Czy AI może samodzielnie oszacować szkody łowieckie z drona? Automatyczna analiza a niezależna ekspertyza

Rozwój sztucznej inteligencji, fotogrametrii i systemów informacji przestrzennej sprawia, że coraz więcej czynności związanych z analizą szkód w uprawach można automatyzować. Program do szacowania szkód łowieckich lub aplikacja wykorzystująca AI może pomóc przetworzyć ortofotomapę, wydzielić obszary różniące się od zdrowej uprawy, utworzyć poligony i obliczyć ich powierzchnię.

To wartościowy kierunek rozwoju. Dobrze zastosowana automatyzacja ogranicza pracę powtarzalną i pozwala szybciej analizować bardzo duże ilości danych. Nie ma więc podstaw, aby przedstawiać sztuczną inteligencję jako zagrożenie dla profesjonalnego szacowania szkód. W praktyce może być jednym z najskuteczniejszych narzędzi wspierających specjalistę.

Kluczowe pytanie brzmi jednak inaczej: czy automatycznie wygenerowany wynik jest tym samym co niezależna ekspertyza szkód łowieckich?

Nie. Są to dwa różne poziomy opracowania. Program wykonuje określone zadanie analityczne na podstawie danych i parametrów, które otrzymał. Ekspertyza obejmuje natomiast również kontrolę materiału, interpretację wyniku, opis przyjętej metodyki, ocenę ograniczeń i odpowiedzialność za końcowe opracowanie.

AI potrafi analizować szkody bardzo skutecznie – i warto z tego korzystać

Jednym z głównych zastosowań sztucznej inteligencji w analizie materiału z drona jest segmentacja obrazu. Algorytm klasyfikuje poszczególne fragmenty ortofotomapy i próbuje przypisać je do określonych kategorii – na przykład powierzchni wyglądającej na nieuszkodzoną albo uszkodzoną.

W badaniu dotyczącym szkód w kukurydzy wykorzystano modele głębokich sieci neuronowych trenowane na materiale obejmującym ponad 300 ha pól. Najlepsze rozwiązania osiągały IoU na poziomie około 0,87–0,88, a autorzy uznali metodę za praktycznie użyteczną w automatycznym określaniu powierzchni szkód.¹

Co szczególnie istotne, autorzy tego samego badania wskazali również możliwość wizualnej oceny wyników segmentacji przez człowieka oraz ich korekty, jeżeli jest potrzebna.¹ Nie jest to słabość automatyzacji. Przeciwnie – pokazuje dojrzały model wykorzystania technologii: algorytm wykonuje pracę, w której jest szybki i powtarzalny, a człowiek kontroluje rezultat.

Taki model jest bliski sposobowi, w jaki nowoczesne narzędzia powinny być wykorzystywane przy dokumentowaniu szkód. AI nie musi zastępować specjalisty, aby przynosić dużą wartość. Wystarczy, że znacząco zwiększa jego możliwości.

Dlaczego automatyczny wynik programu wymaga kontroli?

Każdy algorytm pracuje na konkretnych danych. Na wynik mogą wpływać między innymi jakość zdjęć, warunki oświetleniowe, faza rozwojowa roślin, charakter uszkodzeń, stan uprawy, cienie, ścieżki technologiczne, wyleganie, zachwaszczenie, różnice siedliskowe oraz sposób przygotowania materiału do analizy.

W badaniach nad automatycznym wykrywaniem szkód w kukurydzy wskazano, że większe i regularne powierzchnie mogą być rozpoznawane skuteczniej niż niewielkie, wąskie lub nieregularne strefy. Problemy klasyfikacyjne pojawiały się szczególnie na granicach uszkodzeń, gdzie możliwe były zarówno pominięcia, jak i fałszywe wskazania.²

Również badania modeli głębokiego uczenia pokazują, że wyniki mogą różnić się pomiędzy poszczególnymi polami. W jednym z eksperymentów średni względny błąd powierzchni przewidywanej przez model w stosunku do ręcznych adnotacji wynosił około 17,56%, a autorzy wskazywali znaczenie jakości materiału, warunków pozyskania danych i zróżnicowania przypadków użytych do trenowania modelu.¹

Nie oznacza to, że automatyczna analiza jest niedokładna z definicji. Oznacza jedynie, że nie należy traktować wyniku modelu jako prawdziwego wyłącznie dlatego, że został wygenerowany automatycznie.

Jeden wynik procentowy może nie powiedzieć całej prawdy o skuteczności AI

Przy ocenie systemów wykorzystujących sztuczną inteligencję trzeba również uważać na sposób prezentowania skuteczności. Wysoka ogólna dokładność modelu nie musi oznaczać równie wysokiej skuteczności w wykrywaniu właśnie powierzchni uszkodzonych.

Dobrze pokazuje to badanie dotyczące szkód w rzepaku. Dla danych RGB ogólna accuracy analizowanych modeli wynosiła około 0,957–0,972. Jednocześnie najlepszy wynik dla samej klasy obszarów uszkodzonych wynosił F1 około 0,752 i IoU około 0,603.³

Z punktu widzenia rolnika ważniejsze od pytania „jaką skuteczność ma AI?” jest więc pytanie: jak skutecznie algorytm identyfikuje dokładnie te obszary, których powierzchnia ma zostać określona?

Jeszcze bardziej obrazowy jest wynik badania kukurydzy z 2025 r. Powierzchnia referencyjna szkody wynosiła około 10,50% pola. Metoda wykorzystująca cyfrowy model powierzchni wskazała około 9,45%, natomiast zastosowany w tym badaniu model deep learning około 4,01%. Autorzy wiązali różnicę przede wszystkim z odmiennym traktowaniem stref częściowo uszkodzonych.⁴

Nie wolno na tej podstawie twierdzić, że AI zawsze zaniża szkody. Inny model, materiał albo rodzaj uprawy może zachowywać się inaczej. Badanie pokazuje natomiast coś ważniejszego: nawet bardzo zaawansowana analiza może wymagać zrozumienia tego, co dokładnie algorytm uznaje za szkodę.

Granica szkody bywa ważniejsza niż spektakularny wynik algorytmu

W praktyce stosunkowo łatwe może być wykrycie dużego i jednoznacznego obszaru całkowicie wygniecionej uprawy. Znacznie trudniejsze są miejsca przejściowe: pojedyncze gniazda, wąskie przejścia, nieregularne krawędzie oraz mozaika roślin uszkodzonych i zachowanych.

Właśnie takie fragmenty mogą mieć duże znaczenie dla ostatecznej powierzchni. Jeżeli algorytm przesunie granicę poligonu albo pominie częściowo uszkodzoną strefę, końcowa liczba nadal może wyglądać bardzo precyzyjnie – nawet do kolejnych miejsc po przecinku.

Precyzja zapisu liczby nie jest jednak tym samym co trafność granicy, na podstawie której tę liczbę obliczono.

Z tego powodu w profesjonalnej analizie szczególnie ważne są miejsca niejednoznaczne. To właśnie tam potrzebna jest kontrola ortofotomapy, porównanie z otoczeniem szkody oraz – gdy wymaga tego interpretacja – odniesienie do informacji uzyskanych w terenie.

Program, analiza specjalisty i niezależna ekspertyza to trzy różne poziomy

Najłatwiej zrozumieć tę różnicę, rozdzielając trzy etapy pracy:

Właśnie dlatego automatycznie wygenerowany PDF, mapa albo zestawienie powierzchni może być bardzo dobrym materiałem technicznym, ale sam fakt wygenerowania dokumentu przez aplikację nie czyni go jeszcze niezależną ekspertyzą.

W standardzie Sky Agro Tech ekspertyza szkód łowieckich jest końcowym opracowaniem przygotowanym po analizie i kontroli materiału. Narzędzia automatyczne mogą być częścią tego procesu, ale nie są jego ostatnim etapem.

Czy rolnik może kupić program i przeanalizować szkodę sam?

Może. Dostępność dronów, narzędzi GIS, programów fotogrametrycznych oraz aplikacji wykorzystujących algorytmy klasyfikacyjne sprawia, że coraz więcej analiz można wykonać samodzielnie.

I nie ma powodu, aby z góry uznawać taki materiał za niewiarygodny. Rolnik posiadający odpowiednie kompetencje może prawidłowo wykonać nalot, przygotować ortofotomapę, oznaczyć obszary szkody i uzyskać wartościowy materiał pomocniczy.

W chwili, w której ten sam materiał ma jednak służyć jako argument wobec drugiej strony, pojawia się dodatkowa kwestia: jego autor jest jednocześnie osobą zainteresowaną wynikiem sprawy.

Nie jest to zarzut nieuczciwości. To zwykły konflikt interesów występujący w wielu dziedzinach. Druga strona może zasadnie pytać, jak dobrano parametry analizy, które fragmenty zaakceptowano, które odrzucono oraz w jaki sposób korygowano automatyczne granice.

Ten sam problem dotyczy każdej strony – dlatego niezależność ma wartość

Analogicznie należy oceniać sytuację, w której własne oprogramowanie wykorzystuje podmiot znajdujący się po drugiej stronie procesu szacowania szkody. Sam fakt korzystania z aplikacji przez koło łowieckie, zarządcę czy inną stronę nie oznacza, że wynik jest nieprawidłowy.

Jednak również wtedy osoba zainteresowana rezultatem posiada wpływ na proces przygotowania danych i interpretacji wyniku.

I właśnie w tym miejscu pojawia się rzeczywista przewaga niezależnego wykonawcy.

Jest to znacznie mocniejszy argument niż twierdzenie, że jedna ze stron „na pewno coś zawyży” albo „na pewno coś zaniży”. Profesjonalna dokumentacja powinna być odporna właśnie na takie założenia.

Wartość niezależnej ekspertyzy wynika z połączenia kilku elementów: pozycji wykonawcy względem stron, jawnej metodyki, możliwości prześledzenia wyniku, kontroli materiału oraz doświadczenia osób odpowiedzialnych za analizę.

Nawet bardzo dobry algorytm nie usuwa wpływu człowieka na cały proces

Automatyczny system nie działa w próżni. Ktoś wykonuje nalot, przygotowuje dane, określa zakres analizowanego pola, wybiera parametry, akceptuje albo odrzuca wynik i decyduje, co finalnie znajdzie się w dokumencie.

Możliwość ręcznej korekty nie jest wadą oprogramowania. Często jest wręcz konieczna i pozwala usunąć błędy automatycznej klasyfikacji. Z punktu widzenia jakości dokumentacji powstaje jednak ważne pytanie: kto dokonał korekty, na jakiej podstawie i czy można później odtworzyć tok tej decyzji?

Dlatego wiarygodność nie jest cechą pojedynczego algorytmu. Jest cechą całego procesu analitycznego.

Co stanie się, gdy AI będzie znacznie lepsze niż dzisiaj?

Jest bardzo prawdopodobne, że algorytmy analizujące obrazy rolnicze będą w kolejnych latach coraz dokładniejsze. Nie ma również podstaw, aby zakładać, że człowiek zawsze będzie lepszy od maszyny w mechanicznym wyznaczaniu granic określonej klasy obrazu.

To jednak nie osłabia idei niezależnej ekspertyzy. Wręcz przeciwnie.

Jeżeli za kilka lub kilkanaście lat algorytm będzie potrafił niemal bezbłędnie wyznaczyć powierzchnię określonego typu uszkodzenia, pozostaną pytania: z jakich danych korzystał, czy analizował właściwe zjawisko, kto przygotował materiał, kto zatwierdził wynik oraz czy dokument został przygotowany przez stronę zainteresowaną jego wartością, czy przez podmiot niezależny.

AI może więc w przyszłości przewyższać człowieka w pojedynczych zadaniach technicznych. Niezależność, odpowiedzialność za interpretację i możliwość wyjaśnienia całego procesu są jednak innym wymiarem jakości.

Dzięki temu pytanie nie brzmi: „kto jest lepszy – człowiek czy AI?”. Znacznie bardziej użyteczne pytanie brzmi: kto odpowiada za końcowy wynik i czy można go niezależnie zweryfikować?

Dron i GIS są dopuszczonymi metodami pomiarowymi – ale pomiar to nie cała interpretacja szkody

Rozporządzenie Ministra Środowiska z dnia 16 kwietnia 2019 r. w sprawie szczegółowych warunków szacowania szkód w uprawach i płodach rolnych przewiduje wykorzystanie nowoczesnych technologii pomiarowych.

W § 3 ust. 6 wskazano między innymi odbiorniki GNSS, dane zawarte w systemach informacji przestrzennej GIS oraz zdjęcia wykonane z bezzałogowych statków powietrznych. Z kolei § 3 ust. 8 przewiduje wykorzystanie odpowiednich metod z ust. 6 również przy pomiarze uszkodzonych części uprawy i wykonywaniu szkiców.⁵

Dron, ortofotomapa i GIS mają więc rzeczywiste znaczenie pomiarowe, a nie wyłącznie ilustracyjne.

Jednocześnie § 3 ust. 1 tego samego rozporządzenia wskazuje, że gatunek zwierzyny, która wyrządziła szkodę, ustala się na podstawie charakterystycznych śladów żerowania, tropów lub odchodów.⁵

To dobrze pokazuje różnicę pomiędzy pomiarem powierzchni a interpretacją całego zdarzenia. Obraz lotniczy i automatyczna analiza mogą bardzo skutecznie pokazywać układ przestrzenny szkody, jednak ustalenie jej źródła wymaga uwzględnienia także innych informacji.

Niezależna ekspertyza techniczna nie zastępuje formalnych oględzin, szacowania ostatecznego ani protokołu wymaganego w ustawowej procedurze. Stanowi odrębny materiał analityczny i dokumentacyjny.

Jak wygląda podejście Sky Agro Tech: automatyzacja wspiera, człowiek zatwierdza wynik

W Sky Agro Tech nie przeciwstawiamy sztucznej inteligencji pracy eksperta. Jeżeli automatyczna klasyfikacja pozwala szybciej przeanalizować dużą ortofotomapę, przygotować wstępną delimitację albo odnaleźć miejsca wymagające szczególnej uwagi, wykorzystanie takiego narzędzia ma uzasadnienie.

Automatyczna analiza nie jest jednak końcem procesu.

Każdy obszar przewidziany do ujęcia w końcowej ekspertyzie jest sprawdzany przez osobę analizującą materiał. Weryfikowane są między innymi nietypowe fragmenty, granice poligonów, potencjalne fałszywe wskazania oraz zgodność wyniku z materiałem dotyczącym rzeczywistego stanu uprawy. Jeżeli automatyczna delimitacja wymaga korekty, jest poprawiana przed przygotowaniem końcowego opracowania.

Nie chodzi przy tym o sztuczne wykonywanie wszystkiego ręcznie. Celem jest wykorzystanie automatyzacji tam, gdzie poprawia efektywność pracy, oraz kontroli eksperta tam, gdzie wynik wymaga interpretacji.

Szczegółowy opis samego procesu technicznego znajduje się w osobnym materiale: jak Sky Agro Tech analizuje szkody łowieckie z ortofotomapy – metodyka, AI i weryfikacja .

Dzięki temu obecny artykuł odpowiada na inną intencję: nie opisuje krok po kroku metodyki nalotu i analizy, lecz wyjaśnia różnicę pomiędzy własnym wynikiem uzyskanym z programu a niezależną ekspertyzą.

Dlaczego doświadczenie nadal ma znaczenie?

Algorytm może nauczyć się bardzo dobrze rozpoznawać określony wzorzec obrazu. Specjalista pracujący z wieloma rzeczywistymi przypadkami widzi natomiast również kontekst: nietypową morfologię szkody, różnicę pomiędzy polami, stan uprawy, charakter granic, możliwe źródła niejednorodności oraz sytuacje, w których rezultat automatyczny wymaga szczególnej ostrożności.

W praktyce największa wartość doświadczenia pojawia się nie przy przypadkach oczywistych, lecz przy przypadkach granicznych. To właśnie tam trzeba zdecydować, czy nietypowy fragment jest rzeczywistą częścią szkody, błędem przetwarzania, efektem warunków siedliskowych czy innym zjawiskiem.

Z tego powodu doświadczenie człowieka nie jest konkurencją dla automatyzacji. Jest jej warstwą kontroli jakości.

Niezależna ekspertyza nie jest „lepszym programem” – jest innym produktem

Warto podkreślić tę różnicę, ponieważ pozwala uczciwie porównać dostępne rozwiązania.

Aplikacja może być znakomitym narzędziem dla rolnika, koła łowieckiego albo osoby zawodowo zajmującej się analizą szkód. Może oszczędzać czas, porządkować pracę i automatyzować pomiary.

Niezależna ekspertyza odpowiada jednak na szerszą potrzebę: ma dostarczyć uporządkowany materiał przygotowany przez podmiot, który nie jest bezpośrednią stroną zainteresowaną wysokością wyniku i który bierze odpowiedzialność za sposób przeprowadzenia analizy.

W standardzie Sky Agro Tech ekspertyza łączy mapy, wyniki powierzchniowe, opis metodyki oraz dokumentację pozwalającą prześledzić podstawę przedstawionych wartości.

Pełny zakres dokumentu opisujemy na osobnej stronie: ekspertyza szkód łowieckich – zakres i standard opracowania .

A co jeżeli sprawa ma również wymiar prawny?

W części spraw różnica pomiędzy stronami nie dotyczy wyłącznie powierzchni szkody. Spór może obejmować również procedurę, interpretację dokumentów, zastrzeżenia do protokołu albo dalsze dochodzenie roszczeń.

Są to zagadnienia odrębne od technicznej analizy materiału. Dlatego w sprawach wymagających wsparcia prawnego Sky Agro Tech współpracuje z kancelarią specjalizującą się w problematyce szkód łowieckich i postępowaniach odszkodowawczych.

Więcej informacji: współpraca Sky Agro Tech z kancelarią prawną przy sprawach szkód łowieckich .

Co powinien sprawdzić rolnik przed zakupem programu do szacowania szkód łowieckich?

Sam zakup aplikacji nie jest ani dobrym, ani złym rozwiązaniem. Wszystko zależy od celu. Jeżeli program ma pomóc kontrolować własne pola albo wstępnie oceniać szkody, może być bardzo użyteczny.

Przed wyborem warto jednak sprawdzić:

• na jakich uprawach i rodzajach szkód algorytm był testowany,
• czy podawana skuteczność dotyczy całego obrazu czy konkretnie klasy obszarów uszkodzonych,
• jak rozwiązanie radzi sobie z częściowo uszkodzonymi i nieregularnymi strefami,
• czy można zobaczyć i ręcznie sprawdzić granice utworzonych poligonów,
• czy wynik można porównać z materiałem źródłowym,
• czy można korygować błędne wskazania,
• czy sposób dokonania korekty pozostaje możliwy do wyjaśnienia,
• czy system pomaga jedynie mierzyć powierzchnię, czy również próbuje interpretować przyczynę obserwowanych zmian.

Jeżeli odpowiedzi są satysfakcjonujące, aplikacja może być bardzo wartościowym narzędziem.

Jeżeli jednak materiał ma być przedstawiany w sytuacji rozbieżności pomiędzy stronami, warto zadać jeszcze jedno pytanie: czy potrzebuję własnej analizy, czy niezależnego opracowania przygotowanego przez podmiot trzeci?

Wnioski: przyszłością nie jest wybór „AI albo ekspert”

Sztuczna inteligencja jest bardzo dobrym narzędziem do analizy danych z drona i jej znaczenie będzie prawdopodobnie rosło. Już obecnie modele potrafią skutecznie segmentować obszary uszkodzone i znacząco ograniczać czas potrzebny na analizę dużej powierzchni.^{1, 2, 3, 4}

Jednocześnie wyniki badań pokazują, że skuteczność zależy od rodzaju szkody, danych wejściowych, charakteru pola i sposobu klasyfikacji. Szczególnej uwagi wymagają strefy częściowo uszkodzone, granice szkód i przypadki różniące się od materiału, na którym model był uczony.^{1, 2, 4}

Dlatego właściwy kierunek nie polega na odrzucaniu automatyzacji. Polega na jej kontrolowanym wykorzystaniu.

Program może znaleźć szkodę. Może ją wydzielić. Może policzyć jej powierzchnię. Może również zrobić to bardzo dobrze.

Niezależna ekspertyza odpowiada jednak na dodatkowe pytania: kto sprawdził wynik, jakie dane stanowiły jego podstawę, czy uwzględniono miejsca niejednoznaczne, czy rezultat można prześledzić i czy osoba przygotowująca opracowanie jest niezależna od stron zainteresowanych jego wysokością.

Właśnie na tym opiera się standard Sky Agro Tech. AI i inne narzędzia analityczne mogą wspierać pracę, ale za każdą końcową ekspertyzą stoi człowiek, który weryfikuje materiał i odpowiada za przygotowany wynik.

To rozróżnienie pozostanie istotne niezależnie od tego, jak bardzo rozwiną się algorytmy.

FAQ – AI, aplikacje i programy do szacowania szkód łowieckich

Czy AI może wykrywać szkody łowieckie na zdjęciach z drona?

Tak. Algorytmy mogą klasyfikować i segmentować materiał obrazowy, wskazując fragmenty odpowiadające cechom obszarów uszkodzonych. Skuteczność zależy od danych, rodzaju uprawy, charakteru szkody i modelu wykorzystanego do analizy.

Czy program do szacowania szkód łowieckich może zastąpić specjalistę?

Może przejąć dużą część pracy technicznej i w niektórych zadaniach wykonywać ją bardzo skutecznie. Jeżeli wynik ma być elementem eksperckiego opracowania, nadal znaczenie ma kontrola materiału, interpretacja sytuacji i możliwość wyjaśnienia podstaw końcowego wyniku.

Czy raport wygenerowany automatycznie jest ekspertyzą szkód łowieckich?

Nie wynika to z samego faktu wygenerowania raportu. Automatyczny dokument może być wartościowym materiałem technicznym. W standardzie Sky Agro Tech ekspertyza jest końcowym, zweryfikowanym opracowaniem zawierającym wynik, mapy, pomiary i opis podstaw analizy.

Czy rolnik może sam przeanalizować szkodę przy użyciu aplikacji?

Tak. Jeżeli posiada odpowiedni sprzęt, dane i kompetencje, taka analiza może być wykonana prawidłowo i stanowić wartościowy materiał. Nie posiada jednak automatycznie cechy niezależności, ponieważ przygotowuje ją jedna ze stron zainteresowanych wynikiem.

Czy analiza wykonana przez koło łowieckie za pomocą własnego programu jest niewiarygodna?

Nie można tego założyć. Może być wykonana bardzo rzetelnie. Podobnie jak w przypadku analizy wykonanej samodzielnie przez rolnika druga strona może jednak pytać o sposób przygotowania danych, parametry oraz przyjęte korekty.

Czy niezależność oznacza, że ekspertyza nie może zawierać błędu?

Nie. Niezależność i dokładność to dwie różne cechy. Niezależność ogranicza konflikt interesów, natomiast rzetelność wyniku zależy dodatkowo od jakości danych, właściwej metodyki, doświadczenia i kontroli materiału.

Czy AI może kiedyś być dokładniejsze od człowieka?

W pojedynczych zadaniach analitycznych jest to możliwe, a automatyczne systemy już dziś mogą wykonywać część pracy szybciej i bardziej powtarzalnie. Nie zmienia to znaczenia niezależności wykonawcy, kontroli całego procesu i odpowiedzialności za końcową interpretację wyniku.

Przypisy i źródła

1. Aszkowski P., Kraft M., Drapikowski P., Pieczyński D., „Estimation of corn crop damage caused by wildlife in UAV images”, Precision Agriculture, 2024, 25, s. 2505–2530. DOI: 10.1007/s11119-024-10180-7. Źródło.

2. Dobosz B., Gozdowski D., Koronczok J., Žukovskis J., Wójcik-Gront E., „Evaluation of Maize Crop Damage Using UAV-Based RGB and Multispectral Imagery”, Agriculture, 2023, 13(8), 1627. DOI: 10.3390/agriculture13081627. Źródło.

3. Dobosz B., Gozdowski D., Koronczok J., Wójcik-Gront E., „Deep Learning Segmentation Models for UAV-Based Detection of Crop Damage in Rapeseed Using RGB Imagery”, Agriculture, 2026, 16(5), 536. Źródło.

4. Dobosz B., Gozdowski D., Koronczok J., Žukovskis J., Wójcik-Gront E., „Detection of Crop Damage in Maize Using Red–Green–Blue Imagery and LiDAR Data Acquired Using an Unmanned Aerial Vehicle”, Agronomy, 2025, 15(1), 238. DOI: 10.3390/agronomy15010238. Źródło.

5. Rozporządzenie Ministra Środowiska z dnia 16 kwietnia 2019 r. w sprawie szczegółowych warunków szacowania szkód w uprawach i płodach rolnych, Dz.U. 2019 poz. 776, w szczególności § 3 ust. 1, 6 i 8. Elektroniczny Dziennik Ustaw.