Scaling Pedestrian Crossing Analysis to 100 U.S. Cities via AI-based Segmentation of Satellite Imagery

Dit artikel presenteert een schaalbare, door AI gedreven methode die gebruikmaakt van satellietbeelden en het Segment Anything Model om automatisch de oversteekafstanden voor voetgangers te meten in de 100 grootste steden van Amerika, waarbij wordt onthuld dat oudere steden de neiging hebben bredere, meer op auto's gerichte straten te hebben met mediane oversteekafstanden variërend van 32 tot 78 voet.

De kern

Stel je voor dat je probeert te begrijpen hoe gemakkelijk het is om een straat over te steken in een stad. De lengte van die wandeling — de afstand van de ene naar de andere stoep — is een enorme factor in de vraag of mensen zich veilig voelen bij het oversteken of dat ze worden geraakt door auto's. Maar het meten van deze afstand voor elk kruispunt in een stad is alsof je probeert elk zandkorreltje op een strand te tellen; het is te groot, te rommelig en het duurt veel te lang voor mensen om dit met de hand te doen.

Dit artikel beschrijft een slimme manier om een "robotoog" (Artificiële Intelligentie) te gebruiken om deze straatovergangen in de 100 grootste steden van de VS tegelijkertijd te meten. Hier is hoe ze het deden, onderverdeeld in eenvoudige stappen:

1. Het Probleen: Te veel straten om te meten

Al jaren weten onderzoekers dat langere oversteekplaatsen gevaarlijker zijn. Maar we hadden geen kaart van de oversteekafstanden voor het hele land. Eerdere pogingen waren als het met de hand schilderen van een muurschildering: nauwkeurig, maar ongelooflijk traag en arbeidsintensief. Ze keken ook vooral naar geschilderde "zebra-strepen" op de weg, waardoor ze veel oversteekplaatsen die helemaal geen verf hebben, misten.

2. De Oplossing: Een digitale "knippen en plakken" klus

De onderzoekers bouwden een driestaps lopende band om het proces te automatiseren:

• Stap 1: Foto's maken (De Snapshot)
  Ze gebruikten een computerprogramma om satellietfoto's te verzamelen van ongeveer 3 miljoen stratkruispunten in de 100 grootste Amerikaanse steden. Zie dit als het maken van een luchtfoto van elk kruispunt in Amerika.

• Stap 2: De robot leren (De Kunstles)
  Ze moesten de computer leren het verschil te zien tussen een weg (waar auto's rijden) en een stoep (waar mensen lopen). Om dit te leren, lieten ze de AI (genaamd de "Segment Anything Model" van Meta) een kleine selectie foto's zien waarbij mensen handmatig de stoepen en gebouwen hadden ingekleurd.

  • De Analogie: Stel je voor dat je een kind een plaatje van een koekje laat zien en een plaatje van een bord, en het bord blauw kleurt en het koekje bruin. Zodra het kind het patroon heeft geleerd, kun je het een nieuwe foto geven en kan het direct het bord blauw kleuren zonder dat je het opnieuw hoeft te vertellen.
  • Ze leerden de AI om "niet-rijdbare" gebieden (stoep, parken, gebouwen) te herkennen en de rijdbare wegen te negeren.

• Stap 3: De "Grow-Cut" Magie (De Schaar)
  Dit is het meest creatieve deel. De onderzoekers namen een digitale kaart (OpenStreetMap) die grove lijnen bevatte die aangaven waar oversteekplaatsen mogelijk waren.

  • De Analogie: Stel je voor dat je een stuk touw over een tafel hebt gelegd, maar het touw is te lang en hangt over de randen heen. Je hebt een magische schaar die het touw alleen doorknipt wanneer het een specifieke gekleurde zone raakt (de stoep).
  • De computer nam de grove oversteeklijnen van de kaart en liet ze iets "groeien". Vervolgens gebruikte de computer de "gekleurde zones" van de AI (de stoep) als gids om de lijnen precies daar door te "snijden" waar de stoep begint. Dit gaf hen de precieze afstand van de ene naar de andere kant van de straat.

3. De Resultaten: Een nationale kaart van loopafstanden

Door dit proces uit te voeren, hebben ze bijna 800.000 oversteekplaatsen gemeten in ongeveer een uur per stad.

• Hoe nauwkeurig is het?
  Ze testten het in San Francisco tegen gegevens die mensen handmatig hadden geverifieerd. De AI was 93% nauwkeurig. Gemiddeld zat de AI er slechts zo'n 70 centimeter naast (ongeveer 2 voet en 3 inch). Dat is alsof je de lengte van een auto raadt en er slechts één stap naast zit.

• Wat hebben ze ontdekt?

  • Oude versus Nieuwe Steden: Oudere Amerikaanse steden (gesticht vóór 1800) hebben over het algemeen kortere oversteekplaatsen. Nieuwere steden (gesticht later) hebben veel langere oversteekplaatsen. Dit suggereert dat naarmate Amerika groeide, het begon met het bouwen van bredere straten die ontworpen zijn voor auto's, wat het wandelen moeilijker maakt.
  • Regio maakt uit: Steden in het Noordoosten en het Middenwesten hebben meestal kortere oversteekplaatsen (rond de 9 meter), terwijl steden in het Zuiden en het Westen veel langere oversteekplaatsen hebben (tot wel 24 meter).
  • Het Patroon: In bijna elke stad zijn de meeste oversteekplaatsen kort (woonwijken), maar er zijn "corridors" van zeer lange oversteekplaatsen (grote snelwegen) die opvallen.

4. Waarom dit belangrijk is

Deze studie geeft stadsplanners een "superkracht". In plaats van te gokken of jarenlang straten te meten, hebben ze nu een kaart die precies laat zien waar de oversteekplaatsen te lang zijn. Dit helpt hen beslissen waar ze veiligheidseilanden kunnen bouwen of de stoepbreedte kunnen aanpassen om het wandelen veiliger te maken, vooral voor ouderen, ouders met kinderwagens of mensen met mobiliteitsproblemen.

5. De Beperkingen (De "Addertjes onder het gras")

De auteurs zijn eerlijk over de punten waar hun methode niet perfect is:

• Boomproblemen: Als een straat bedekt is met dikke bladeren van bomen, kan de satellietcamera de stoep niet zien, waardoor de AI in de war kan raken.
• Kaatgaten: Het systeem vertrouwt op OpenStreetMap om te weten waar het naar een oversteekplaats moet kijken. Als een oversteekplaats niet op die kaart staat, zal de AI deze niet meten.
• Ontbrekende Stad: Ze moesten Anchorage, Alaska, vervangen door een stad in Texas omdat de satellietkaarten voor Alaska niet beschikbaar waren in het formaat dat ze nodig hadden.

Kortom, dit artikel laat zien hoe we een combinatie van satellietfoto's, slimme AI en een digitale kaart kunnen gebruiken om onmiddellijk te meten hoe "loopbaar" onze steden zijn, waarbij wordt onthuld dat nieuwere Amerikaanse steden breder zijn gebouwd voor auto's, terwijl oudere steden compacter zijn voor mensen.

Technische samenvatting

Technische Samenvatting: Opschalen van de analyse van voetgangersoversteekplaatsen naar 100 Amerikaanse steden via AI-gebaseerde segmentatie van satellietbeelden

Probleemstelling
Nauwkeurige, gedetailleerde gegevens over strafafmetingen, specifhankelijk de afstanden van voetgangersoversteekplaatsen, zijn essentieel voor het evalueren van de impact van stedelijk ontwerp op reisgedrag en veiligheid. Bestaande datasets zijn echter vaak incompleet, verouderd, onvolledig of niet machineleesbaar. Hoewel eerdere computer vision-studies succesvol gemarkeerde oversteekplaatsen (bijv. "zebra"-strepen) hebben geïdentificeerd in beperkte steden, falen zij bij het detecteren van ongemarkeerde oversteekplaatsen, die een aanzienlijk deel van de kruispunten in Amerikaanse steden vormen (bijv. 42% in San Francisco). Bovendien waren eerdere handmatige of semi-automatische methoden voor het meten van zowel gemarkeerde als ongemarkeerde oversteekplaatsen arbeidsintensief en misten zij de schaalbaarheid naar nationaal niveau. Deze studie adresseert de behoefte aan een schaalbare, nauwkeurige en reproduceerbare methode om de afstanden van oversteekplaatsen te meten in de 100 grootste Amerikaanse steden met behulp van uitsluitend gratis beschikbare data.

Methodologie
De studie maakt gebruik van een driestaps geautomatiseerde pipeline die OpenStreetMap (OSM)-data combineert met Meta's Segment Anything Model (SAM) om ongeveer drie miljoen tegels van satellietbeelden (8,3 terabyte) te verwerken.

1. Segmentatie van kruispuntbeelden:

   • Dataverzameling: Met behulp van OSMnx werden de coördinaten voor alle stratkruispunten en midden-blok oversteekplaatsen in de 100 grootste Amerikaanse steden gegenereerd. Satellietbeeldtegels (straal van 25 meter, 1629x1629 pixels) werden opgehaald via de Google Maps API.
   • Modeltraining: Meta's SAM (een zero-shot model) werd verfijnd om rijdende oppervlakken (wegen) te onderscheiden van niet-rijdende oppervlakken (stoepen, gebouwen, parken, verkeenseilanden).
   • Trainingsstrategie: Om de training te optimaliseren, werden 193 hoog-entropische kruispuntbeelden (geselecteerd op basis van visuele complexiteit) uit 14 diverse steden handmatig geannoteerd. De dataset werd uitgebreid via flipping, rotatie, vervaging en het toevoegen van ruis, waardoor de trainingsset groeide naar 5.790 afbeeldingen.
   • Nabehandeling: Om de nauwkeurigheid te verbeteren, werden twee correctiestappen toegepast:
     • Reductie van fout-positieven: Polygonen die overlappen met gebufferde OSM-straatmiddellijnen (1,2 m voor niet-getagde wegen, 2 m voor primaire wegen) werden verwijderd.
     • Correctie van fout-negatieven: Ontbrekende niet-rijdende polygonen werden aangevuld door gebouwvoetafdrukken te mergen die uit OSM zijn geëxtraheerd.
   • Output: Het model genereerde pixel-niveau maskers van niet-rijdende oppervlakken, die werden omgezet in polygonale geometrieën gekoppeld aan real-world coördinaten.

2. Extractie van oversteekranden:

   • De randen van voetgangersoversteekplaatsen werden geëxtraheerd uit OSM.
   • Single-node oversteekplaatsen (veelvoorkomend in OSM) werden omgezet in randen (edges) door knopen te matchen met de dichtstbijzijnde "highway" randen.
   • Duplicaten werden samengevoegd op basis van ruimtelijke nabijheid (binnen 5 m) en richtinglijning (binnen 5 graden).

3. Grow-Cut Algoritme:

   • Geëxtraheerde oversteekranden werden over de gesegmenteerde satellietbeelden gelegd.
   • Een grow-cut algoritme breidde elke rand met 5% uit vanaf de eindpunten, waarbij de oriëntatie behouden bleef.
   • Het algoritme "sneed" de uitgebreide randen waar ze de niet-rijdende oppervlaktepolygonen sneden, wat de uiteindelijke afstand van de oversteekplaats opleverde.
   • Filtering: De uiteindelijke outputs werden gefilterd om duplicaten (binnen 2 m buffers) en uitschieters (oversteekplaatsen < 6 ft of > 160 ft) te verwijderen.

Belangrijkste Bijdragen

• Schaalbaarheid: De methode heeft succesvol 808.377 voetgangersoversteekplaatsen verwerkt in de 100 grootste Amerikaanse steden, met een verwerkingstijd van ongeveer één uur per stad.
• Inclusiviteit van Overgangstypes: In tegenstelling tot eerdere studies die vertrouwden op visuele markeringen, legt deze aanpak zowel gemarkeerde als ongemarkeerde oversteekplaatsen vast door gebruik te maken van de geometrische relatie tussen wegranden en niet-rijdende oppervlakken.
• Reproduceerbaarheid: De volledige workflow maakt gebruik van uitsluitend gratis beschikbare data (OSM, Google Maps) en open-source modellen (SAM), met de code publiekelijk beschikbaar op GitHub.
• Nationale Dataset: De studie produceert de eerste landelijke dataset van voetgangersoversteekplaatsen, wat interstedelijke en regionale vergelijkingen mogelijk maakt die op deze schaal voorheen onmogelijk waren.

Resultaten

• Nauwkeurigheid: Gevalideerd tegen een handmatig geverifieerde dataset voor San Francisco, bereikte de geautomatiseerde methode een nauwkeurigheid van 93% met een mediane absolute fout van 2 voet 3 inch (0,69 meter). Het geautomatiseerde proces dekte 72% van de aanwezige oversteekplaatsen in de handmatige dataset, voornamelijk beperkt door de beschikbaarheid van oversteekranden in OSM.
• Ruimtelijke Patronen:
  • Regionale Variantie: De mediane oversteekafstanden variëren van 32 voet (9,8 m) tot 78 voet (23,8 m). Kortere oversteekplaatsen clusteren in het Noordoosten en Midwesten (bijv. Toledo, OH op ~32 ft), terwijl langere oversteekplaatsen prevalent zijn in het Zuidwesten en de Westkust (bijv. North Las Vegas op ~78 ft).
  • Stedelijke Vorm: Steden in het Noordoosten en Midwesten vertonen een piekdistributie nabij 30 voet, waarschijnlijk door rectilineaire rasters. Steden in het Zuiden en Westen laten een piek zien nabij 40 voet, wat wijst op meer uitgestrekte lay-outs en bredere verkeersaders.
  • Historische Correlatie: Er werd een positieve relatie geïdentificeerd tussen het oprichtingsjaar van een stad en de mediane oversteekafstand. Steden die vóór 1800 zijn opgericht, hebben over het algemeen kortere oversteekplaatsen (~40 ft), terwijl nieuwere steden een progressieve trend vertonen naar langere, meer auto-gecentreerde straatontwerpen.

Betekenis en Claims
Het artikel claimt dat deze methodologie nieuwe inzichten ontsluit in voetgangersnetwerken op nationale schaal, waarbij wordt aangetoond dat de oversteekafstand een universele "links-verschoven normale verdeling" volgt in Amerikaanse steden, maar aanzienlijk wordt gemoduleerd door regio en stedelijke geschiedenis. De auteurs stellen dat deze datasets planners en veiligheidsadvocaten in staat stellen om:

1. Specifieke wijken en corridors te identificeren voor gerichte verkeersluwe investeringen.
2. Oversteekgegevens te combineren met andere lokale attributen (snelheidslimieten, ongevalsgegevens, demografie) om straatherontwerpen te informeren.
3. Te testen of de associaties tussen oversteekafstand en voetgangersveiligheid, die eerder in kleinere studies werden waargenomen, standhouden op nationale schaal.

De studie concludeert dat de toenemende nadruk op bredere, auto-gecentreerde straten in nieuwere Amerikaanse steden kwantitatief zichtbaar is door langere mediane oversteekafstanden. De auteurs merken beperkingen op, waaronder verminderde nauwkeurigheid in gebieden met een dicht bladerdak (dat stoepen aan het zicht onttrekt) en de afhankelijkheid van de volledigheid van de OSM-data, maar benadrukken het potentieel van de methode voor adaptatie naar internationale contexten en andere stedelijke kenmerken zoals fietsinfrastructuur.