Landscape architects work on multidisciplinary projects that require effective design decision-making and communication methods. Habitat restoration, for example, involves diverse objectives from professionals and the public that are sometimes in opposition (ecological value vs aesthetic preference). Here we leverage machine learning applications to improve inclusive design collaborations with an AI model for presenting and quantifying conceptual landscape design scenarios. Our goal is to train a model for automating conceptual green space designs that are supported by a quantitative ‘restoration index’. Through generating multiple designs, conceptual scenarios can be re-generated in response to feedback that supports the initial stages of design.
Les architectes paysagistes travaillent sur des projets multidisciplinaires qui nécessitent des méthodes efficaces de prise de décision et de communication. La restauration de l'habitat, par exemple, implique divers objectifs de la part des professionnels et du public qui sont parfois en opposition (valeur écologique contre préférence esthétique). Nous nous appuyons ici sur des applications d'apprentissage automatique pour améliorer les collaborations en matière de conception inclusive grâce à un modèle d'IA permettant de présenter et de quantifier des scénarios conceptuels d'aménagement paysager. Notre objectif est de former un modèle permettant d'automatiser les conceptions d'espaces verts qui s'appuient sur un « indice de restauration » quantitatif. En générant de multiples conceptions, les scénarios conceptuels peuvent être générés à nouveau en réponse au retour d'information qui soutient les étapes initiales de la conception.