Trójwymiarowe narzędzie optymalizacyjne ukierunkowane na cel do wyznaczania lokalizacji sadzenia drzew z wykorzystaniem temporalnego rozwoju geometrii korony

Dlaczego mądrzejsze sadzenie drzew ma znaczenie dla życia w mieście

Miasta na całym świecie się nagrzewają, a drzewa są jednym z najprostszych narzędzi, dzięki którym ulice mogą być chłodniejsze, czystsze i przyjemniejsze. Jednak w gęstej zabudowie, gdzie miejsca brakuje, a budynki rzucają długie cienie, sadzenie drzew „gdzie tylko się zmieszczą” często marnuje ich potencjał. W artykule przedstawiono nowe narzędzie cyfrowe, które pomaga planistom zdecydować dokładnie, gdzie sadzić drzewa, aby ich przyszłe korony rozwijały się w odpowiednich miejscach — zapewniając cień, chłodzenie i komfort przez dekady, bez kolizji z budynkami, ulicami czy innymi funkcjami.

Od płaskich map do trójwymiarowych celów drzew

Większość poprzednich prób planowania drzew miejskich traktowała je jak proste okręgi na mapie, skupiając się na szerokich celach, takich jak zacienienie chodników, chłodzenie parków czy ochrona elewacji budynków. Metody te zwykle optymalizują jeden rodzaj korzyści naraz i opierają się na uproszczonych kształtach drzew. Nowe narzędzie, nazwane TreeML-Planter, odwraca problem: zamiast pytać „co uzyskamy, jeśli posadzimy drzewo tutaj?”, zaczyna od trójwymiarowego celu — wolumenu w przestrzeni, gdzie liście są najbardziej przydatne — i pracuje wstecz, by znaleźć najlepsze miejsca sadzenia. Cel ten jest reprezentowany jako chmura małych sześcianów, czyli wokseli, unoszących się nad ziemią i wskazujących, gdzie przyszła korona powinna, a gdzie nie powinna rosnąć.

Jak cyfrowy planista drzew myśli z wyprzedzeniem

Aby osiągnąć te docelowe woksele, narzędzie musi przewidzieć, jak prawdziwe drzewa będą rosnąć w złożonym środowisku miejskim. Wykorzystuje model uczenia maszynowego wytrenowany na szczegółowych skanach 3D tysięcy drzew miejskich, aby przewidzieć rozmiar i kształt korony w różnych kierunkach, w zależności od gatunku, wieku oraz obecności sąsiednich budynków czy drzew. Dla każdego możliwego punktu sadzenia na siatce model estymuje, jak korona będzie się rozszerzać w czasie — w górę, na boki i wokół przeszkód. Przewidywane korony są następnie konwertowane na ten sam system oparty na sześcianikach co cel, co umożliwia porównanie tego, co pożądane, z tym, co każda konfiguracja drzew faktycznie wygeneruje w przestrzeni.

Pozwalając algorytmowi przestawiać drzewa

Gdy docelowa korona i prognozy wzrostu są ustalone, TreeML-Planter używa procedury optymalizacyjnej przypominającej nieco kogoś, kto wielokrotnie popycha figury na szachownicy. Zaczyna od losowych lokalizacji sadzenia w obrębie zdefiniowanego obszaru, dbając o to, by drzewa nie stały zbyt blisko siebie. Dla danej konfiguracji nakłada przewidywane korony na chmurę docelowych wokseli i oblicza, jak dobrze się pokrywają, korzystając z punktacji nagradzającej wypełnianie pożądanych sześcianów i karzącej rozlewanie się korony w strefy zabronione. Algorytm testuje następnie sąsiednie pozycje dla każdego drzewa, zachowując zmiany, które poprawiają wynik, i odrzucając te, które go pogarszają. Po wielu przebiegach ten proces „wspinania się” stopniowo doprowadza do układów drzew najlepiej wypełniających pożądany wolumen korony.

Testowanie narzędzia na rzeczywistym placu w Monachium

Naukowcy przetestowali swoje podejście na zabudowanym placu w centrum Monachium, otoczonym czteropiętrowymi budynkami i z dość otwartym wnętrzem. Skoncentrowali się na dwóch powszechnych gatunkach miejskich — lipie drobnolistnej (Tilia cordata) i platanie (Platanus × hispanica) — i zbadali różne liczby drzew oraz docelowe wieki, takie jak pięć, siedem czy dziewięć drzew dorastających do 20, 40 lub 60 lat. Narzędzie wygenerowało zoptymalizowane lokalizacje sadzenia i przyszłe kształty koron dla każdego scenariusza. Dla lip najlepsze dopasowanie do docelowej korony dało dziewięć drzew przy założeniu 40-letniej korony. Dla platana najlepiej wypadło dziewięć drzew w wieku 20 lat, osiągając wyższą punktację szybciej w czasie. Co ciekawe, większa liczba drzew lub starszy wiek nie zawsze przynosiły lepsze wyniki, co podkreśla, jak cechy gatunków i ich zwyczaje wzrostu oddziałują z ciasną geometrią ulic i budynków.

Ograniczenia, wyzwania i przyszłe możliwości

Choć potężne, obecne narzędzie ma ograniczenia. Wymaga znacznego czasu obliczeniowego, zostało zwalidowane jedynie na danych z Monachium i skupia się na wzroście nadziemnym, pomijając złożone efekty korzeni, warunków glebowych oraz ukrytej infrastruktury na zdrowie i kształt korony. Używa też ogólnych równań wzrostu, które nie zawsze w pełni uchwycą, jak poszczególne drzewa reagują na lokalne stresy. Mimo to ramy są elastyczne: przyszłe prace mogłyby objąć więcej gatunków, inne miasta oraz inteligentniejsze sposoby generowania docelowej korony w oparciu o cele takie jak redukcja upału, poprawa komfortu czy zachowanie nasłonecznienia dla paneli słonecznych.

Co to oznacza dla bardziej zielonych, chłodniejszych miast

Mówiąc prosto: badanie pokazuje, że możemy teraz projektować drzewa w miastach nie tylko jako punkty na mapie, lecz jako ewoluujące trójwymiarowe, żywe struktury. Wyznaczając jasny cel przestrzenny dotyczący tego, gdzie powinny się znaleźć liście, oraz przewidując, jak różne gatunki będą rosnąć wokół budynków w czasie, TreeML-Planter pomaga planistom wybierać miejsca sadzenia, które dostarczą długotrwałego cienia i chłodzenia dokładnie tam, gdzie są potrzebne, unikając konfliktów z ulicami, widokami i infrastrukturą. W połączeniu z symulacjami klimatu i komfortu takie narzędzia mogą kierować kolejną generacją miejskich lasów — sprawiając, że miasta będą chłodniejsze, zdrowsze i bardziej przyjazne do życia przy każdym starannie posadzonym drzewie.

Cytowanie: 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

Słowa kluczowe: drzewa miejskie, ochładzanie mikroklimatu, projektowanie nasadzeń drzew, trójwymiarowe modelowanie koron, zrównoważony rozwój miast