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 technika, 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.
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.
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 dreviny 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.
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.
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.
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.
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.
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 Bratislava, 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.