AI-driven hazard monitoring in Albania: combining CLIP, image segmentation, and Web GIS for floods, fires, and deforestation

• Autorzy: Hysenaj Medjon

Identyfikatory

DOI

10.4467/21995923GP.25.007.22862

Warianty tytułu

PL

Monitoring zagrożeń w Albanii prowadzony przy pomocy sztucznej inteligencji: połączenie metod CLIP, segmentacji zobrazowań oraz Web GIS dla powodzi, pożarów i deforestacji

• Języki publikacji: EN

Abstrakty

EN

Albania is increasingly exposed to natural and anthropogenic hazards, including recurrent floods in the Shkodra basin, forest fires in mountainous protected areas, and ongoing deforestation linked to land-use change. Effective monitoring of these processes is challenged by fragmented datasets, delayed reporting, and the limited integration of advanced analytical methods into operational geoinformation systems. This article proposes a hybrid AI-GIS pipeline that combines semantic image classification with quantitative geospatial analysis to support hazard detection and management. The approach integrates the Contrastive Language–Image Pretraining (CLIP) model for zero-shot classification of hazard-related imagery with pixel-level segmentation and spectral indices derived from remote sensing data. CLIP enables the automatic labeling of images and tiles according to natural language prompts such as “flooded farmland”, “burned forest” or “deforested hillside” providing semantic context without the need for retraining. Segmentation methods and indices, including NDWI for floods, NDVI for vegetation loss, and dNBR for burn severity, are then applied to quantify the spatial extent of affected areas. The resulting outputs are structured in a PostGIS database, where hazard layers and attributes are stored and linked to spatial queries. A Web GIS environment built with Leaflet provides interactive visualization, dashboards, and temporal comparisons for end users. Three scenarios are presented: flood extent mapping in Shkodra, wildfire impact in Lurë National Park, and deforestation monitoring in Tropoja. Results demonstrate that the integration of semantic classification and quantitative extraction enhances both the interpretability and accuracy of hazard assessments. The framework highlights the potential of combining AI and GIS technologies to create scalable, reproducible, and policy-relevant observatories for environmental risk monitoring in Albania.

PL

Albania staje się coraz bardziej narażona na katastrofy naturalne i antropogeniczne, takie jak powtarzające się powodzie w basenie Jeziora Szkoderskiego, pożary lasów na terenie obszarów chronionych w górach oraz trwająca deforestacja związana ze zmianami w użytkowaniu terenu. Skuteczny monitoring tych procesów napotyka liczne trudności, wynikające z rozproszenia zestawów danych, opóźnionego raportowania oraz ograniczonej integracji zaawansowanych metod analitycznych z systemami geoinformacyjnymi. W artykule przedstawiono propozycję hybrydowego ciągu AI-GIS, który łączy semantyczną klasyfikację zobrazowań z analizą ilościową, aby wspierać wykrywanie zagrożeń i zarządzanie kryzysowe. Podejście to integruje model kontrastywnego języka-przedtreningu obrazu (ang. Contrastive Language–Image Pretraining – CLIP) do zerojedynkowej klasyfikacji zobrazowań związanych z zagrożeniem z segmentacją na poziomie piksela i wskaźnikami spektralnymi wyprowadzonymi z danych teledetekcyjnych. CLIP umożliwia automatyczne etykietowanie zobrazowań i warstw zgodnie z naturalnymi podpowiedziami językowymi, takimi jak "zalane grunty rolnicze", "spalony las" lub "wylesione zbocze", dostarczając kontekstu semantycznego bez potrzeby ponownego treningu. Metody segmentacji i wskaźniki, w tym NDWI dla powodzi, NDVI dla utraty roślinności i dNBR dla oceny szkód spowodowanych pożarem, są następnie stosowane do kwantyfikacji rozmiaru przestrzennego zmienionych obszarów. Otrzymane wyniki są włączane do bazy danych PostGIS, gdzie umieszczono warstwy zagrożenia i atrybuty, a także połączono je z wyszukiwaniami przestrzennymi. Utworzone za pomocą Leaflet środowisko Web GIS zapewnia użytkownikom końcowym interaktywną wizualizację, panele oraz porównania w czasie. W artykule przedstawiono trzy scenariusze: mapowanie rozprzestrzeniania się pożarów w rejonie Szkodry, skutki pożaru w Parku Narodowym Lurë oraz monitoring deforestacji w rejonie Tropoi. Wyniki pokazują, że integracja klasyfikacji semantycznej z ekstrakcją ilościową zwiększa zarówno łatwość interpretacji, jak i dokładność oceny zagrożeń. Ramy te ukazują możliwości połączenia technologii AI i GIS w celu stworzenia w Albanii punktów monitoringu ryzyka środowiskowego, dostarczających danych, które są skalowalne, powtarzalne i istotne dla polityką zarządzania ryzykiem.

Słowa kluczowe

EN

CLIP; Image Segmentation; Satellite Imagery; Environmental Hazards; Web GIS

PL

CLIP; segmentacja zobrazowań; zobrazowania satelitarne; ryzyko środowiskowe; Web GIS

• Wydawca: Polska Akademia Umiejętności
• Czasopismo: Geoinformatica Polonica
• Rocznik: 2025
• Tom: T. 24
• Strony: 89--98
• Opis fizyczny: Bibliogr. 33 poz., rys.

Twórcy

autor

Hysenaj Medjon

• Universiteti i Shkodrës “Luigj Gurakuqi”, Department of Geography, Albania

• https://orcid.org/0000-0002-6965-5692

Bibliografia

• 1. Goodchild, M.F. Citizens as sensors: The world of volunteered geography. GeoJournal, 2007; volume 69, pp. 211–221.
• 2. Haklay, M. Citizen science and volunteered geographic information: Overview and typology of participation. In Crowdsourcing Geographic Knowledge; Sui, D., Elwood, S., Goodchild, M., Eds.; Springer: Dordrecht, Netherlands, 2013; pp. 105–122. (https://doi.org/10.1007/978-94-007-4587-2_7).
• 3. Tucker, C.J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ., 1979; volume 8, pp. 127–150. (https://doi.org/10.1016/0034-4257(79)90013-).
• 4. Hansen, M.C., Potapov, P.V., Moore, R., Hancher, M., Turubanova, S.A., Tyukavina, A., Thau, D., Stehman, S.V., Goetz, S.J., Loveland, T.R. High-resolution global maps of 21st-century forest cover change. Science, 2013; volume 342, pp. 850–853.
• 5. Smith, A., Bates, P.D., Wing, O., Sampson, C., Quinn, N., Neal, J., Ward, P.J. New estimates of flood exposure in developing countries using high-resolution population data. Nat. Commun., 2019; volume 10, p. 1814. (https://doi.org/10.1038/s41467-019-09282-y).
• 6. McFeeters, S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens., 1996; volume 17, pp. 1425–1432. (https://doi.org/10.1080/0143116960894871).
• 7. Key, C.H., Benson, N.C. Landscape assessment: Ground measure of severity, the Composite Burn Index; and remote sensing of severity, the Normalized Burn Ratio. In FIREMON: Fire Effects Monitoring and Inventory System; Lutes, D.C., Ed.; USDA Forest Service, Rocky Mountain Research Station: Fort Collins, CO, USA, 2006; pp. LA1–LA51.
• 8. Chuvieco, E., Mouillot, F., van der Werf, G.R., San Miguel, J., Tanase, M., Koutsias, N., García, M., Yebra, M., Padilla, M., Gitas, I., Heil, A., Hawbaker, T.J., Giglio, L. Historical background and current developments for mapping burned area from satellite Earth observation. Remote Sens. Environ., 2019; volume 225, pp. 45–64. (https://doi.org/10.1016/j.rse.2019.02.013).
• 9. Achard, F.; Beuchle, R.; Mayaux, P.; Stibig, H.-J.; Bodart, C.; Brink, A.; Carboni, S.; Desclée, B., Donnay, F., Eva, H.D., Lupi, A., Raši, R., Seliger, R., Simonetti, D. Determination of tropical deforestation rates and related carbon losses from 1990 to 2010. Glob. Chang. Biol., 2014; volume 20, pp. 2540–2554. (https://doi.org/10.1111/gcb.12605).
• 10. Giglio, L., Boschetti, L., Roy, D.P., Humber, M.L., Justice, C.O. The Collection 6 MODIS burned area mapping algorithm and product. Remote Sens. Environ., 2018; volume 217, pp. 72–85. (https://doi.org/10.1016/j.rse.2018.08.005).
• 11. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention –MICCAI 2015; Navab, N., Hornegger, J., Wells, W., Frangi, A., Eds.; Springer: Cham, Switzerland, 2015; pp. 234–241. (https://doi.org/10.1007/978-3-319-24574-4_28).
• 12. Chen, L.C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H. Encoder–decoder with atrous separable convolution for semantic image segmentation. In Proceedings of the European Conference on Computer Vision (ECCV); Springer: Cham, Switzerland, 2018; pp. 801–818. (https://doi.org/10.1007/978-3-030-01234-2_49).
• 13. Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, S., Berg, A.C., Lo, W.Y., Dollár, P., Girshick, R. Segment Anything. arXiv 2023; preprint arXiv:2304.02643. (https://doi.org/10.48550/arXiv. 2304.02643).
• 14. Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., Terzopoulos, D. Image segmentation using deep learning: A survey. arXiv 2020; preprint arXiv:2001.05566. (https://doi.org/10.48550/arXiv.2001.05566).
• 15. Zhu, X.X., Tuia, D., Mou, L., Xia, G., Zhang, L., Xu, F., Fraundorfer, F. Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geosci. Remote Sens. Mag., 2017; volume 5, pp. 8–36. (https://doi.org/10.1109/MGRS.2017.2762307).
• 16. Zhou, B., Zhao, H., Puig, X., Xiao, T., Fidler, S., Barriuso, A., Torralba, A. Semantic understanding of scenes through the ADE20K dataset. arXiv 2016; preprint arXiv:1608.05442. (https://doi.org/10.48550/arXiv.1608.05442).
• 17. Radford, A., Kim, J.W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., Sutskever, I. Learning transferable visual models from natural language supervision. In Proceedings of the 38th International Conference on Machine Learning (ICML 2021); PMLR: Vienna, Austria, 2021; volume 139, pp. 8748–8763. (https://proceedings.mlr.press/v139/radford21a.html).
• 18. Ilharco, G., Wortsman, M., Wightman, R., Gordon, C., Carlini, N., Taori, R., Dave, A., Vaishaal, S., Namkoong, H., Miller, J., Hajishirzi, H., Farhadi, A., Schmidt, L. OpenCLIP: An open-source implementation of CLIP. arXiv 2021, preprint arXiv:2109.01134.
• 19. Bommasani, R., Hudson, D.A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M.S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chaterji, N., Chen, A., Creel, K., Davis, J.Q., Demszky, D., Donahue, C., Doumbouya, M., Durmus, E., Srmon, S., Etchemedy, J., Ethayarajh, K., Fei-Fei, L., Finn, C., Gale, T., Gillespie, L., Goel, K., Goodman, N., Grossman, S., Guha, N., Hashimoto, T., Henderson, P., Hewitt, J., Ho, D.E et al. On the opportunities and risks of foundation models. arXiv 2021; preprint arXiv:2108.07258. (https://doi.org/10.48550/arXiv.2108.07258).
• 20. Obe, R.O., Hsu, L.S. PostGIS in Action, 2nd ed.; Manning Publications: Shelter Island, NY, USA, 2015.
• 21. Fu,e P., Sun, J. Web GIS: Principles and Applications; Esri Press: Redlands, CA, USA, 2022.
• 22. Longley, P.A., Goodchild, M.F., Maguire, D.J., Rhind, D.W. Geographic Information Science and Systems, 5th ed.; Wiley: Hoboken, NJ, USA, 2021.
• 23. Degrossi, L.C., de Albuquerque, J.P., Fava, M.C., Mendiondo, E.M. Flood Citizen Observatory: A crowdsourcing-based approach for flood risk management in Brazil. In Proceedings of the 26th International Conference on Software Engineering and Knowledge Engineering (SEKE 2014); Knowledge Systems Institute Graduate School: Vancouver, BC, Canada, 1–3 July 2014; pp. 570–575. (https://eprints.gla.ac.uk/256112/).
• 24. Degrossi, L.C., de Albuquerque, J.P., Rocha, R.S., Zipf, A. A taxonomy of quality assessment methods for volunteered and crowdsourced geographic information. Trans. GIS, 2018; volume 22, pp. 542–560. (https://doi.org/10.1111/tgis.12329).
• 25. Haklay, M., Weber, P. OpenStreetMap: User-generated street maps. IEEE Pervasive Comput., 2008; volume 7, pp. 12–18. (https://doi.org/10.1109/MPRV.2008.80).
• 26. Kounadi, O., Lampoltshammer, T.J., Leitner, M., Heistracher, T. Accuracy and privacy aspects in free online reverse geocoding services. Cartogr. Geogr. Inf. Sci., 2013; volume 40, pp. 140–153. (https://doi.org/10.1080/15230406.2013.777138).
• 27. Olawade, D.B., Wada, O.Z., Ige, A.O., Egbewole, R.I., Olojo, A., Oladapo, B.I. Artificial intelligence in environmental monitoring: Advancements, challenges, and future directions. Hygiene and Environmental Health Advances, 2024; volume 12, p. 100114. (https://doi.org/10.1016/j.heha.2024.100114).
• 28. Li, X., Wen, C., Hu, Y., Zhou, N. RS-CLIP: Zero-shot remote sensing scene classification via contrastive vision–language supervision. Int. J. Appl. Earth Obs. Geoinf., 2023; volume 124, p. 103497. (https://doi.org/10.1016/j.jag.2023.103497).
• 29. Al-Ruzouq, R., Shanableh, A., Jena, R., Gibril, M.B.A., Hammouri, N.A., Lamghari, F. Flood susceptibility mapping using a novel integration of multi-temporal Sentinel-1 data and eXtreme deep learning model. Geosci. Front., 2024; volume 15(3), p. 101780. (https://doi.org/10.1016/j.gsf.2024.101780).
• 30. Chomani, K. A novel multi-spectral index for burned area detection using high-resolution satellite imagery. Earth Sci. Inform., 2024; volume 18(1), pp. 2–12. (https://doi.org/10.1007/s12145-024-01551-9).
• 31. Jain, P.; Ienco, D.; Interdonato, R.; Berchoux, T. SenCLIP: Enhancing zero-shot land-use mapping for Sentinel-2 with ground-level prompting. arXiv 2024; p. 2412.08536. (https://doi.org/10.48550/arXiv.2412.08536).
• 32. Lee, H., Li, W. Geospatial Artificial Intelligence for satellite-based flood extent mapping: Concepts, advances, and future perspectives. arXiv 2025; p. 2504.02214. (https://doi.org/10.48550/arXiv.2504.02214).
• 33. Radford, A., Kim, J.W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., Krueger, G., Sutskever, I. Learning transferable visual models from natural language supervision. arXiv 2021; p. 2103.00020. (https://doi.org/10.48550/arXiv.2103.00020).