Un outil d’optimisation 3D ciblé pour l’emplacement de plantation d’arbres en utilisant le développement temporel de la géométrie de la couronne

Pourquoi une plantation d’arbres plus intelligente compte pour la vie citadine

Les villes du monde entier se réchauffent, et les arbres sont l’un des outils les plus simples dont nous disposons pour garder les rues plus fraîches, plus propres et plus agréables. Mais dans les zones urbaines denses, où l’espace est compté et où les bâtiments projettent de longues ombres, planter des arbres “là où ils tiennent” gaspille souvent leur potentiel. Cet article présente un nouvel outil numérique qui aide les urbanistes à décider exactement où planter les arbres afin que leurs futures couronnes occupent les bons emplacements — apportant ombre, fraîcheur et confort pendant des décennies sans entrer en conflit avec les bâtiments, les rues ou d’autres usages.

Des cartes plates à des objectifs arborés tridimensionnels

La plupart des approches antérieures pour planifier les arbres urbains les traitaient comme de simples cercles sur une carte, en se concentrant sur des objectifs larges tels que l’ombrage des trottoirs, le rafraîchissement des parcs ou la protection des façades. Ces méthodes optimisent généralement un seul bénéfice à la fois et reposent sur des formes d’arbres simplifiées. Le nouvel outil, appelé TreeML-Planter, renverse la logique : au lieu de demander « que se passe-t-il si nous plantons des arbres ici ? », il commence par un objectif tridimensionnel — un volume dans l’espace où les feuilles sont les plus utiles — puis remonte en arrière pour trouver les meilleurs emplacements de plantation. Cet objectif est représenté comme un nuage de petits cubes, ou voxels, flottant au-dessus du sol, indiquant où la future canopée doit ou ne doit pas se développer.

Comment le planificateur numérique anticipe

Pour atteindre ces voxels cibles, l’outil doit savoir comment les arbres réels croîtront dans l’environnement complexe d’une ville. Il utilise un modèle d’apprentissage automatique entraîné sur des scans 3D détaillés de milliers d’arbres urbains pour prédire la taille et la forme des couronnes selon différentes directions, en fonction de l’espèce, de l’âge et des bâtiments ou arbres voisins. Pour chaque point de plantation possible sur une grille, le modèle estime comment la couronne s’étendra dans le temps — vers le haut, sur les côtés et autour des obstacles. Ces couronnes prédites sont ensuite converties dans le même système basé sur des cubes que la cible, rendant possible la comparaison entre ce qui est souhaité et ce que chaque configuration d’arbres produirait effectivement dans l’espace.

Laisser l’algorithme réarranger les arbres

Une fois la canopée cible et les prédictions de croissance définies, TreeML-Planter utilise une routine d’optimisation qui agit un peu comme quelqu’un qui pousse répétitivement des arbres sur un plateau d’échecs. Il commence par des emplacements de plantation aléatoires à l’intérieur d’une zone définie, en veillant à ce que les arbres ne soient pas trop proches les uns des autres. Pour une disposition donnée, il chevauche les couronnes prédites avec le nuage de cubes cible et calcule leur degré de correspondance à l’aide d’un score qui récompense le remplissage des cubes désirés et pénalise le débordement de la canopée dans les zones interdites. L’algorithme teste ensuite des emplacements voisins pour chaque arbre, conservant les changements qui améliorent le score et écartant ceux qui ne l’améliorent pas. Sur de nombreuses itérations, ce processus de “remontée de pente” converge progressivement vers des configurations d’arbres qui remplissent au mieux le volume de canopée souhaité.

Test de l’outil sur une vraie place de Munich

Les chercheurs ont testé leur approche dans une place bâtie du centre de Munich, entourée d’immeubles de quatre étages avec un intérieur majoritairement ouvert. Ils se sont concentrés sur deux espèces urbaines courantes — le tilleul à petites feuilles (Tilia cordata) et le platane (Platanus × hispanica) — et ont exploré différents nombres d’arbres et âges cibles, tels que cinq, sept ou neuf arbres atteignant 20, 40 ou 60 ans. L’outil a produit des emplacements de plantation optimisés et les formes futures des couronnes pour chaque scénario. Pour les tilleuls, neuf arbres visant une couronne de 40 ans donnaient la meilleure correspondance avec la canopée cible. Pour les platanes, neuf individus à 20 ans ont obtenu les meilleurs résultats, atteignant un score élevé plus rapidement dans le temps. Fait intéressant, davantage d’arbres ou des âges plus avancés n’apportaient pas toujours de meilleurs résultats, soulignant la façon dont les traits d’espèce et les habitudes de croissance interagissent avec la géométrie contraignante des rues et des bâtiments.

Limites, défis et possibilités futures

Bien que puissant, l’outil actuel présente des contraintes. Il exige un temps de calcul important, a été validé uniquement avec des données de Munich et se concentre sur la croissance hors sol, laissant de côté les effets complexes des racines, des conditions du sol et des infrastructures enterrées sur la santé et la forme des couronnes. Il utilise également des équations de croissance générales qui peuvent ne pas capturer entièrement la réponse des arbres individuels aux stress locaux. Néanmoins, le cadre est flexible : des travaux futurs pourraient inclure plus d’espèces, d’autres villes, et des méthodes plus intelligentes de génération de la canopée cible elle-même en fonction d’objectifs comme la réduction de la chaleur, l’amélioration du confort ou la préservation de l’ensoleillement pour des panneaux solaires.

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

En termes simples, cette étude montre que nous pouvons désormais concevoir les arbres en ville non pas seulement comme des points sur une carte, mais comme des structures vivantes tridimensionnelles en évolution. En définissant un objectif spatial clair pour l’endroit où les feuilles doivent aboutir et en prédisant comment différentes espèces poussent autour des bâtiments au fil du temps, TreeML-Planter aide les planificateurs à choisir des emplacements de plantation qui offrent une ombre et un refroidissement durables exactement là où ils sont nécessaires, tout en évitant les conflits avec les rues, les vues et les infrastructures. Associés à des simulations climatiques et de confort, de tels outils pourraient guider la prochaine génération de forêts urbaines — rendant les villes plus fraîches, plus saines et plus agréables à vivre, arbre après arbre placé avec soin.

Citation: 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

Mots-clés: arbres urbains, refroidissement microclimatique, conception de plantation d’arbres, modélisation de la canopée 3D, durabilité urbaine