Автоматическое распознавание элементов ландшафта и оптимизация планировки на основе сегментации изображений и обнаружения объектов

Более умные парки и зеленые зоны

Города по всему миру стремятся высадить больше деревьев, создать парки и прогулочные дорожки, но грамотно проектировать такие пространства оказывается удивительно сложно. Планировщикам приходится учитывать красоту, комфорт, безопасность и климат, просматривая тысячи фотографий, карт и выездов на места. В этой статье предлагается способ поручить компьютерам большую часть рутинной работы: автоматически анализировать ландшафтные изображения, понимать, что на них изображено, и предлагать улучшенные схемы планировки для будущих парков и общественных пространств.

Почему городским ландшафтам нужен новый набор инструментов

Традиционное ландшафтное проектирование опирается на осмотры участков экспертами, записи и ручные эскизы. Это медленно, дорого и может приводить к непоследовательным результатам от одного дизайнера или проекта к другому. По мере роста плотности городов и усиления климатического давления планировщикам нужны инструменты, которые смогут быстро просканировать большие территории, распознать, где уже есть деревья, газоны, вода, дорожки и здания, и протестировать множество проектных идей до того, как начнутся строительные работы или посадки. Авторы утверждают, что достижения в области компьютерного зрения и искусственного интеллекта теперь позволяют перейти от ручной графики к поддержке проектирования на основе данных.

Обучение компьютеров «читать» город

Чтобы это сделать, исследователи сначала собрали большую коллекцию изображений реальных ландшафтов: более 17 000 фотографий из парков, садов, кампусов, на крышах и набережных. Каждое изображение было тщательно размечено экспертами, чтобы компьютер мог научиться распознавать ключевые элементы — лиственные и хвойные деревья, кустарники, траву, воду, тропы, здания, скамейки, игровые комплексы, фонари, цветники и камни. На основе этого набора данных они обучили набор визуальных моделей, которые выполняют две задачи одновременно. Одна модель присваивает каждому пикселю категорию, очерчивая точные формы газонов, прудов и крон деревьев. Вторая, дополняющая модель, рисует отдельные контуры вокруг отдельных объектов, таких как скамейки или элементы детских площадок, одновременно определяя их положение в пространстве.

От сырых фото к распознанным элементам

Ядро системы — новая сеть анализа изображений, специально созданная для неупорядоченных уличных сцен. Она рассматривает каждое фото на нескольких масштабах одновременно, чтобы замечать как мелкие детали вроде края дорожки, так и крупные структуры вроде здания или пруда. Специальные механизмы «внимания» помогают сети фокусироваться на наиболее важных областях и игнорировать захламленный фон. Другая часть конструкции уделяет повышенное внимание границам, чтобы граница между кустом и газоном или между дорожкой и цветником была четко прорисована. В тестах этот подход показал заметно большую точность по сравнению с несколькими известными методами компьютерного зрения, изначально разработанными для улиц или общих объектов, особенно для сложных категорий, таких как береговые линии и нерегулярная растительность.

Позволяя алгоритмам пробовать новые планировки

После того как система нанесла на карту все элементы пространства, отдельный движок оптимизации начинает виртуально переставлять их. Он кодирует общие правила проектирования — например, поддержание безопасных расстояний между несовместимыми зонами, связывание связанных пространств четкими пешеходными маршрутами и баланс открытых газонов с затененными участками — в виде набора математических ограничений. Две поисковые стратегии, вдохновленные эволюцией и поведения стаи, затем работают вместе, чтобы перемешивать и уточнять планировки, стремясь к решениям, которые дают лучший результат по эффективности использования пространства, пешеходной доступности и визуальному балансу. Компьютер может быстро сгенерировать множество вариантов, предоставляя дизайнерам меню улучшенных опций вместо единственного нарисованного вручную плана.

Насколько хорошо это работает на практике?

Чтобы проверить, действительно ли эти автоматические предложения полезны, команда пригласила профессиональных ландшафтных архитекторов и других пользователей оценить образцы проектов. Эксперты, не знавшие, какие планы созданы людьми, а какие — системой, последовательно ставили более высокие оценки проектам с компьютерной поддержкой по пространственной организации, функциональности и общей качественности. Участники опроса также отметили высокий уровень удовлетворенности, хотя подчеркнули, что такие тонкие решения, как цветовые палитры и отделочные материалы, по-прежнему зависят от человеческого вкуса и местных знаний. Модели надежно справлялись с разными сезонами и площадками, хотя очень мелкие объекты, такие как фонари и скамейки, или сильно сезонные растения, оставались более трудными для идеального обнаружения.

Что это значит для городов будущего

Проще говоря, исследование показывает, что компьютеры теперь могут достаточно хорошо «читать» ландшафтные фото, чтобы взять на себя большую часть утомительных измерений, подсчетов и проверок правил, которые замедляют городское проектирование. Автоматически распознавая то, что находится на местности, и исследуя лучшие планировки, эта система дает людям-дизайнерам больше времени для творчества и учета потребностей сообщества. Хотя она не заменит ландшафтных архитекторов, она предлагает им мощного помощника, масштабируемого на целые районы или города, помогающего создавать более зеленые, более согласованные общественные пространства с меньшей долей догадок и большей опорой на доказательства при каждом проектном решении.

Цитирование: 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

Ключевые слова: городское ландшафтное проектирование, компьютерное зрение, сегментация изображений, оптимизация планировки, умные города