Automatisierte Erkennung von Landschaftselementen und Layout‑Optimierung basierend auf Bildsegmentierung und Objekterkennung

Intelligentere Parks und Grünräume

Städte weltweit bemühen sich, mehr Bäume, Parks und Fußwege hinzuzufügen, doch diese Räume gut zu gestalten ist überraschend schwierig. Planer müssen Schönheit, Komfort, Sicherheit und Klima zugleich berücksichtigen und dabei Tausende Fotos, Karten und Ortsbegehungen auswerten. Diese Arbeit stellt einen Ansatz vor, mit dem Computer einen Großteil der schweren Arbeit übernehmen: Landschaftsbilder automatisch lesen, erkennen, was sich darin befindet, und bessere Layouts für künftige Parks und öffentliche Räume vorschlagen.

Warum städtische Landschaften ein neues Werkzeug benötigen

Traditionelle Landschaftsplanung beruht darauf, dass Expertinnen und Experten Orte begehen, Notizen machen und Optionen von Hand skizzieren. Das ist langsam, teuer und kann zu inkonsistenten Ergebnissen zwischen verschiedenen Planern oder Projekten führen. Während Städte dichter werden und klimatische Belastungen zunehmen, brauchen Planer Werkzeuge, die große Gebiete schnell scannen, erkennen, wo bereits Bäume, Rasenflächen, Wasser, Wege und Gebäude vorhanden sind, und viele Gestaltungsvarianten testen, bevor irgendwo Beton gegossen oder ein Strauch gepflanzt wird. Die Autorinnen und Autoren argumentieren, dass Fortschritte in Computer Vision und künstlicher Intelligenz es nun ermöglichen, von handgefertigten Zeichnungen zu datengetriebener Gestaltungsunterstützung überzugehen.

Computern das Lesen der Stadt beibringen

Um dies zu ermöglichen, bauten die Forschenden zunächst eine große Bildsammlung realer Landschaften auf: über 17.000 Fotos aus Parks, Gärten, Campusflächen, Dachgärten und Uferbereichen. Jedes Bild wurde sorgfältig von Fachleuten beschriftet, damit ein Computer Schlüsselmerkmale wie Laub- und Nadelbäume, Sträucher, Rasen, Wasser, Wege, Gebäude, Bänke, Spielplätze, Beleuchtung, Blumenbeete und Felsen erlernen kann. Auf dieser Datengrundlage trainierten sie eine Reihe visueller Modelle, die zwei Dinge gleichzeitig leisten. Ein Modell klassifiziert jeden Pixel und zeichnet die präzisen Formen von Rasenflächen, Teichen und Baumkronen nach. Ein zweites, komplementäres Modell umreißt einzelne Objekte wie Bänke oder Spielgeräte separat und lokalisiert sie im Raum.

Von Rohfotos zu erkannten Elementen

Kern des Systems ist ein neues Bildanalyse‑Netzwerk, das speziell für unordentliche Außenaufnahmen entwickelt wurde. Es betrachtet jedes Foto gleichzeitig auf mehreren Skalen, sodass es sowohl feine Details wie den Rand eines Weges als auch große Strukturen wie ein Gebäude oder einen Teich erfassen kann. Spezielle „Attention“-Mechanismen helfen dem Netzwerk, sich auf die wichtigsten Bereiche zu fokussieren und störende Hintergründe zu ignorieren. Ein anderer Teil des Designs legt besonderes Gewicht auf Kanten, sodass die Grenze zwischen Strauch und Rasen oder zwischen Weg und Blumenbeet scharf gezogen wird. In Tests erwies sich dieser Ansatz als deutlich genauer als mehrere bekannte Computer‑Vision‑Methoden, die ursprünglich für Straßen oder generische Objekte entwickelt wurden, insbesondere bei schwierigen Kategorien wie Wasserkannten und unregelmäßiger Vegetation.

Algorithmen neue Layouts ausprobieren lassen

Sobald das System alle Elemente in einem Raum kartiert hat, beginnt eine separate Optimierungs‑Engine damit, sie virtuell neu anzuordnen. Sie kodiert gängige Gestaltungsregeln – etwa sichere Abstände zwischen nicht kompatiblen Nutzungen, das Verknüpfen verwandter Bereiche mit klaren Fußwegen und das Ausbalancieren offener Rasenflächen mit schattigen Zonen – als eine Reihe mathematischer Nebenbedingungen. Zwei Suchstrategien, inspiriert von Evolution und Schwarmverhalten, arbeiten dann zusammen, um Layouts zu mischen und zu verfeinern und Anordnungen zu finden, die in Bezug auf Flächeneffizienz, Begehbarkeit und visuelle Balance besser abschneiden. Der Computer kann in kurzer Zeit viele Alternativen erzeugen und gibt Planerinnen und Planern so eine Auswahl verbesserter Optionen statt nur eines einzigen handgezeichneten Plans.

Wie gut funktioniert das in der Praxis?

Um zu prüfen, ob diese automatisierten Vorschläge tatsächlich hilfreich sind, lud das Team professionelle Landschaftsarchitektinnen und -architekten sowie andere Nutzerinnen und Nutzer ein, Beispielprojekte zu bewerten. Expertinnen und Experten, die nicht wussten, welche Entwürfe von Menschen oder vom System stammten, bewerteten die computerunterstützten Designs durchweg höher hinsichtlich räumlicher Organisation, Funktion und Gesamtqualität. Befragte gaben außerdem eine hohe Zufriedenheit an, wiesen jedoch darauf hin, dass feine Entscheidungen wie Farbpaletten und Materialoberflächen weiterhin von menschlichem Geschmack und lokaler Kenntnis profitieren. Die Modelle bewältigten unterschiedliche Jahreszeiten und Standorte zuverlässig, wenn auch sehr kleine Objekte wie Leuchten und Bänke oder stark saisonale Pflanzen schwieriger perfekt zu erkennen blieben.

Was das für künftige Städte bedeutet

Vereinfacht gesagt zeigt die Studie, dass Computer Landschaftsfotos jetzt gut genug lesen können, um einen Großteil des zeitraubenden Messens, Zählens und Regelprüfens zu übernehmen, das die Stadtplanung ausbremst. Indem sie automatisch erkennen, was vor Ort vorhanden ist, und bessere Layouts erkunden, verschafft das System menschlichen Gestaltenden mehr Zeit für Kreativität und die Bedürfnisse der Gemeinschaft. Es wird Landschaftsarchitektinnen und -architekten nicht ersetzen, bietet ihnen aber einen leistungsfähigen Assistenten, der auf ganze Quartiere oder Städte skalieren kann und dabei hilft, grüneres, kohärenteres öffentliches Grün mit weniger Spekulation und mehr evidenzgestützten Entscheidungen zu realisieren.

Zitation: Zhang, H., Tang, N. & Sun, J. Automated landscape element recognition and layout optimization based on image segmentation and object detection. Sci Rep 16, 10841 (2026). https://doi.org/10.1038/s41598-026-45851-0

Schlüsselwörter: städtische Landschaftsgestaltung, Computer Vision, Bildsegmentierung, Layout‑Optimierung, intelligente Städte