektu EnCLOD (Enhancing Governance Capacities of Local Authorities Using Open Data), realizovaného v rámci programu Interreg Central Europe v rokoch 2024 až 2026. Projekt združuje desať partnerov z Talianska, Slovenska, Slovinska, Českej republiky a Maďarska. Súčasťou projektu je päť pilotných riešení a nástrojov pre a regióny, konkrétne pre Vicenzu, Olomouc, Debrecín, Žilinu a Novú Goricu. Českú časť projektu zastupujú CityOne, CITIQ, Univerzita Palackého v Olomouci a Magistrát mesta Olomouc. Cieľom je pripraviť akčné plány pre efektívne využitie otvorených dát a IoT v územnom riadení a plánovaní mesta a regiónu.

Burian202601

V prípade Olomouca je jednou z hlavných úloh projektu zriadenie senzorickej siete a vytvorenie nástroja zameraného na mestské tepelné ostrovy v spojení s dopravou a parkovaním. Projekt zahŕňa zber dát, workshopy, školenia a hackathon. Senzorická infraštruktúra v Olomouci pozostáva z 10 meteostaníc, 10 teplotných senzorov a 38 dopravných senzorov. Dopravné dáta sa zbierajú od septembra 2024, zatiaľ čo merania teploty od júna 2025. Zreteľne sa tu ukazuje snaha prepájať klimatické a mobilitné procesy v mestskom prostredí a analyzovať ich vo vzájomných súvislostiach. Senzorická infraštruktúra bola navyše predstavená ako expertne navrhnutá celomestská IoT sieť, čo ešte viac posilňuje jej význam ako systémového riešenia pre celé mesto.

Burian202602

Významným metodickým prvkom projektu je rozdelenie mesta do mikrozón. Prezentácia uvádza 60 zón, ktoré sú navrhnuté v súlade so štatistickými jednotkami, napríklad so sčítaním ľudu. Mikrozóny tvoria základ logiky návrhu senzoriky, umožňujú aplikáciu ďalších dátových vrstiev a vytvárajú rámec pre porovnávanie jednotlivých častí mesta medzi sebou. Takýto prístup je dôležitý preto, že posúva interpretáciu od jednotlivých bodových meraní k priestorovo porovnateľným urbanistickým celkom. Na mikrozóny je následne naviazané rozsiahle dátové zázemie pre dashboard a analytické spracovanie. V prezentácii sa uvádza identifikácia viac než 150 otvorených dátových sád. Medzi nimi sa nachádzajú napríklad družicové dáta Sentinel, OpenStreetMap, DTM inžinierskych sietí a POI vrstvy zahŕňajúce školy, škôlky, obchody, reštaurácie a ďalšie body záujmu. To ukazuje, že senzorické dáta sú interpretované v kombinácii s ďalšími tematickými vrstvami, ktoré umožňujú hlbšie pochopiť fungovanie mesta.

Burian202603

Analytický rámec projektu sa opiera o fyzikálne a dopravné merania, populačné a funkčné charakteristiky mesta. Jedným z príkladov je porovnanie denného a nočného stavu obyvateľstva. Takéto porovnanie umožňuje sledovať, ako sa mení priestorové rozloženie populácie v čase a ako sa tieto zmeny môžu odrážať v zaťažení infraštruktúry, v dopravných vzorcoch aj v nárokoch na služby a mestský priestor. Súčasťou prezentácie bol aj konkrétny dashboard prepájajúci mikrozóny s ďalšími tematickými ukazovateľmi. Zo snímok je zrejmé, že dashboard obsahuje základnú identifikáciu mikrozóny, populačné údaje, ukazovatele technickej infraštruktúry, dopravy, zelene a životného prostredia, občianskej vybavenosti, ekonomických subjektov, bytového fondu a klimatických charakteristík mestského prostredia. Viditeľné boli aj konkrétne agregované indikátory, napríklad počet obyvateľov, veková štruktúra, parkovacia kapacita, počet sledovaných ukazovateľov a priemerná . Senzorické dáta sú teda včlenené do širšieho mestského analytického modelu.

Burian202606

Dôležitou časťou prezentácie bola oblasť parkovania a dopravy. Burian ukázal nočný prieskum kapacity a vyťaženosti parkovania vo viacerých lokalitách, pričom sa porovnávali kapacity, počty elektromobilov, dodávok, osobných automobilov, nelegálne zaparkovaných vozidiel a celkový počet vozidiel. Práve táto časť prezentácie ukazuje silnú aplikačnú rovinu projektu: dáta neslúžia len na opis prostredia, ale aj na hodnotenie reálneho využitia parkovacích kapacít a identifikáciu problémových miest. Na úrovni konkrétnych lokalít boli predstavené aj detailné časové analýzy. Prezentácia obsahovala ukážky vo forme denných aj mesačných rezov. Z týchto výstupov bolo zrejmé, že systém dokáže sledovať obsadenosť, intenzitu využívania a časové rytmy mestských priestorov vo veľmi podrobnom rozlíšení. Takéto analýzy majú význam nielen pre dopravné plánovanie, ale aj pre riadenie verejného priestoru a lepšie pochopenie každodenného fungovania mesta.

Burian202604

Environmentálna časť projektu je postavená na presne definovanom súbore meraných meteorologických atribútov. Prezentácia uvádza atmosférický tlak, relatívnu vlhkosť vzduchu, smer vetra, rýchlosť vetra, teplotu vzduchu vo výške 200 cm, teplotu vzduchu vo výške 80 cm, teplotu povrchu na úrovni 0 cm, ako aj teplotu pod povrchom v hĺbkach – 6 cm a – 30 cm. Je zrejmé, že takto navrhnuté meranie má slúžiť na detailnejšie pochopenie mikroklimatických podmienok a tepelných ostrovov v mestskom prostredí. Prezentácia naznačila existenciu konkrétneho environmentálneho dashboardu zameraného na tepelné ostrovy. To je podstatné pre mestské plánovanie, pretože nestačí údaje len zhromažďovať, ale je potrebné ich vedieť premeniť na zrozumiteľné podklady pre rozhodovanie.

Burian202605

Dôležitým rozmerom projektu je aj jeho otvorenosť smerom k ďalšiemu rozvoju a zapojeniu komunity. V prezentácii sa objavuje olomoucký hackathon. Podujatie bolo doplnené o odborné , koučing skúsených mentorov a ďalší sprievodný program, čo pomáha vytvoriť platformu, ktorá môže stimulovať inovácie a nové spôsoby využitia senzorických dát. Prezentácia navyše ukázala, že hackathon priniesol aj konkrétne výsledky. Medzi ocenenými riešeniami sa objavili projekty zamerané na stres vozoviek, amortizáciu komunikácií či AI sumarizáciu počasia. Osobitne bola vyzdvihnutá aj kategória zameraná na najlepšie využitie senzorických dát. Projekt vytvára infraštruktúru a analytické podklady, podnecuje vznik nových aplikácií a inovatívnych interpretácií dát. Záver prezentácie smeroval k vízii ďalšieho rozvoja. Medzi hlavné smery patrí prepájanie dát s ďalšími sieťami, pokračovanie v budovaní digitálneho dvojčaťa mesta Olomouc, využívanie dát a aplikácií verejnou správou na podporu rozhodovania, sprístupňovaniu výstupov širokej verejnosti, publikovaniu otvorených dát a organizovaniu ďalších hackathonov. Príspevok ukazoval senzorické siete nielen ako technické riešenie, ale aj ako základ širšieho dátovo riadeného mestského manažmentu.

Jaroslav Burian’s contribution focused on the practical use of data from sensor networks for urban planning in Olomouc. The presentation centred on a concrete example of building the city’s data and analytical infrastructure, integrating sensor measurements, open data, IoT technologies and the concept of a digital twin. This infrastructure represents a systematically developed component of a broader urban data ecosystem. The presentation was set within the international EnCLOD project (Enhancing Governance Capacities of Local Authorities Using Open Data), implemented under the Interreg Central Europe programme between 2024 and 2026. The project brings together ten partners from Italy, Slovakia, Slovenia, the Czech Republic and Hungary. It includes five pilot solutions and tools for cities and regions, specifically for Vicenza, Olomouc, Debrecen, Žilina and Nova Gorica. The Czech part of the project is represented by CityOne, CITIQ, Palacký University Olomouc and the Municipality of Olomouc. The objective is to prepare action plans for the effective use of open data and IoT in territorial management and urban and regional planning.

In the case of Olomouc, one of the project’s main tasks is to establish a sensor network and develop a tool focused on urban heat islands in relation to transport and parking. The project includes data collection, workshops, training sessions and a hackathon. The sensor infrastructure in Olomouc consists of 10 weather stations, 10 temperature sensors and 38 traffic sensors. Traffic data have been collected since September 2024, while temperature measurements have been recorded since June 2025. This clearly demonstrates an effort to interconnect climate and mobility processes in the urban environment and analyse their mutual relationships. The sensor infrastructure was also presented as an expertly designed, citywide IoT network, further reinforcing its importance as a systemic solution for the entire city.

An important methodological element of the project is the division of the city into microzones. The presentation refers to 60 zones designed in accordance with statistical units, for example those used for population censuses. The microzones form the basis of the sensor deployment logic, enable the integration of additional data layers and provide a framework for comparing different parts of the city. This approach is important because it shifts interpretation from individual point measurements towards spatially comparable urban units. The microzones are subsequently linked to an extensive data base for dashboard visualisation and analytical processing. The presentation mentions the identification of more than 150 open datasets. These include, for example, Sentinel satellite data, OpenStreetMap, a DTM of utility networks and POI layers covering schools, kindergartens, shops, restaurants and other points of interest. This demonstrates that sensor data are interpreted in combination with other thematic layers, enabling a deeper understanding of how the city functions.

The project’s analytical framework is based on physical and transport measurements, together with population and functional characteristics of the city. One example is the comparison of daytime and night-time population distributions. Such comparisons make it possible to monitor how the spatial distribution of the population changes over time and how these changes may be reflected in infrastructure loads, mobility patterns, demand for services and the use of urban space. The presentation also included a specific dashboard linking microzones with additional thematic indicators. The slides showed that the dashboard contains basic microzone identification, population data, indicators relating to technical infrastructure, transport, greenery and the environment, public amenities, economic entities, housing stock and climatic characteristics of the urban environment. Specific aggregated indicators were also visible, including population counts, age structures, parking capacities, numbers of monitored indicators and average temperatures. Sensor data are therefore incorporated into a broader urban analytical model.

An important part of the presentation addressed parking and transport. Burian presented a night-time survey of parking capacities and occupancy across several locations, comparing capacities, numbers of electric vehicles, vans, passenger cars, illegally parked vehicles and total vehicle counts. This part of the presentation clearly illustrates the project’s strong practical dimension: the data are used not only to describe the urban environment but also to assess the actual use of parking capacities and identify problematic locations. Detailed temporal analyses were also presented for individual locations. The presentation included examples in the form of both daily and monthly time slices. These outputs demonstrated that the system can monitor occupancy, intensity of use and temporal rhythms of urban spaces at a very detailed level. Such analyses are valuable not only for transport planning, but also for the management of public spaces and for gaining a better understanding of the city’s everyday functioning.

The environmental component of the project is based on a precisely defined set of measured meteorological attributes. The presentation lists atmospheric pressure, relative air humidity, wind direction, wind speed, air temperature at a height of 200 cm, air temperature at 80 cm, surface temperature at 0 cm, as well as subsurface temperatures at depths of 6 cm and 30 cm below the surface. It is clear that measurements designed in this way are intended to provide a more detailed understanding of microclimatic conditions and urban heat islands in the urban environment. The presentation also indicated the existence of a dedicated environmental dashboard focused on heat islands. This is important for urban planning because simply collecting data is not sufficient; the data must also be transformed into comprehensible information that can support decision-making.

Another important dimension of the project is its openness to further development and community engagement. The presentation highlighted the Olomouc hackathon. The event was complemented by expert lectures, coaching by experienced mentors and an accompanying programme, helping to create a platform capable of stimulating innovation and new ways of using sensor data. The presentation also demonstrated that the hackathon produced concrete results. Award-winning solutions included projects focusing on road stress, road infrastructure depreciation and AI-based weather summarisation. A category dedicated to the best use of sensor data was also specifically highlighted. The project therefore provides both infrastructure and analytical resources while encouraging the creation of new applications and innovative interpretations of data.

The conclusion of the presentation outlined a vision for further development. The main directions include integrating data with additional networks, continuing the development of the city of Olomouc’s digital twin, using data and applications within public administration to support decision-making, making outputs accessible to the general public, publishing open data and organising further hackathons. The contribution presented sensor networks not merely as a technical solution, but as a foundation for broader data-driven urban management.

GIS, Veda, Klimatológia

Marcel Vasiľák – Klimatické simulácie snehovej pokrývky v horských oblastiach s využitím nástrojov GIS4WRF

skala
Hits: 455

Tento príspevok zaznel na konferencii GIS Slovakia 2026.

Klimatický systém je výsledkom komplexných interakcií medzi atmosférou, zemským povrchom a energetickou bilanciou planéty. V tomto kontexte zohrávajú geoinformačné technológie zásadnú úlohu, keďže umožňujú tieto procesy nielen analyzovať, ale aj modelovať a predikovať ich vývoj v priestore a čase. Téma modelovania snehovej pokrývky v horských oblastiach reflektuje aktuálnu potrebu detailného poznania kryosférických procesov v kontexte klimatickej zmeny, keďže snehová pokrývka zohráva zásadnú úlohu v hydrologickom cykle, energetickej bilancii krajiny aj v ekosystémových procesoch. Modelovanie vychádza z prepojenia numerických meteorologických modelov (WRF – Weather Research and Forecasting) s GIS prostredím. Tento prístup umožňuje transformovať výstupy klimatických simulácií do priestorovo explicitnej formy, ktorá je využiteľná pre ďalšie analýzy a rozhodovacie procesy. Kľúčovým aspektom je pritom schopnosť pracovať s vysokým priestorovým rozlíšením, ktoré je nevyhnutné najmä v členitom horskom teréne. V prezentovanom výskume predstavujú primárne záujmové územie Vysoké a Belianske , teda prostredie, v ktorom sa vplyv reliéfu na rozloženie snehovej pokrývky prejavuje mimoriadne výrazne.

Vasilak202604

Ako ukazuje metodika prezentovaná v príspevku, vstupné dáta zahŕňajú predovšetkým meteorologické premenné, ktoré sú následne spracované v modeli WRF. Dôležitou súčasťou postupu je pritom konfigurácia modelu, nastavenie výpočtových domén, preprocessing vstupných dát, samotný výpočet aj následný postprocessing a výber vhodných premenných. Výsledkom sú detailné simulácie priemernej výšky snehovej pokrývky, počtu dní so snehovou pokrývkou a ich priestorovej variability. Dôležitým krokom je následná integrácia týchto dát do GIS prostredia, kde dochádza k ich priestorovej analýze a vizualizácii. Súčasťou postupu je aj priestorové spracovanie modelových výstupov v GIS prostredí. Dôležitou súčasťou metodiky je aj validácia modelovaných výstupov voči dostupným meraniam, keďže výsledná kvalita simulácií závisí nielen od priestorového rozlíšenia, ale aj od kvality iniciálnych dát a nastavenia fyzikálnych schém modelu. Pre dosiahnutie detailnejšieho priestorového obrazu sa uplatňuje dynamický downscaling, štatistický downscaling aj interpolačné postupy. Pri štatistickom downscalingu nejde nevyhnutne o spracovanie výstupov modelu WRF, ale aj o štatistickú transformáciu dát z globálnych či regionálnych modelov alebo z reanalýz, napríklad ERA5, do jemnejšieho rozlíšenia. Presnosť takéhoto prístupu je podmienená kvalitou transformácie aj dostupnosťou lokálnych meraní z pozemných staníc.

Vasilak202601

Výsledky simulácií a ich klimageografická interpretácia poukazujú na výraznú priestorovú heterogenitu snehovej pokrývky v horských oblastiach, kde aj menšie rozdiely v reliéfe a polohe vedú k významným odlišnostiam v jej vývoji. Priemerná výška snehovej pokrývky dosahuje maximum približne v pásme 1650 až 2150 m n. m., pričom vo vyšších polohách následne klesá. Toto priestorové rozloženie je podmienené viacerými vzájomne pôsobiacimi činiteľmi, najmä vetrom vrátane veternej erózie, bázou orografickej oblačnosti, orientáciou voči prevládajúcemu prúdeniu vzduchu, expozíciou voči slnečnému žiareniu a vegetáciou. Práve kombinácia týchto faktorov vysvetľuje, prečo sa snehová pokrývka výrazne líši aj na relatívne malej ploche a prečo jej vývoj nemožno vysvetliť len nadmorskou výškou. Prejavy klimatickej zmeny sa pritom neukazujú len v zmenách priemernej výšky snehovej pokrývky, ale aj v zmenách priemerného počtu dní so snehovou pokrývkou. Z hydrologického hľadiska má tento vývoj zásadné dôsledky. Snehová pokrývka funguje ako prirodzený zásobník , ktorý postupne uvoľňuje vodu počas jarného topenia. Zmeny v jej výške a časovom trvaní sa preto premietajú aj do hydrologického režimu oblasti.

Vasilak202602

Z metodického pohľadu predstavuje kombinácia WRF modelovania a GIS analýz významný nástroj pre pokročilé klimatické štúdie. Umožňuje nielen spätnú analýzu (hindcasting), ale aj scenárové modelovanie budúceho vývoja. Prezentácia zároveň ukazuje, že model WRF nachádza uplatnenie aj pri výskume extrémnych zrážok, mimoriadnych snehových udalostí či prognóz otepľovania v rôznych častiach sveta, čím sa potvrdzuje jeho široká využiteľnosť v klimatologickom výskume. Takéto výstupy sú kľúčové pre plánovanie v oblastiach ako vodné hospodárstvo, lesníctvo, energetika či cestovný ruch. Zároveň sa potvrdzuje, že pre pochopenie klimatických procesov je nevyhnutné prepájať rôzne mierky – od globálnych modelov až po lokálne podmienky. Práve GIS technológie umožňujú tento prechod medzi mierkami realizovať a poskytujú platformu na integráciu dát z rôznych zdrojov.

Vasilak202603

Zaujímavým doplnkom prezentácie bola popularizačná ukážka možného vývoja výšky snehovej pokrývky v roku 2050, založená na extrapolácii časového radu minulých údajov. Nešlo teda o výsledok fyzikálneho modelovania, ani o samostatný výstup umelej inteligencie, ale o ilustračné predĺženie existujúceho trendu do budúcnosti. Vedecky preto treba tento moment chápať skôr ako orientačnú demonštráciu než ako plnohodnotnú prognózu. V širšom kontexte klimatického bloku konferencie tento príspevok dopĺňa poznatky o radiačných faktoroch a kontinentalite podnebia. Spoločne ukazujú, že klimatické procesy sú výsledkom komplexnej interakcie energie, atmosféry a zemského povrchu, pričom ich prejavy majú výrazne diferencovaný priestorový charakter. V konečnom dôsledku ide o posun od opisného poznania klimatických javov k ich detailnejšiemu modelovaniu, priestorovej interpretácii a hlbšiemu pochopeniu ich dôsledkov. Práve takéto prístupy budú dôležité aj pri adaptácii na klimatickú zmenu v horských regiónoch, kde sa významne prejavuje najmä teploty vzduchu, zmeny snehovej pokrývky a hydrologického režimu, zatiaľ čo iné prejavy môžu byť v porovnaní s urbánnym prostredím menej výrazné.

The climate system is the result of complex interactions between the atmosphere, the Earth’s surface and the planet’s energy balance. In this context, geoinformation technologies play a crucial role, as they make it possible not only to analyse these processes but also to model them and predict their development across space and time. The modelling of snow cover in mountain regions reflects the current need for a detailed understanding of cryospheric processes in the context of climate change, since snow cover plays a fundamental role in the hydrological cycle, the energy balance of the landscape and ecosystem processes. The modelling is based on the integration of numerical meteorological models, particularly WRF – the Weather Research and Forecasting model – with a GIS environment. This approach makes it possible to transform the outputs of climate simulations into a spatially explicit form that can be used for further analyses and decision-making processes. A key aspect is the ability to work at a high spatial resolution, which is essential particularly in rugged mountain terrain. In the research presented, the High Tatras and the Belianske Tatras constitute the primary area of interest—an environment in which the influence of topography on the distribution of snow cover is especially pronounced.

As demonstrated by the methodology presented in the contribution, the input data primarily include meteorological variables that are subsequently processed using the WRF model. An important part of the procedure involves configuring the model, defining the computational domains, preprocessing the input data, performing the calculation itself, and subsequently post-processing the results and selecting appropriate variables. The outputs consist of detailed simulations of mean snow depth, the number of days with snow cover and their spatial variability. An important subsequent step is the integration of these data into a GIS environment, where they are subjected to spatial analysis and visualisation. The procedure also includes the spatial processing of model outputs in GIS. Another essential component of the methodology is the validation of the modelled outputs against available measurements, since the resulting quality of the simulations depends not only on spatial resolution but also on the quality of the initial data and the configuration of the model’s physical parameterisation schemes.

Dynamical downscaling, statistical downscaling and interpolation methods are applied to obtain a more detailed spatial representation. Statistical downscaling does not necessarily involve processing WRF model outputs alone. It may also involve the statistical transformation of data from global or regional models, or from reanalyses such as ERA5, into a finer spatial resolution. The accuracy of this approach depends on both the quality of the transformation and the availability of local measurements from ground-based stations. The simulation results and their climatogeographical interpretation indicate pronounced spatial heterogeneity in snow cover across mountain regions, where even relatively small differences in topography and location result in significant differences in its development. Mean snow depth reaches its maximum approximately within the elevation zone of 1,650 to 2,150 metres above sea level, after which it decreases at higher elevations.

This spatial distribution is determined by several interacting factors, particularly wind, including wind erosion and snow redistribution, the base of orographic cloud cover, orientation in relation to the prevailing airflow, exposure to solar radiation and vegetation. It is precisely the combination of these factors that explains why snow cover may vary considerably even across a relatively small area and why its development cannot be explained solely by elevation. The effects of climate change are reflected not only in changes in mean snow depth but also in changes in the average number of days with snow cover. From a hydrological perspective, these developments have fundamental consequences. Snow cover functions as a natural water reservoir that gradually releases water during the spring snowmelt. Changes in its depth and duration are therefore also reflected in the hydrological regime of the region.

From a methodological perspective, the combination of WRF modelling and GIS analyses represents an important tool for advanced climate studies. It enables not only retrospective analysis, or hindcasting, but also scenario-based modelling of future development. The presentation also demonstrates that the WRF model is applied in research into extreme precipitation, exceptional snowfall events and projections of warming in different parts of the world, confirming its broad applicability in climatological research. Such outputs are essential for planning in sectors such as water management, forestry, energy and tourism. They also confirm that understanding climate processes requires the interconnection of different scales, ranging from global models to local conditions. GIS technologies make it possible to bridge these scales and provide a platform for integrating data from a variety of sources. An interesting addition to the presentation was a popular-science demonstration of the possible development of snow depth by 2050, based on the extrapolation of a time series of historical data. It was therefore neither the result of physical modelling nor a standalone output generated by artificial intelligence, but rather an illustrative extension of an existing trend into the future. From a scientific perspective, this element should consequently be understood as an indicative demonstration rather than a comprehensive forecast.

Within the broader context of the conference’s climate session, this contribution complements findings concerning radiative factors and climate continentality. Together, they demonstrate that climate processes result from complex interactions among energy, the atmosphere and the Earth’s surface, while their manifestations have a strongly differentiated spatial character. Ultimately, this represents a shift from the descriptive understanding of climate phenomena towards their more detailed modelling, spatial interpretation and a deeper understanding of their consequences. Such approaches will also be important for climate change adaptation in mountain regions, where the most significant manifestations include rising air temperatures, changes in snow cover and alterations in the hydrological regime, while other impacts may be less pronounced than in urban environments.

GIS, Veda, Klimatológia

Miriam Janušková – Hodnotenie kontinentality podnebia vo vzťahu k radiačným faktorom

skala
Hits: 477

Tento príspevok zaznel na konferencii GIS Slovakia 2026.

Podnebie nie je len súhrnom teplôt a zrážok. Je výsledkom komplexného systému procesov, ktoré prebiehajú v atmosfére, na zemskom povrchu aj medzi nimi. Jedným z kľúčových faktorov, ktorý tento systém formuje, je slnečné žiarenie. Práve jeho množstvo, distribúcia a interakcia s povrchom určujú základné charakteristiky klímy vrátane jej kontinentálneho či oceánskeho charakteru. Kontinentalita podnebia predstavuje mieru, do akej je klíma ovplyvnená vnútrozemskými podmienkami na rozdiel od oceánskych vplyvov. V praxi sa prejavuje najmä väčšími teplotnými rozdielmi medzi letom a zimou a vyššou variabilitou počasia. V strednej Európe, vrátane Slovenska, ide o veľmi dynamickú charakteristiku, ktorú ovplyvňuje nielen geografická poloha, ale aj lokálne faktory. Jedným z najvýznamnejších sú radiačné faktory. Slnečné žiarenie predstavuje primárny zdroj energie pre klimatický systém Zeme. Jeho intenzita závisí od viacerých premenných – zemepisnej šírky, ročného obdobia, oblačnosti, ale aj vlastností povrchu, ako je albedo či vegetačný pokryv. Tieto faktory následne ovplyvňujú teplotný režim krajiny a tým aj jej klimatický charakter.

Januskova202601

Analýza vzťahu medzi kontinentalitou a radiačnými faktormi umožňuje lepšie pochopiť, ako sa energia distribuuje v krajine a ako ovplyvňuje klimatické procesy. Zároveň poskytuje nástroje na identifikáciu oblastí, ktoré sú náchylnejšie na extrémy, napríklad výrazné teplotné výkyvy či prehriatie. Z metodického hľadiska ide o kombináciu klimatologických dát a priestorových analýz. Využívajú sa dlhodobé časové rady meteorologických meraní, ktoré sa následne prepájajú s informáciami o radiačných podmienkach. Práve tu zohrávajú významnú úlohu GIS technológie, ktoré umožňujú tieto dáta integrovať, analyzovať a vizualizovať v priestore.

Prepojenie klimatológie a geoinformatiky tak predstavuje silný nástroj na pochopenie aj riadenie klimatických procesov v krajine. Nejde len o vedecký výskum, ale aj o praktický základ pre rozhodovanie, ktoré má priamy dopad na kvalitu života obyvateľov. V konečnom dôsledku ide o pochopenie jednej zásadnej veci: klíma je výsledkom globálnych procesov, ale aj lokálnych interakcií medzi energiou, povrchom a priestorom. Vzťah medzi radiačnými faktormi a kontinentalitou sa prejavuje aj v časovom posune medzi priebehom žiarenia a teploty, ktorý odráža rozdielny charakter oceánskych a vnútrozemských oblastí. Radiačná bilancia pritom ovplyvňuje teplotnú amplitúdu a významnú úlohu zohráva aj nadmorská výška, na ktorú je nová metóda hodnotenia kontinentality citlivá. V prezentovanom prístupe vystupuje ako kľúčový radiačný prvok najmä extraterestrické slnečné žiarenie a jeho sezónny priebeh počas roka.

Januskova202602

Dôležitým metodickým posunom v hodnotení kontinentality je využitie nového prístupu založeného na porovnaní priebehu teploty vzduchu a extraterestrického slnečného žiarenia počas roka. Nejde pritom len o všeobecné posúdenie vzťahu medzi klímou a žiarením, ale o novú metódu merania kontinentality podnebia vo vzťahu k radiačným faktorom. Tento prístup vychádza z predpokladu, že medzi maximom žiarenia a maximom teploty existuje časové oneskorenie, ktoré je charakteristické pre dané územie. Na tomto princípe je založený tzv. index E, ktorý kvantifikuje kontinentalitu ako časový posun v dňoch medzi priebehom radiácie a teploty. Práve vyjadrenie kontinentality v dňoch predstavuje jeden z hlavných prínosov tejto metódy, keďže umožňuje uchopiť klimatický rozdiel ako časovo interpretovateľnú charakteristiku. Výpočet prebieha porovnaním relatívnych priebehov týchto dvoch veličín v kľúčových bodoch roka, napríklad pri 25 %, 50 % a 75 % amplitúdy, pričom výsledná hodnota predstavuje priemer viacerých čiastkových odchýlok. Metóda bola ilustrovaná na konkrétnych lokalitách s odlišným oceánskym a kontinentálnym režimom, ako aj na príkladoch z tropického a mimotropického pásma, čo ukazuje rozdielne časové oneskorenie medzi priebehom žiarenia a teploty. Takéto porovnania potvrdzujú, že index E dokáže citlivo rozlišovať medzi prímorskými a vnútrozemskými typmi podnebia.

Z praktických výsledkov vyplýva, že kontinentalita rastie so vzdialenosťou od oceánu, pričom tento vzťah má približne logaritmický priebeh. Priestorové analýzy realizované v prostredí GIS využívajú interpoláciu klimatických dát, konkrétne metódu Ordinary Kriging, ktorá zohľadňuje priestorovú autokoreláciu meraní. Pri spracovaní Európy boli pre presnejšie zachytenie východnej hranice využité aj priľahlé stanice v Rusku, pričom ostrovné oblasti boli interpolované samostatne. Napríklad analýza na 50. rovnobežke ukazuje veľmi silnú závislosť medzi hodnotou indexu E a vzdialenosťou od pobrežia (R² ≈ 0,88), čo potvrdzuje dominantný vplyv oceánskej regulácie klímy v pobrežných oblastiach. Takto je možné vytvoriť spojité mapy kontinentality pre celé územie Európy alebo sveta, pričom sa berú do úvahy aj špecifiká, ako sú ostrovné oblasti alebo okrajové regióny. Následne bol interpolovaný raster prevedený na polygóny s využitím klasifikácie Equal interval, čo umožnilo prehľadnejšiu priestorovú interpretáciu výsledkov.

Januskova202603

Dôležitým záverom je aj to, že nový index E nevystupuje izolovane, ale vykazuje väčšiu zhodu s indexom ombrickej kontinentality. Zároveň sa ukazuje, že je použiteľný najmä mimo tropického pásma, teda v oblastiach ležiacich mimo obratníkov, kde sezónny priebeh žiarenia a teploty umožňuje tento typ porovnania spoľahlivejšie interpretovať. Mapy ukazujú gradient kontinentality – od oceánskeho západu Európy s nízkymi hodnotami až po výrazne kontinentálne oblasti východnej Európy a vnútrozemia Ázie. Tento priestorový vzor potvrdzuje, že kontinentalita nie je len funkciou geografickej polohy, ale aj výsledkom komplexnej interakcie radiačných a cirkulačných faktorov. Nová metóda je zároveň citlivá aj na lokálne podmienky, ako sú nadmorská výška, orientácia reliéfu, náveterná a záveterná strana pohorí či vplyv teplých a studených morských prúdov, a preto umožňuje presnejšie zachytiť jemnejšie priestorové rozdiely v charaktere klímy.

Climate is not merely a summary of temperatures and precipitation. It is the result of a complex system of processes occurring within the atmosphere, at the Earth’s surface and through interactions between them. One of the key factors shaping this system is solar radiation. Its amount, distribution and interaction with the surface determine the fundamental characteristics of climate, including its continental or oceanic nature. Climatic continentality expresses the extent to which a climate is influenced by inland conditions rather than by oceanic effects. In practice, it is manifested primarily through greater temperature differences between summer and winter and higher weather variability. In Central Europe, including Slovakia, continentality is a highly dynamic characteristic influenced not only by geographical location but also by local factors. Radiation factors are among the most significant of these.

Solar radiation is the primary source of energy for the Earth’s climate system. Its intensity depends on several variables, including latitude, season, cloud cover and surface properties such as albedo and vegetation cover. These factors subsequently affect the temperature regime of the landscape and, consequently, its climatic character. Analysing the relationship between continentality and radiation factors provides a better understanding of how energy is distributed across the landscape and how it influences climatic processes. It also provides tools for identifying areas that are more susceptible to extremes, such as substantial temperature fluctuations or overheating. From a methodological perspective, this involves combining climatological data with spatial analyses. Long-term time series of meteorological measurements are used and subsequently linked with information about radiation conditions. GIS technologies play an important role in this process by making it possible to integrate, analyse and visualise these data spatially.

The integration of climatology and geoinformatics therefore represents a powerful tool for both understanding and managing climatic processes within the landscape. It is relevant not only to scientific research but also as a practical basis for decision-making that directly affects residents‘ quality of life. Ultimately, it is about understanding one fundamental principle: climate is the result of global processes as well as local interactions between energy, the surface and space. The relationship between radiation factors and continentality is also reflected in the time lag between the annual courses of radiation and temperature, which represents the differing characteristics of oceanic and inland regions. The radiation balance influences temperature amplitude, while altitude also plays an important role, as the new method for evaluating continentality is sensitive to it. In the presented approach, extraterrestrial solar radiation and its seasonal course throughout the year constitute the principal radiation component.

An important methodological advance in the evaluation of continentality is the use of a new approach based on comparing the annual courses of air temperature and extraterrestrial solar radiation. This is not merely a general assessment of the relationship between climate and radiation, but a new method for measuring climatic continentality in relation to radiation factors. The approach is based on the assumption that a time lag exists between the maximum level of radiation and the maximum temperature, and that this lag is characteristic of a particular area. This principle forms the basis of the E index, which quantifies continentality as the time shift, expressed in days, between the annual courses of radiation and temperature. Expressing continentality in days is one of the method’s principal contributions, as it makes it possible to describe climatic differences as a characteristic that can be interpreted in temporal terms.

The calculation is performed by comparing the relative annual courses of the two variables at key points, such as 25%, 50% and 75% of their amplitudes. The resulting value represents the average of several partial deviations. The method was illustrated using specific locations with differing oceanic and continental regimes, as well as examples from tropical and extratropical zones. These examples demonstrate the different time lags between the annual courses of radiation and temperature. Such comparisons confirm that the E index can sensitively distinguish between coastal and inland climate types. The practical results indicate that continentality increases with distance from the ocean, with the relationship following an approximately logarithmic pattern. Spatial analyses performed in a GIS environment use climatic-data interpolation, specifically the Ordinary Kriging method, which accounts for the spatial autocorrelation of measurements.

When processing data for Europe, adjacent stations in Russia were also included to represent the eastern boundary more accurately, while island areas were interpolated separately. An analysis along the 50th parallel, for example, demonstrates a very strong relationship between the E index value and distance from the coastline (R² ≈ 0.88). This confirms the dominant influence of oceanic climate regulation in coastal regions. This approach makes it possible to produce continuous continentality maps for the entirety of Europe or even the world while accounting for specific geographical conditions, including island territories and peripheral regions. The interpolated raster was subsequently converted into polygons using the Equal Interval classification method, enabling a clearer spatial interpretation of the results.

Another important conclusion is that the new E index does not operate in isolation but shows a greater degree of agreement with the ombric continentality index. At the same time, it appears to be particularly applicable outside the tropical zone—that is, in areas located beyond the tropics—where the seasonal courses of radiation and temperature allow this type of comparison to be interpreted more reliably. The maps reveal a gradient of continentality, extending from the oceanic western part of Europe, characterised by low values, to the markedly continental regions of Eastern Europe and the interior of Asia. This spatial pattern confirms that continentality is not merely a function of geographical location but also the result of complex interactions between radiation and atmospheric circulation factors. The new method is also sensitive to local conditions, including altitude, terrain orientation, the windward and leeward sides of mountain ranges and the effects of warm and cold ocean currents. It can therefore represent finer spatial differences in climatic characteristics more accurately.