Cartographie non supervisée de la diversité des arbres urbains par regroupement visuel spatialement informé

Pourquoi les arbres urbains et les cartes intelligentes comptent

Les villes dépendent des arbres pour rester vivables. Les arbres de rue rafraîchissent les quartiers exposés à la chaleur, purifient l’air et offrent aux habitants un contact quotidien avec la nature. Pourtant, la plupart des administrations municipales n’ont que des estimations approximatives du nombre d’espèces d’arbres présentes ou des zones où ces arbres sont regroupés. Les relevés traditionnels exigent que des experts parcourent chaque pâté de maisons, ce qui coûte cher et prend du temps. Cette étude présente une méthode pour mesurer la variété des arbres urbains en utilisant des photos ordinaires prises au niveau de la rue et l’intelligence artificielle, sans nécessiter d’étiquettes d’espèces au préalable.

Voir la ville à travers des images du quotidien

Les chercheurs partent d’une idée simple : si l’on peut repérer des arbres sur des images de services comme Google Street View, on peut commencer à comprendre la forêt urbaine à l’échelle de la ville. Ils exploitent un jeu de données existant dans lequel des arbres de huit villes nord-américaines ont été détectés automatiquement et reliés à leurs emplacements. Plutôt que d’exiger d’un algorithme qu’il nomme chaque espèce, la nouvelle méthode cherche des motifs dans l’apparence des arbres et dans leurs positions d’implantation. Elle transforme ces motifs en « empreintes » numériques pour chaque arbre, capturant à la fois son apparence visuelle et sa position le long des rues et dans les quartiers.

Regrouper des arbres similaires sans connaître leur nom

Avec ces empreintes en main, le système regroupe les arbres en clusters qui jouent le rôle de substituts aux groupes biologiques réels. Les arbres d’un même cluster se ressemblent visuellement sur les images et partagent des contextes de plantation similaires. Le processus se déroule en plusieurs étapes. D’abord, un modèle spatial organise les arbres plantés selon des motifs reconnaissables, comme des rangées le long d’un boulevard. Ensuite, la méthode écarte les anomalies visuelles au sein de chaque groupe, ne conservant que les arbres qui ressemblent fortement à leurs voisins. Les arbres rejetés sont réexaminés et, s’ils se ressemblent entre eux, formés en nouveaux groupes ou réaffectés à des groupes mieux adaptés. Enfin, les clusters qui apparaissent presque identiques sont fusionnés afin que le système ne soit pas trompé par de petites différences sans importance.

Transformer les clusters en cartes de diversité

Une fois tous les arbres assignés à ces pseudo-groupes, la ville est découpée en une grille d’aires locales, chacune de 500 mètres de côté, représentant une communauté d’arbres à l’échelle du quartier. Dans chaque cellule de la grille, les chercheurs comptent combien de clusters y apparaissent et à quel point les arbres y sont répartis équitablement. À partir de ces comptes, ils calculent des indices de diversité standards utilisés par les écologues pour décrire à la fois la richesse (combien de types d’arbres) et l’équilibre (si une espèce domine). Ils comparent ensuite ces scores avec ceux issus d’enquêtes de terrain détaillées qui enregistrent les genres d’arbres réels. Dans l’ensemble des villes étudiées, le système non supervisé reproduit de près les schémas de diversité du monde réel, en particulier pour les mesures mettant l’accent sur les types d’arbres courants plutôt que sur les rares. Il préserve aussi la répartition spatiale de la diversité, capturant à la fois des zones de plantations homogènes et des pâtés de maisons plus mélangés.

Forces, limites et perspectives

La méthode est la plus performante dans les villes où les communautés arborées ne sont pas dominées par seulement quelques types d’arbres et où la qualité des images est élevée. Elle rencontre davantage de difficultés pour les genres rares, en présence d’un floutage lié à la confidentialité important, et dans les zones où les photos de rue sont rares ou obsolètes. Parce que la méthode se concentre sur ce qui est visible depuis la rue, les arbres cachés dans les arrière-cours ou à l’intérieur des parcs sont sous‑estimés. Les auteurs suggèrent des améliorations futures, comme la combinaison de ces vues de rue avec des images satellite et des données lidar, ou l’usage de modèles langage–vision capables de mieux distinguer des différences subtiles entre arbres d’apparence similaire.

Ce que cela signifie pour des villes plus vertes et plus équitables

Pour un public non spécialiste, le message clé est que les villes n’ont plus besoin de se fier uniquement à des relevés de terrain lents et coûteux pour comprendre leur peuplement arboré. En exploitant le flux d’images de rue existantes, cette méthode peut produire à faible coût des cartes détaillées de la diversité des arbres à l’échelle du quartier et les actualiser au fur et à mesure que de nouvelles images sont disponibles. Les urbanistes pourraient utiliser ces cartes pour repérer les zones dominées par un type d’arbre vulnérable, identifier des quartiers manquant de diversité végétale et concevoir des programmes de plantation visant à renforcer la résilience face aux ravageurs, aux maladies et au stress climatique. En bref, l’étude montre comment la combinaison de la photographie courante et d’un regroupement intelligent peut transformer la ville elle‑même en une carte vivante et régulièrement mise à jour de la nature urbaine.

Citation: Abuhani, D.A., Seccaroni, M., Mazzarello, M. et al. Unsupervised mapping of urban tree diversity using spatially-aware visual clustering. Sci Rep 16, 10440 (2026). https://doi.org/10.1038/s41598-026-37043-7

Mots-clés: diversité des arbres urbains, imagerie de vues de rue, regroupement non supervisé, cartographie de la biodiversité, résilience urbaine