Летом при выборе пешеходного маршрута важно не только то, сколько времени займет дорога. Два пути одинаковой длины могут ощущаться совершенно по-разному: один проходит по открытым участкам, другой — вдоль деревьев, где потенциально больше тени.
Чтобы учитывать эту разницу, в Yandex Maps появился новый тип пешеходного маршрута — «зеленый». В жаркую погоду при построении пути по Ташкенту сервис начал предлагать вариант, на котором больше деревьев и потенциальной тени. Узбекистан стал первой страной, где Yandex Maps реализовал эту функциональность.
Чтобы предложить такой маршрут, сервису нужно определить, где в городе находятся деревья и какую часть пешеходного пути могут покрывать их кроны, а затем оценить весь маршрут целиком. На первый взгляд задача кажется простой — достаточно найти деревья на карте и провести маршрут рядом с ними. На практике команде потребовалось сначала научить нейросеть распознавать деревья на спутниковых снимках, а затем — оценивать разные варианты пути с учетом плотности расположения деревьев, открытых участков, температуры воздуха и длины маршрута.
Шаг первый: научить нейросеть видеть деревья
Основным источником данных о деревьях в Ташкенте стали мультиспектральные космоснимки. Помимо обычного изображения в красном, зеленом и синем каналах (RGB), они содержат инфракрасный диапазон, который не виден пользователям.
Инфракрасный диапазон помогает точнее находить растительность — растения хорошо отражают такой свет, поэтому их проще отличить от дорог и зданий. На обычном RGB-изображении сделать это сложнее — деревья могут быть похожи на газоны, поля или тени.
Поэтому команда картографов обучила нейросеть анализировать сразу оба типа данных — RGB-изображение и инфракрасный диапазон. Дополнительные спектральные параметры помогают модели точнее отделять деревья от теней и другой растительности.
Модель ориентируется не только на цвет отдельных пикселей. Она учитывает сразу несколько признаков: форму кроны, неоднородную текстуру листвы, оттенки и окружающие объекты. Например, темное пятно рядом с домом может быть деревом, а может — тенью от него. Различить их помогает анализ контекста всего изображения.
Чтобы обучить нейросеть, потребовалось показать ей множество примеров деревьев на площади снимков в 430 кв. км. Размечать их все вручную было бы слишком долго, поэтому сначала команда отобрала на снимках наиболее очевидные участки с древесными кронами — по их цвету и характерной текстуре. Далее, на на этих примерах нейросеть научилась находить деревья самостоятельно.
Постепенно модель научилась учитывать больше визуальных признаков — цвет, яркость и текстуру растительности, размер участков с деревьями, а также отличать их от однородных газонов и сельскохозяйственных полей. Затем специалисты разобрали ее ошибки — например, случаи, когда нейросеть путала деревья с тенями или пропускала рощи, — и дополнительно обучили модель на таких примерах, чтобы повысить точность распознавания.
В результате нейросеть научилась за одну-две минуты обрабатывать цветной спутниковый снимок территории площадью 100 кв. км и выделять на нем участки с деревьями. Для сравнения, площадь Ташкента составляет 434,7 кв. км — то есть территория такого размера может быть обработана за несколько минут. На контрольной выборке изображений, которых модель не видела во время обучения, точность составила около 90%. Технологию протестировали на снимках трех городов Узбекистана.
Шаг второй: связать деревья с пешеходными маршрутами
После того как участки с деревьями были определены, их нужно было сопоставить с пешеходными маршрутами. Для расчетов цифровая карта города разделена на множество небольших отрезков — участки улиц, тротуаров, дорожек и переходов. Команда определила, какая часть каждого такого отрезка проходит через территорию с деревьями. Если деревья покрывали не менее 60% его длины, участок получал соответствующую отметку.
Но одного озелененного отрезка недостаточно, чтобы считать весь маршрут потенциально более комфортным. Важно, как деревья распределены на протяжении всего пути. Например, если они растут только в начале маршрута, а большая его часть проходит по открытым улицам, сервис не станет отмечать такой вариант как «зеленый».
Как алгоритм оценивает маршрут
Чтобы сравнить разные варианты пути, алгоритм учитывает не только долю маршрута под кронами деревьев. Он также анализирует его длину, протяженность открытых участков и температуру воздуха, характерную для соответствующего дня и времени в Ташкенте. Для этого используются ретроспективные данные о погоде.
Алгоритм учитывает и то, как на протяжении всего пути чередуются открытые участки и потенциальная тень. Чем дольше маршрут проходит по открытому солнцу, тем выше воздействие жары. Участки в тени, наоборот, помогают его снизить. Поэтому два маршрута с одинаковой долей деревьев могут оцениваться по-разному — более комфортным может оказаться тот, где участки под кронами распределены по пути равномернее.
При расчете учитываются:
- длина пешеходного маршрута;
- доля маршрута, проходящая под кронами деревьев;
- распределение таких участков по всей длине пути;
- количество и протяженность открытых участков;
- примерная температура воздуха для соответствующего дня и времени;
- время, которое человек проводит на солнце и под деревьями.
По совокупности этих параметров алгоритм определяет, какой из предложенных маршрутов может быть комфортнее для пешехода.
Как это работает в приложении
Сначала алгоритм сервиса строит несколько вариантов маршрута между двумя точками. Затем оценивает каждый из них: учитывает длину пути, долю участков вдоль деревьев, их распределение по маршруту, открытые отрезки и температуру воздуха. Если какой-то из вариантов соответствует необходимым критериям, сервис отмечает его как «зеленый».
Теперь пользователям достаточно просто построить пешеходный маршрут — и, если среди вариантов есть «зеленый», Yandex Maps предложит его автоматически в качестве приоритетного. Такой путь может быть не только комфортнее в жаркую погоду, но и приятнее для прогулки благодаря зеленым улицам и аллеям по пути.
На правах рекламы.
