Görüntü segmentasyonu ve nesne tespiti temelinde otomatik peyzaj öğesi tanıma ve yerleşim optimizasyonu

Daha Akıllı Parklar ve Yeşil Alanlar

Dünyanın her yerindeki kentler daha fazla ağaç, park ve yürüyüş yolu eklemek için yarışıyor; ancak bu alanları iyi tasarlamak şaşırtıcı derecede zor. Planlamacıların binlerce fotoğraf, harita ve saha gezisini incelerken estetik, konfor, güvenlik ve iklim gibi unsurları dengede tutması gerekiyor. Bu makale, bilgisayarların işin büyük kısmını yapmasına izin veren bir yaklaşım sunuyor: peyzaj görüntülerini otomatik olarak okumak, içindekileri anlamak ve gelecekteki parklar ile kamusal alanlar için daha iyi yerleşimler önermek.

Kentsel Peyzajlar İçin Yeni Bir Araç Takımına Neden İhtiyaç Var?

Geleneksel peyzaj tasarımı, uzmanların sahayı gezip not almasına ve seçenekleri elle eskizlemesine dayanır. Bu yavaş, pahalıdır ve tasarımcıdan tasarımcıya veya projeden projeye tutarsız sonuçlara yol açabilir. Kentler yoğunlaştıkça ve iklim baskıları arttıkça planlamacıların geniş alanları hızla tarayabilen, nerede ağaç, çim, su, yol ve bina olduğunu tanıyabilen ve kimse beton dökmeden veya tek bir çalı dikmeden önce çok sayıda tasarım fikrini test edebilen araçlara ihtiyacı vardır. Yazarlar, bilgisayarlı görü ve yapay zekâdaki ilerlemelerin artık el yapımı çizimlerden veri odaklı tasarım desteğine geçmeyi mümkün kıldığını savunuyor.

Bilgisayarlara Şehri Okutmak

Bunun çalışması için araştırmacılar önce gerçek peyzajlardan oluşan büyük bir görüntü koleksiyonu oluşturdu: parklar, bahçeler, kampüsler, çatı bahçeleri ve kıyı şeritlerinden alınmış 17.000’den fazla fotoğraf. Her görüntü, bilgisayarın yaprak döken ve iğne yapraklı ağaçlar, çalılar, çim, su, yollar, binalar, banklar, oyun alanları, aydınlatmalar, çiçek parterleri ve kayalar gibi ana öğeleri öğrenebilmesi için uzmanlar tarafından özenle etiketlendi. Bu veri setinin üzerine iki işi aynı anda yapan bir dizi görsel model eğitildi. Bir model her piksele bir kategori atayarak çimlerin, göletlerin ve ağaç tepelerinin kesin şekillerini çiziyor. İkincisi ise banklar veya oyun ekipmanları gibi bireysel nesnelerin etrafında ayrı sınırlar çiziyor ve bunları mekânda konumlandırıyor.

Ham Fotoğraflardan Tanınmış Öğelere

Sistemin kalbinde, özellikle dağınık dış mekân sahneleri için tasarlanmış yeni bir görüntü analiz ağı bulunuyor. Bu ağ her fotoğrafa aynı anda birden fazla ölçekte bakıyor, böylece bir yolun kenarı gibi ince ayrıntıları ve bir bina veya gölet gibi büyük yapıları aynı anda fark edebiliyor. Özel “dikkat” mekanizmaları ağın en önemli bölgelere odaklanmasına ve karışık arka planları görmezden gelmesine yardımcı oluyor. Tasarımın başka bir bölümü sınırlara ekstra özen gösteriyor; böylece bir çalı ile çim arasındaki veya bir yol ile çiçek parteri arasındaki sınır keskin çiziliyor. Denemelerde bu yaklaşım, sokaklar veya genel nesneler için orijinal olarak geliştirilmiş birkaç iyi bilinen bilgisayarlı görü yönteminden daha belirgin şekilde doğru sonuçlar verdi; özellikle su kenarları ve düzensiz bitki örtüsü gibi zor kategorilerde.

Algoritmaların Yeni Yerleşimleri Denemesine İzin Vermek

Sistem bir alanın tüm öğelerini haritaladıktan sonra, ayrı bir optimizasyon motoru bunları sanal olarak yeniden düzenlemeye başlıyor. Bu motor, uyumsuz kullanımlar arasında güvenli mesafelerin korunması, ilişkili alanların belirgin yürüyüş yollarıyla bağlanması ve açık çimen alanları ile gölgeli alanların dengelenmesi gibi yaygın tasarım kurallarını matematiksel kısıtlar olarak kodluyor. Evrim ve sürü davranışından esinlenen iki arama stratejisi daha sonra yerleşimleri karıştırıp rafine etmek için birlikte çalışıyor; mekân verimliliği, yürünebilirlik ve görsel denge açısından daha yüksek puan alan düzenleri arıyor. Bilgisayar kısa sürede çok sayıda alternatif üretebiliyor ve tasarımcılara tek bir elle çizilmiş plan yerine değerlendirilecek geliştirilmiş seçenekler menüsü sunuyor.

Pratikte Ne Kadar İyi Çalışıyor?

Otomatik önerilerin gerçekten fayda sağlayıp sağlamadığını test etmek için ekip, profesyonel peyzaj mimarları ve diğer kullanıcıları örnek projeleri incelemeye davet etti. Uzmanlar, hangi yerleşimlerin insan tarafından hangilerinin sistem tarafından yapıldığını bilmeden, bilgisayar destekli tasarımları mekânsal organizasyon, işlev ve genel kalite açısından tutarlı biçimde daha yüksek puanlandırdı. Anket katılımcıları ayrıca yüksek memnuniyet bildirdi; ancak renk paletleri ve malzeme bitişleri gibi ince tercihlerin yine insan zevki ve yerel bilgiyle daha iyi belirlendiğini not ettiler. Modeller farklı mevsimleri ve sahaları güvenilir biçimde ele aldı, ancak aydınlatma ve banklar gibi çok küçük öğeler veya çok mevsimlik bitkiler hâlâ mükemmel şekilde tespit edilmesi daha zor olan unsurlar olarak kaldı.

Geleceğin Kentleri İçin Anlamı

Basitçe söylemek gerekirse, çalışma bilgisayarların artık peyzaj fotoğraflarını ölçme, sayma ve kural denetimi gibi kentsel tasarımı yavaşlatan sıkıcı işlerin büyük kısmını üstlenecek kadar iyi okuyabildiğini gösteriyor. Yerde ne olduğunu otomatik olarak tanıyarak ve daha iyi yerleşimleri araştırarak bu çerçeve, insan tasarımcılara yaratıcılık ve topluluk ihtiyaçlarına odaklanmaları için daha fazla zaman sağlıyor. Peyzaj mimarlarının yerini almayacak olsa da, onlara tüm bölgeleri veya şehirleri kapsayacak ölçekte çalışabilecek güçlü bir yardımcı sunuyor; böylece her tasarım tercihi için daha az tahmin ve daha fazla kanıtla daha yeşil, daha tutarlı kamusal alanlar yaratılmasına yardımcı oluyor.

Atıf: 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

Anahtar kelimeler: kentsel peyzaj tasarımı, bilgisayarlı görü, görüntü segmentasyonu, yerleşim optimizasyonu, akıllı şehirler