Ağaç taç geometrisinin zamansal gelişimini kullanarak ağaç dikme yerleri için 3B hedef odaklı bir optimizasyon aracı

Şehir yaşamı için daha akıllıca ağaç dikmenin önemi

Dünya genelindeki şehirler ısınırken, ağaçlar sokakları daha serin, daha temiz ve daha yaşanılır kılmak için sahip olduğumuz en basit araçlardan biri. Ancak yoğun kentsel alanlarda, alan sınırlı ve binalar uzun gölgeler oluşturduğunda, ağaçları “sığdığı her yere” dikmek sıklıkla onların potansiyelini boşa çıkarır. Bu makale, planlamacıların ağaçların gelecekteki taçlarının doğru yerlere büyümesini sağlayacak şekilde tam olarak nerelere dikilmesi gerektiğine karar vermesine yardımcı olan yeni bir dijital aracı tanıtıyor—on yıllar boyunca gölge, soğutma ve konfor sunarken binalar, sokaklar veya diğer kullanımlarla çakışmayı önlüyor.

İki boyutlu haritalardan üç boyutlu ağaç hedeflerine

Kentsel ağaç planlamasına yönelik önceki çabaların çoğu, ağaçları haritadaki basit daireler gibi ele almış, kaldırımları gölgelendirmek, parkları soğutmak veya bina cephelerini korumak gibi geniş hedeflere odaklanmıştır. Bu yöntemler genellikle tek bir faydayı optimize eder ve basitleştirilmiş ağaç şekillerine dayanır. TreeML-Planter adlı yeni araç, problemi tersine çeviriyor: “Buraya ağaç dikersek ne elde ederiz?” diye sormak yerine, yaprakların en yararlı olduğu üç boyutlu bir hedef—yani uzayda bir hacim—ile başlıyor ve sonra en iyi dikim noktalarını geriye doğru buluyor. Bu hedef, gelecekteki örtünün büyümesi veya büyümemesi gereken yerleri gösteren, yerden yüksekte yüzen küçük küplerden (voxel) oluşan bir bulut olarak temsil ediliyor.

Dijital ağaç planlayıcı nasıl öngörüde bulunuyor

Bu hedef voxel’lere ulaşmak için araç, gerçek ağaçların bir şehrin karmaşık ortamında nasıl büyüyeceğini bilmek zorunda. Tür, yaş ve yakınlardaki bina veya ağaçlara bağlı olarak taç boyutu ve şeklini tahmin etmek için binlerce kentsel ağacın ayrıntılı 3B taramalarında eğitilmiş bir makine öğrenmesi modeli kullanıyor. Bir ızgara üzerindeki her olası dikim noktası için model, tacın zaman içinde yukarıya, yana ve engeller etrafında nasıl genişleyeceğini tahmin ediyor. Bu öngörülen taçlar daha sonra hedefle aynı küp tabanlı sisteme dönüştürülüyor; böylece istenen ile her ağaç düzeninin uzayda gerçekte ne üreteceğini karşılaştırmak mümkün oluyor.

Algoritmanın ağaçları yer değiştirerek sınaması

Hedef örtü ve büyüme tahminleri belirlendikten sonra, TreeML-Planter satranç tahtasında ağaçları tekrar tekrar iten birine benzeyen bir optimizasyon rutinini kullanıyor. Tanımlı bir dikim alanı içinde ağaçların birbirine çok yakın olmamasını sağlayarak rastgele dikim konumlarıyla başlıyor. Belirli bir düzen için, öngörülen taçları hedef küp bulutuyla örtüştürüyor ve istenen küpleri doldurmaya ödül veren, yasak bölgelere taşan örtüyü cezalandıran bir puanlama ile ne kadar iyi eşleştiğini hesaplıyor. Algoritma sonra her ağaç için bitişik noktaları test ediyor, puanı iyileştiren değişiklikleri koruyor, iyileştirmeyenleri eliyor. Birçok çalıştırma boyunca bu “tepe tırmanışı” süreci, arzu edilen örtü hacmini en iyi dolduran ağaç düzenlemelerine kademeli olarak yaklaşıyor.

Aracı gerçek bir Münih meydanında test etmek

Araştırmacılar yakında açık bir iç mekana sahip dört katlı binalarla çevrili merkezi Münih’teki yapılaşmış bir meydanda yaklaşımlarını test etti. Küçük yapraklı ıhlamur (Tilia cordata) ve London plane (Platanus × hispanica) olmak üzere iki yaygın kentsel türe odaklanıp farklı ağaç sayıları ve hedef yaşları, örneğin beş, yedi veya dokuz ağaç ile 20, 40 veya 60 yıllık hedefleri incelediler. Araç her senaryo için optimize edilmiş dikim yerleri ve gelecekteki taç şekillerini üretti. Ihlamurlar için, 40 yıllık taç hedefi olan dokuz ağaç hedef örtüye en iyi uyumu verdi. Platanuslar için ise 20 yaşta dokuz birey en iyi performansı gösterdi ve zamana karşı daha hızlı yüksek bir puana ulaştı. İlginç biçimde, daha fazla ağaç veya daha ileri yaş her zaman daha iyi sonuç vermedi; bu durum tür özelliklerinin ve büyüme alışkanlıklarının sokakların ve binaların sıkışık geometrisiyle nasıl etkileştiğini vurguluyor.

Sınırlar, zorluklar ve gelecekteki olanaklar

Güçlü olmasına rağmen mevcut aracın kısıtları var. Önemli hesaplama süresi gerektiriyor, yalnızca Münih verileriyle doğrulandı ve yeraltı altyapısının, köklerin ve toprak koşullarının ağaç sağlığı ve taç şekli üzerindeki karmaşık etkilerini dışarıda bırakarak yalnızca yer üstü büyümesine odaklanıyor. Ayrıca bireysel ağaçların yerel strese nasıl tepki verdiğini tam yakalayamayabilecek genel büyüme denklemleri kullanıyor. Yine de çerçeve esnek: gelecekteki çalışmalar daha fazla tür, başka şehirler ve ısıyı azaltma, konforu artırma veya güneş panelleri için güneş korumasını sürdürme gibi hedeflere dayalı olarak hedef örtüyü üretmenin daha akıllı yollarını içerebilir.

Daha yeşil, daha serin şehirler için anlamı

Basitçe söylemek gerekirse, bu çalışma artık ağaçları şehirlerde yalnızca bir harita üzerindeki noktalar olarak değil, zaman içinde evrilen üç boyutlu canlı yapılar olarak tasarlayabileceğimizi gösteriyor. Yaprakların nerede sonlanacağına dair net bir mekânsal hedef belirleyerek ve farklı türlerin binalar çevresinde zamanla nasıl büyüdüğünü tahmin ederek, TreeML-Planter planlamacıların tam olarak ihtiyaç duyulan yerlerde uzun ömürlü gölge ve soğutma sağlayacak dikim noktalarını seçmelerine yardımcı oluyor; aynı zamanda sokaklar, manzaralar ve altyapı ile çakışmaları da önlüyor. İklim ve konfor simülasyonlarıyla birleştirildiğinde, bu tür araçlar gelecek nesil kentsel ormanlara rehberlik edebilir—her dikkatle yerleştirilmiş ağaçla şehirleri daha serin, daha sağlıklı ve daha yaşanılır kılmak.

Atıf: 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

Anahtar kelimeler: kentsel ağaçlar, mikroiklim soğutması, ağaç dikimi tasarımı, 3B örtü modelleme, kentsel sürdürülebilirlik