Urban Jungle Street View: så växte Street View igen

Under våren 2014 fick allmänheten möjligheten att betrakta sina egna gator bli övertagna av naturen. Projektet Urban Jungle Street View utgick från en standardvy i Google Street View där gräs, buskar och klätterväxter spred sig över asfalt, fasader och elledningar. Ansvarig för detta var den svenska utvecklaren Einar Öberg.

Original: Einar Öbergs personliga projekt
Lansering: mars 2014
Teknik: WebGL, three.js samt djupdata från Google Street View
Uppföljare: Brick Street View, 2015
Status i dag: Finns inte längre på nätet

Denna sida redogör för experimentet och dess teknik men originalet har inte återskapats av redaktionen. Beskrivningen av hur det fungerade baseras på Einar Öbergs egen text, källkodsarkivet samt dåtida pressbevakning som finns listad längst ner.

Vad innebar Urban Jungle Street View?

Urban Jungle Street View var en webbsida där man sökte fram en plats och placerade Street View-figuren på en gata. I stället för den vanliga vyn såg man samma plats som om människor lämnat den för decennier sedan. Gräs växte på vägen, murgröna klättrade på husväggarna och vinrankor hängde från ledningarna. Det gick att prova överallt där Google hade Street View.

Effekten blev starkast där mycket stadsmiljö fanns att täcka över. Öberg tipsade användare att välja tätbebyggda städer som New York eftersom höga byggnader gav mest dramatik. På landsbygden blev resultatet svagare. Där hamnade ofta gräset ovanpå redan existerande vegetation.

Experimentet finns i Googles samling Chrome Experiments där det beskrivs som ett sätt att göra kvarteret till en djungel via Street View. På Öbergs projektsida anges 2014 som år samt three.js och WebGL som teknik.

Så gick det till

Nyckeln låg i data som få visste fanns. Varje panorama i Street View innehåller inte bara en bild utan även information om avstånd till olika ytor och deras riktning. Google använder denna data för att navigeringspilarna ska följa vägen och för att markören ska ligga platt mot väggar. Öberg beskrev detta själv som en odokumenterad del av Street View.

Baserat på denna information konstruerade han en djupkarta och en normalkarta. Dessa gjorde det möjligt att placera växterna ungefär korrekt i rummet, antingen långt bort eller nära, liggande på marken eller stående mot en vägg. Hans egen sammanfattning av processen består av fem steg.

KartanEn vanlig karta med anpassade färger och dolda lager utgjorde startpunkten och inspirationen.
DjupkartanPanoramats djupinformation omvandlades till en bild där varje pixel representerar ett avstånd.
NormalkartanDjupkartan konverterades till en normalkarta som visar riktningen på varje yta.
Växterna3D-objekt och flora placerades ut efter avståndet och vreds efter ytornas normaler.
EfterbehandlingI det sista steget applicerades effekter över hela bilden. Dimma och färgjustering ingick bland annat.

Panoramat som sfärDjupkarta: ljust nära, mörkt långt bortVäxter placerade efter djup och riktning

Förenklad illustration av principen. Redaktionens egen bild, inte en skärmdump från originalet.

Kartan och figuren

Kartan skapades via Google Maps API och Styled Maps där man kan aktivera och inaktivera kartlager samt exportera stilen som JSON med tipset att först stänga av allt och sedan aktivera det som behövs. När du drog figuren över kartan visade ett täckningslager vilka gator som hade Street View, inklusive vissa inomhusområden.

Panoramat i WebGL

Själva panoramat renderades i WebGL med hjälp av biblioteket GSVPano av Jaume Sanchez och three.js. Bilden placerades på insidan av en sfär medan kameran satt i mitten, vilket gjorde att du kunde se dig omkring precis som i Street View. För djupdatan användes ett separat bibliotek, GSVPanoDepth, som läste den komprimerade informationen och konverterade den till en karta. Djupdatan har lägre upplösning än fotot men räckte för att ge varje objekt ett rimligt avstånd.

Marken, dimman och kanterna

Normalkartan avgjorde var marken befann sig. Där ytan pekade uppåt gjordes panoramat genomskinligt så att ett plan med gräs under sfären kunde synas. Djupkartan styrde en mjuk övergång från genomskinlig till synlig mark eftersom djupdatan bara räcker en bit bort och en hård kant skulle se onaturlig ut. Lite dimma dolde de platser där planen inte stämde exakt med husen.

Växterna bestod antingen av platta bilder som alltid vänds mot kameran eller enkla 3D-modeller. Programmet testade slumpmässiga punkter i bilden, läste av djup och riktning samt placerade klätterväxter på väggarna och gräs och buskar på marken.

Brick Street View: samma idé i klossar

Ett år senare släppte Öberg en uppföljare. I Brick Street View var hela kartan uppbyggd av virtuella plastklossar och du klev in i gatuvyn genom att dra en liten klossfigur till en väg. Panoramat omvandlades till en mosaik av klossar baserat på färgerna i bilden.

Tekniken baserades på samma grundprincip. Panoramat laddades i låg upplösning, himlen identifierades genom att fylla färgen från bildens topp och resten ritades som klossar på en större duk. Träd och buskar placerades i parker som hämtades från Google Places. Resultatet varierade beroende på hur bra djupdatan och himlen var på den valda platsen, något Öberg själv erkände.

Experiment	År	Idé	Teknik
Urban Jungle Street View	2014	Gatan blir övertagen av gräs och klätterväxter	three.js, WebGL, djup och normalkarta
Brick Street View	2015	Kartan och gatuvyn skapas av klossar	three.js, WebGL, Google Places, klossmodeller

Mottagandet

Urban Jungle Street View spred sig snabbt under mars 2014. CityLab noterade att projektet utnyttjade djupdata för realistisk placering av växter i 3D. Weburbanist skildrade hur nästan alla gator verkade övertagna av växtlighet trots sporadiska felaktigheter. Japanska SoraNews24 provade tjänsten i Tokyo och jämförde Shinjuku och Shibuya med scenografierna i spelet The Last of Us.

Enligt Öbergs projektsida rapporterade även Wired och The Verge om experimentet och han intervjuades i japansk tv. Sidan togs bort efter att den blivit viral på Reddit. Han tror själv att intresset berodde på två saker: få hade sett djupkartor användas kreativt och 3D-effekten var ovanlig att se i en webbläsare.

Länkarna består. Över hundra webbplatser refererar fortfarande till den gamla adressen, vilket omfattar allt från stora nyhetsmedier till forum för utvecklare.

Går det att skapa något liknande i 2026?

På ett annat sätt. Djupdatan som låg bakom experimentet var aldrig en officiell del av plattformen. Den vanliga Street View-tjänsten i Maps JavaScript API presenterar panoramabilder och platsinformation men saknar dokumentation för djupkartor. Adresser utan officiellt stöd kan sluta fungera när som helst.

I dag finns alternativa metoder för att uppnå samma effekt. Google tillhandahåller fotorealistiska 3D-plattor via Map Tiles API vilket kräver en renderare som visar upphovsrätt samt ett betalningskonto. Ett annat alternativ är att använda egna 360-bilder och beräkna djupet självständigt.

Om källkoden. Källkoden för Urban Jungle Street View och Brick Street View finns öppet på GitHub men arkiven saknar licens. Det innebär att rättigheterna ligger kvar hos upphovspersonen. Du kan studera koden för att förstå tekniken men bör inte kopiera in den i egna projekt utan tillstånd. Informationen verifierades den 20 oktober 2026.

Skapa något liknande

Konceptet kan återskapas med egna bilder och three.js. Du behöver ingen djupdata från Google om du använder ditt eget panorama samt en enkel djupkarta. Nedan följer en stegvis översikt.

1. Panoramat

Placera en 360-bild i ekvirektangulärt format på insidan av en sfär och positionera kameran i centrum.

2. Djupet

Ta fram en djupkarta i gråskala för bilden, till exempel med ett verktyg för djupuppskattning.

3. Växterna

Extrahera djupvärden vid slumpmässiga punkter och placera grässtrån med en instansierad modell för snabb rendering av tusentals objekt.

4. Stämningen

Tillämpa dimma och en mjuk färgton för att smälta samman övergångarna mellan den fotografiska bilden och 3D-elementen.

Många funktioner finns redan i three.js. Klassen InstancedMesh renderar samma modell tusentals gånger utan prestandaproblem medan exponentiell dimma skapar djupkänsla med minimal kod. För att se liknande tekniker i andra projekt kan du läsa om Lathe samt brusfunktioner i Ridged Perlin noise.

Lärdomar från experimentet

Urban Jungle demonstrerar potentialen i befintlig data. Öberg skapade inga egna 3D-modeller av städerna. I stället läste han av informationen som Google redan hade samlat in och använde den på ett innovativt sätt.

Projektet illustrerar också hur ljus, dimma och transparens kan dölja brister. Växterna placerades inte alltid perfekt och geometrin stämde inte helt med byggnaderna. Trots detta upplevdes helheten trovärdig tack vare mjuka övergångar och dis. Denna insikt gäller för de flesta realtidsgrafikprojekt.

Historien belyser riskerna med att förlita sig på odokumenterade gränssnitt. En idé kan bli viral över natten men lika snabbt försvinna. Utvecklare som arbetar med liknande lösningar i dag bör förlita sig på egna bilder eller officiella API:er.

Vanliga frågor om Urban Jungle Street View

Vem skapade Urban Jungle Street View?

Einar Öberg, en svensk utvecklare, skapade experimentet och lanserade det i mars 2014. Projektet var ett eget initiativ och utfördes inte på uppdrag av Google.

Kan man prova Urban Jungle Street View i dag?

Nej. Sidan togs bort efter stor spridning på Reddit och originalet är inte längre tillgängligt online. Uppföljaren Brick Street View går inte heller att nå i dag.

Hur visste programmet var växterna skulle stå?

Djupinformationen som är kopplad till varje Street View-panorama lästes av systemet. Avståndet bestämde växtens storlek och ytans riktning avgjorde om den skulle ligga på marken eller växa på väggar.

Vad är skillnaden mellan Urban Jungle och Brick Street View?

Urban Jungle lade till växter ovanpå den faktiska bilden från 2014. Brick Street View från 2015 byggde om både kartan och gatubilden av klossar utifrån bildens färger.

Får man använda originalkoden?

Koden är tillgänglig på GitHub men saknar licens. Utan licens behåller upphovspersonen rättigheterna och koden får inte integreras i egna projekt utan explicit tillstånd.

Källor

Uppgifterna kontrollerades 20 oktober 2026.