Ein 3D-, zielorientiertes Optimierungswerkzeug zur Standortwahl von Baumpflanzungen unter Verwendung der zeitlichen Entwicklung der Baumkronengeometrie

Warum klügere Baumpflanzungen für das Stadtleben wichtig sind

In Städten weltweit steigen die Temperaturen, und Bäume sind eines der einfachsten Mittel, um Straßen kühler, sauberer und angenehmer zu machen. In dicht bebauten Gebieten, in denen Platz knapp ist und Gebäude lange Schatten werfen, geht das Potenzial von Bäumen jedoch oft verloren, wenn sie „irgendwo, wo sie hingepasst hätten“ gepflanzt werden. Dieses Papier stellt ein neues digitales Werkzeug vor, das Planerinnen und Planern hilft, genau zu entscheiden, wo Bäume zu pflanzen sind, damit sich ihre zukünftigen Kronen an den richtigen Stellen entwickeln — und jahrzehntelang Schatten, Kühlung und Komfort bieten, ohne mit Gebäuden, Straßen oder anderen Nutzungen in Konflikt zu geraten.

Von flachen Karten zu dreidimensionalen Baumzielen

Die meisten bisherigen Ansätze zur Planung städtischer Bäume behandelten diese wie einfache Kreise auf einer Karte und konzentrierten sich auf weit gefasste Ziele wie das Beschatten von Gehwegen, das Kühlen von Parks oder den Schutz von Gebäudeansichten. Solche Methoden optimieren meist nur für einen einzelnen Nutzen und verlassen sich auf vereinfachte Baumformen. Das neue Werkzeug, genannt TreeML-Planter, kehrt das Problem um: Anstatt zu fragen: „Was bekommen wir, wenn wir hier pflanzen?“, beginnt es mit einem dreidimensionalen Ziel — einem Volumen im Raum, in dem Laub am nützlichsten ist — und arbeitet rückwärts, um die besten Pflanzstellen zu finden. Dieses Ziel wird als Wolke winziger Würfel, sogenannter Voxels, dargestellt, die über dem Boden schweben und anzeigen, wo sich die zukünftige Krone entwickeln soll und wo nicht.

Wie der digitale Baumberechner vorausdenkt

Um diese Ziel-Voxels zu erreichen, muss das Werkzeug wissen, wie echte Bäume in der unordentlichen städtischen Umgebung wachsen. Es verwendet ein maschinelles Lernmodell, das an detaillierten 3D-Scans von Tausenden städtischer Bäume trainiert wurde, um Kronengröße und -form in verschiedenen Richtungen vorherzusagen — abhängig von Art, Alter und benachbarten Gebäuden oder Bäumen. Für jeden möglichen Pflanzpunkt auf einem Raster schätzt das Modell, wie die Krone sich im Laufe der Zeit ausdehnen wird — nach oben, seitlich und um Hindernisse herum. Diese prognostizierten Kronen werden dann in dasselbe würfelbasierte System wie das Ziel konvertiert, sodass sich vergleichen lässt, was gewünscht ist und was jede Baumplatzierung tatsächlich im Raum erzeugen würde.

Das Algorithmus lässt die Bäume verschieben

Sobald die Zielkrone und die Wachstumsprognosen feststehen, nutzt TreeML-Planter eine Optimierungsroutine, die ein wenig wie wiederholtes Anschubsen von Bäumen auf einem Schachbrett funktioniert. Sie beginnt mit zufälligen Pflanzorten innerhalb eines definierten Pflanzbereichs und stellt sicher, dass Bäume nicht zu dicht beieinander stehen. Für eine gegebene Anordnung überlappt das Programm die prognostizierten Kronen mit der Zielwürfelwolke und berechnet, wie gut sie übereinstimmen, anhand einer Bewertungsfunktion, die das Auffüllen gewünschter Würfel belohnt und das Ausufern der Krone in verbotene Bereiche bestraft. Der Algorithmus testet dann benachbarte Positionen für jeden Baum, behält Änderungen, die die Bewertung verbessern, und verwirft solche, die dies nicht tun. Über viele Durchläufe nähert sich dieses „Hill-Climbing“-Verfahren schrittweise an Baumaufstellungen an, die das gewünschte Kronenvolumen am besten füllen.

Test des Werkzeugs auf einem realen Münchener Platz

Die Forschenden testeten ihren Ansatz auf einem bebauten Platz im Zentrum Münchens, umgeben von viergeschossigen Gebäuden mit weitgehend offenem Innenbereich. Sie konzentrierten sich auf zwei verbreitete städtische Arten — Kleine Linde (Tilia cordata) und Platane (Platanus × hispanica) — und untersuchten unterschiedliche Baumzahlen und Zielalter, etwa fünf, sieben oder neun Bäume, die auf 20, 40 oder 60 Jahre heranwachsen. Das Werkzeug lieferte optimierte Pflanzorte und zukünftige Kronenformen für jedes Szenario. Bei Linden ergab sich für neun Bäume mit einer auf 40 Jahre ausgerichteten Krone die beste Übereinstimmung mit der Zielkrone. Bei Platanen erzielten neun Exemplare bei 20 Jahren die besten Ergebnisse und erreichten schneller eine hohe Bewertung. Interessanterweise führten mehr Bäume oder höhere Zielalter nicht immer zu besseren Resultaten, was zeigt, wie Artmerkmale und Wuchsgewohnheiten mit der engen Geometrie von Straßen und Gebäuden interagieren.

Grenzen, Herausforderungen und zukünftige Möglichkeiten

Obwohl leistungsfähig, hat das aktuelle Werkzeug Beschränkungen. Es erfordert beträchtliche Rechenzeit, wurde nur mit Daten aus München validiert und konzentriert sich auf oberirdisches Wachstum, wobei die komplexen Effekte von Wurzeln, Bodenbedingungen und unterirdischer Infrastruktur auf Baumgesundheit und Kronenform ausgeklammert bleiben. Es verwendet zudem allgemeine Wachstumsmodelle, die das individuelle Reagieren einzelner Bäume auf lokale Belastungen nicht vollständig abbilden könnten. Dennoch ist das Framework flexibel: Zukünftige Arbeiten könnten mehr Arten und andere Städte einbeziehen sowie intelligentere Wege zur Generierung der Zielkrone selbst entwickeln, basierend auf Zielen wie Hitzereduktion, verbessertem Komfort oder dem Erhalt von Sonneneinstrahlung für Solarpaneele.

Was das für grünere, kühlere Städte bedeutet

Einfach ausgedrückt zeigt diese Studie, dass wir Bäume in Städten jetzt nicht mehr nur als Punkte auf einer Karte, sondern als sich entwickelnde dreidimensionale, lebende Strukturen planen können. Indem man ein klares räumliches Ziel dafür setzt, wo Laub enden soll, und vorhersagt, wie verschiedene Arten sich im Laufe der Zeit um Gebäude herum entwickeln, hilft TreeML-Planter Planerinnen und Planern, Pflanzorte auszuwählen, die langanhaltenden Schatten und Kühlung genau dort liefern, wo sie gebraucht werden, und gleichzeitig Konflikte mit Straßen, Aussichtslinien und Infrastruktur vermeiden. In Kombination mit Klima- und Komfortsimulationen könnten solche Werkzeuge die nächste Generation städtischer Wälder lenken — und so Städte mit jedem sorgfältig gesetzten Baum kühler, gesünder und lebenswerter machen.

Zitation: Yazdi, H., Chen, X., Rötzer, T. et al. A 3D target-driven optimisation tool for tree planting location using temporal tree crown geometry development. npj Urban Sustain 6, 44 (2026). https://doi.org/10.1038/s42949-026-00350-z

Schlüsselwörter: städtische Bäume, Kühlung des Mikroklimas, Gestaltung von Baumpflanzungen, 3D-Kronenmodellierung, städtische Nachhaltigkeit