Stand: Oktober 2026
Alle im BlueGreenCity-KI-Framework verfügbaren Features und Kriterien – Kernkriterien, CiTree-Artmerkmale und OBSkH-Strukturparameter – in einer gemeinsamen Tabelle zur Expertenvalidierung und Feature-Auswahl. Die Tabelle wurde auf den Stand des operationellen 2026_10-Modells aktualisiert (Feature-Allowlist ml.training.feature_columns, 54 Features, in config/config.yaml).
Spalte „Kategorie”:
bluegreencity_ki/criteria/)ga_lang → CiTree-Datenbank) angereichert; Ergebnis in citree_match_rule / citree_match_score dokumentiertSpalte „Verwendung”:
| Kategorie | Verwendung | Kriterium | Beschreibung | Einfluss auf Trockenstress | Wissenschaftliche Grundlage | Code-Bezeichnung | GIS-Methode | Datensatz | Datenqualität | Aktualität | Datentyp | Datenquelle / -autor |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kernkriterium | Regelbasiert + AutoML | salt Salzbelastung |
Winterdienstklasse des nächstgelegenen Straßenabschnitts (W0 = kein Winterdienst, W1 = höchste Priorität/Hauptstraßen, W2 = nachrangig/Nebenstraßen) | Chlorid-Ionen erhöhen das osmotische Potenzial im Bodenwasser, hemmen Feinwurzelwachstum und reduzieren Wasseraufnahme; Stressakkumulation steigt mit Streu-Häufigkeit über Winterperioden (Ordóñez-Barona 2018) | Czerniawska-Kusza et al. (2004); Ordóñez-Barona et al. (2018); Miron et al. (2022) | salt_value, salt_risk |
Räumlicher Join: Baumpunkte → Winterdienst-Straßengeometrien via Name-Matching (OSM / ALKIS) | Winterdienst-Straßenverzeichnis 2026 | Vektordaten; 3 Prioritätsklassen; straßenabschnittsgenaue Zuweisung | 2026 | Vektor (CSV + Straßengeometrie) | aha Zweckverband Abfallwirtschaft Region Hannover |
| Kernkriterium | Regelbasiert + AutoML | street_type Straßentyp |
OSM-Straßenklasse des nächstgelegenen Straßenabschnitts (z. B. primary, secondary, residential) | Proxy für kumulative Stressbelastung: Hauptstraßen = mehr Bodenversiegelung, Bodenverdichtung, Verkehrsemissionen und Tausalzeintrag; Czaja et al. (2020): urbane Straßenbäume als Akkumulationspunkte abiotischer Stressfaktoren | Mullaney et al. (2015); Czaja et al. (2020) | street_type_value, street_type_risk |
Attribut-Join: Baumpunkte → OSM-Straßennetz via räumliche Nähe und Name-Matching | OpenStreetMap Straßennetz Hannover; ALKIS Straßenkataster | Vektordaten (Linien); OSM-Klassengenauigkeit abhängig von Kartierungsstand; Jährliche Aktualisierung | Jährlich aktualisiert | Vektor (PostGIS / WFS / GeoPackage) | OpenStreetMap (Overpass API); LGLN Niedersachsen (ALKIS WFS NAS) |
| Kernkriterium | Regelbasiert + AutoML-Kandidat (A/B) | age Bestandsalter |
Bestandsalter in Jahren, berechnet aus Pflanzjahr oder stückweise linearer Schätzung aus Stammumfang | Junge Bäume (<5 Jahre): insuffizientes Wurzelsystem in der Etablierungsphase; sehr alte Bäume: eingeschränkte hydraulische Kapazität; Interaktion von Alter × Bodenvolumen bestimmt standortspezifische Wasserbilanz (Rosenberger 2024) | Rosenberger et al. (2024); Haase et al. (2022); Tams et al. (2025) | age_value, age_source, age_reference_year, age_risk |
Tabellarisch: Differenz aus Referenzjahr und Pflanzjahr; Stammumfang als Proxy bei fehlenden Pflanzjahrdaten (stückweise lineare Tabelle, SGA Hannover 2024) | Baumkataster Hannover (historischer CSV-Auszug 2010–2025) | Vollständigkeit abhängig von Erfassung des Pflanzjahres; Stammumfang als Fallback | Laufend (bis 2025) | Tabellarisch (CSV) | Landeshauptstadt Hannover (LHH), Fachbereich Umwelt und Stadtgrün |
| Kernkriterium | Regelbasiert | vitality Vitalität |
Vitalitätsstufe nach Kronenzustandserhebung (Stufen 0–5: 0 = unbekannt/neutral, 1 = vital, 2 = leicht beeinträchtigt, 3 = mäßig beeinträchtigt, 4 = stark beeinträchtigt, 5 = abgestorben) | Vorgeschädigte Bäume zeigen reduzierte hydraulische Leitfähigkeit und erhöhtes Xylem-Embolie-Risiko (Choat 2018); geringes Wachstum ist eigenständiger Mortalitätsprädiktor bei Dürre (DeSoto 2020) | Choat et al. (2018); DeSoto et al. (2020); Marchin et al. (2022) | vitality_value, vitality_risk |
Tabellarisch: direkt aus Inventarfeld des Baumkatasters | Baumkataster Hannover | Expertenbasierte Felderhebung; qualitative Klasseneinteilung | Laufend (bis 2025) | Tabellarisch (CSV) | LHH, Fachbereich Umwelt und Stadtgrün |
| Kernkriterium | Regelbasiert + AutoML | planting_structure Pflanzstruktur |
Anzahl benachbarter Bäume im 25-m-Radius des Baumstandorts | Intra- und interspezifische Konkurrenz um Bodenwasser verstärkt Trockenstress; Gleason et al. (2017): Konkurrenz amplifiziert Dürrewirkung; Castagneri et al. (2021): geringere Wachstumsresilienz bei hoher Bestandsdichte | Gleason et al. (2017); Castagneri et al. (2021) | planting_structure_neighbor_count, planting_site_tree_count, planting_structure_method, planting_structure_risk |
Räumliche Pufferanalyse: 25-m-Radius um jeden Baumpunkt, Zählung aller Nachbarbäume (Selbst-Join auf Baumpunktlayer) | Baumkataster Hannover (Punktgeometrien) | Geometriegenauigkeit der Baumpunkte (EPSG:25832) | Laufend (bis 2025) | Vektor (Punktlayer) | LHH, Fachbereich Umwelt und Stadtgrün |
| Kernkriterium | Regelbasiert + AutoML | air_temperature_day Tageslufttemperatur |
Modellierte Lufttemperatur am Baumstandort um 14:00 Uhr in °C (in 2 m Höhe) | Erhöhte Lufttemperatur steigert atmosphärisches Dampfdruckdefizit (VPD) und Evapotranspirationsanforderung; Zipper et al. (2017): UHI erhöht ET-Anforderung in Städten signifikant über Umlandniveau | Zipper et al. (2017); Haase et al. (2022) | m_air_temp_14h_value, air_temperature_day_risk |
Raster-Punktabfrage (optional: zonale Statistik im Kronenpuffer) am Baumstandort | Klimaanalyse Hannover 2022 – Lufttemperatur 14h (FITNAH 3D Mikroklimamodell) | Raster, 10 m Auflösung; modellbasiert (FITNAH 3D) | 2022 | Raster (GeoTIFF) | Stadt Hannover; geo-net Umweltconsulting GmbH |
| Kernkriterium | Regelbasiert + AutoML | air_temperature_night Nachtlufttemperatur |
Modellierte Lufttemperatur am Baumstandort um 04:00 Uhr in °C (in 2 m Höhe) | Hohe Nachttemperaturen verhindern Stomata-Erholung, erhöhen Dunkelatmungsrate und verhindern physiologische Regeneration; kumulativer Hitzestress steigt mit Dauer der Tropennächte (Marchin 2022) | Zipper et al. (2017); Marchin et al. (2022) | m_air_temp_04h_value, air_temperature_night_risk |
Raster-Punktabfrage am Baumstandort | Klimaanalyse Hannover 2022 – Lufttemperatur 04h (FITNAH 3D) | Raster, 10 m Auflösung; modellbasiert | 2022 | Raster (GeoTIFF) | Stadt Hannover; geo-net Umweltconsulting GmbH |
| Kernkriterium | Regelbasiert + AutoML-Kandidat (A/B) | uhi_intensity Urban-Heat-Island-Effekt |
Wärmeinseleffekt: Abweichung der bodennahen nächtlichen Lufttemperatur vom Grün-/Freiflächenmittel (14,8 °C) in K | Starker Wärmeinseleffekt = geringe nächtliche Abkühlung; Wärmespeicherung in versiegelten Oberflächen erhöht nächtliche Bodentemperatur und Transpirationsanforderung (direkte Bewertung: höherer Effekt = höheres Risiko) | Zipper et al. (2017); Fini et al. (2017) | m_uhi_intensity_value, m_uhi_source, uhi_intensity_risk |
Raster-Abfrage der komplementären GEONET-Wärmeinselraster (Siedlungsraum + Verkehr); Bäume außerhalb = Grünflächenreferenz (0 K) | Klimaanalyse Hannover 2022 – Wärmeinselraster Siedlungsraum & Verkehr (GEONET) | Raster, 10 m Auflösung; modellbasiert; zwei komplementäre Rasterebenen | 2022 | Raster (GeoTIFF, 2 Ebenen) | Stadt Hannover; geo-net Umweltconsulting GmbH |
| Kernkriterium | Regelbasiert + AutoML | land_use Landnutzung |
Landnutzungsklasse am Baumstandort (10 Klassen; z. B. Baum über Versiegelung, Gebäude, Freiland) | Vollversiegelte Standflächen blockieren Regenwasserversickerung und erhöhen Bodentemperatur; Fini et al. (2017): Bodenversiegelung als Haupttreiber urbaner Baumstressakkumulation; höchstes Risiko bei Asphaltierung und Bebauung | Mullaney et al. (2015); Fini et al. (2017); Rosenberger et al. (2024) | land_use_value, land_use_label, planting_site_surface_type, planting_site_area_m2, land_use_score_source, land_use_risk |
Raster-Punktabfrage am Baumstandort (kategorisches Raster) | Klimaanalyse Hannover 2022 – Nutzungsklassifikation | Raster, 10 m Auflösung; 10 Nutzungsklassen (kategorisch) | 2022 | Raster (GeoTIFF, kategorisch) | Stadt Hannover; geo-net Umweltconsulting GmbH |
| Kernkriterium | Regelbasiert | albedo Oberflächenalbedo |
Reflexionsgrad der Oberfläche am Baumstandort (dimensionslos, konfigurierter gültiger Bereich 0.0–1.2; höhere Albedo = hellere Fläche) | Dunkle Beläge (niedrige Albedo) absorbieren mehr Strahlung und erhöhen Oberflächen- und Lufttemperatur; Cheela et al. (2021): Baumschatten kann Belagstemperatur um bis zu 32 °C senken | Cheela et al. (2021); Fini et al. (2017) | albedo_value, albedo_risk |
Raster-Punktabfrage am Baumstandort; Skalierung: Rohwert × 0,001 | UrbanGreenEye Hannover – Sentinel-2-Albedo 2024 | ~10 m (nach Sentinel-2-Verarbeitung); kontinuierlicher Reflexionsgrad | 2024 | Raster (GeoTIFF) | UrbanGreenEye / ILA Hannover; Sentinel-2 (ESA/Copernicus) |
| Kernkriterium | Regelbasiert | ndvi Vegetationsindex |
NDVI-Wert am Baumstandort (jahresspezifisch aus nächstverfügbarem CIR-Orthofoto); Alter des verwendeten Rasters in Jahren; Verfügbarkeitsflag | NDVI-Rückgang spiegelt Blattflächenverlust, Chlorophyll-Abbau und Photosynthesereduktion unter Trockenstress wider; Leisenheimer et al. (2024): Sentinel-2 NDVI validiert als Frühindikator für Trockenstressschäden an Stadtbäumen | Leisenheimer et al. (2024); Miller et al. (2022) | ndvi_value_2024, ndvi_value_2020, ndvi_value_current, ndvi_change_2020to2024, ndvi_age_years, ndvi_available, ndvi_risk |
Raster-Punktabfrage (jahresspezifische Rasterzuweisung: 2020 für Snapshots 2020–2023, 2024 für 2024–2026); NDVI = (NIR − Rot) / (NIR + Rot) aus CIR-Bändern | Digitale Orthophotos CIR 20 cm, NDVI-Ableitung (2020: TDOP, 2024: DOP) | 20 cm Bodenauflösung; NDVI aus NIR-Band 1 und Rot-Band 2 der CIR-Aufnahme | 2020 und 2024 (zwei Aufnahmezeitpunkte) | Raster (GeoTIFF, je Jahr) | Landeshauptstadt Hannover / LGLN Niedersachsen |
| Kernkriterium | Regelbasiert | pit_size Baumscheibengröße / Wurzelraum |
Größenklasse des verfügbaren Wurzelraums am Baumstandort (9 Kategorien; z. B. kleiner als 2×2 m, größer als 3×3 m, vollständig unversiegelt) | Verfügbares Bodenvolumen begrenzt Gesamtwasservorrat; Kluge et al. (2024): Wasserdefizit ab ca. 9 m³ Bodenvolumen nachweisbar; Lindsey (1992): mind. 30 m³ für stressfreies Langzeitwachstum empfohlen | Lindsey et al. (1992); Kluge et al. (2024); Tams et al. (2025) | pit_size_value, pit_size_risk |
Tabellarisch: direkt aus Inventarfeld pit_size des Baumkatasters |
Baumkataster Hannover | Kategorische Felderhebung (9 Klassen); Vollständigkeit abhängig von Erfassung | Laufend (bis 2025) | Tabellarisch (CSV) | LHH, Fachbereich Umwelt und Stadtgrün |
| Kernkriterium | Regelbasiert | tree_disc Baumscheibenbedeckung |
Art der Baumscheibenbedeckung (13 Kategorien; z. B. bewachsen, Baumrost, Asphalt, undurchlässig) | Versiegelte oder verdichtete Baumscheibe blockiert Regenwasserversickerung in den Wurzelraum und erhöht Bodenverdichtung; Fini et al. (2017): Flächenversiegelung limitiert Wasserverfügbarkeit stärker als atmosphärische Trockenheit allein | Fini et al. (2017); Mullaney et al. (2015) | tree_disc_value, tree_disc_risk |
Tabellarisch: direkt aus Inventarfeld tree_disc des Baumkatasters |
Baumkataster Hannover | Kategorische Felderhebung (13 Klassen) | Laufend (bis 2025) | Tabellarisch (CSV) | LHH, Fachbereich Umwelt und Stadtgrün |
| Kernkriterium | Regelbasiert + AutoML | cold_air Kaltluftproduktion |
Kaltluftproduktionsrate (KPR, m³/m²/h) und Kaltluftvolumenstrom (KVS, m³/m/s) am Baumstandort | Gebiete mit hoher Kaltluftproduktion kühlen nächtlich stärker ab und reduzieren kumulativen Hitzestress; Tams et al. (2023): mikroklimatische Kühlung durch Beschattung reduziert Evapotranspiration und Wasserstress signifikant | Zipper et al. (2017); Tams et al. (2023) | m_cold_air_kpr_value, m_cold_air_kpr_risk, m_cold_air_kvs_value, m_cold_air_kvs_risk, cold_air_risk |
Raster-Punktabfrage an zwei separaten Rasterebenen; kombinierter Score als Gewichtungssumme KPR + KVS | Klimaanalyse Hannover 2022 – KPR + KVS (FITNAH 3D) | Raster, 10 m Auflösung; modellbasiert (FITNAH 3D); zwei Rasterebenen | 2022 | Raster (GeoTIFF, 2 Ebenen) | Stadt Hannover; geo-net Umweltconsulting GmbH |
| Kernkriterium | Regelbasiert | field_capacity Feldkapazität / Bodenfeuchte |
Nutzbare Feldkapazität des effektiven Wurzelraums (NFKWe) in mm | Niedrige Feldkapazität limitiert pflanzenverfügbares Bodenwasser (nFK = FK − PWP); Fu et al. (2024): kritische Bodenfeuchte-Schwellenwerte für Pflanzenwasserstress global nachgewiesen; Kluge et al. (2024): nFKWe als primäre Stressgröße am Stadtbaumstandort | Meusburger et al. (2022); Kluge et al. (2024); Schütt et al. (2022) | field_capacity_value, field_capacity_label, field_capacity_source, field_capacity_risk |
WFS-Polygonverschneidung: Baumstandorte verschnitten mit BK50-Bodenpolygonen; Junganlagen (Pflanzjahr > 2015, strikte Ungleichheit) erhalten Standardwert 170 mm | Bodenkundliche Karte 1:50.000 (BK50), Schicht L839 | Maßstab 1:50.000; WFS-Polygondaten; generalisierende Bodeneinheiten | Statisch | Vektor (WFS → GeoPackage) | LBEG – Landesamt für Bergbau, Energie und Geologie Niedersachsen |
| Kernkriterium | Regelbasiert + AutoML | groundwater Grundwassertiefe (Flurabstand) |
Aktuellster mittlerer Flurabstand in m; Langzeitmedian; Maximum (ungünstigster Wert); Standardabweichung der Jahreswerte | Kapillarer Wasseraufstieg aus flachem Grundwasser puffert Trockenstress; Kluge et al. (2024): kapillarer Aufstieg kann Trockenstress um bis zu 45 Tage verzögern; Fan et al. (2017): Grundwassertiefe reguliert effektive Wurzeltiefe global | Kluge et al. (2024); Fan et al. (2017); Fan et al. (2013) | groundwater_level_latest, groundwater_level_median, groundwater_level_max, groundwater_level_std, groundwater_trend, groundwater_trend_adjustment, groundwater_risk |
Ordinary Kriging (scipy, exponential-Variogramm) von Messstellen auf Baumpunkte; IDW als Fallback (config interpolation_method: "kriging"); max. Suchradius 5 km, mind. 3 Nachbarn; Zeitreihenfilter auf Snapshots ≤ Referenzjahr |
Grundwasserstand / Flurabstand Hannover (CSV-Jahresdateien); Grimm-Strele 20-Jahres-Trendkarte (optional) | Ca. 200 Messstellen im Stadtgebiet; Ordinary Kriging (IDW als Fallback); jahrweise Mittelwerte des Flurabstands | Jährlich (2020–2025 verfügbar; 2018–2019 ausstehend) | Punktdaten (CSV) + Kriging-Interpolation (IDW als Fallback) | Landeshauptstadt Hannover (LHH), Grundwassermessnetz |
| Kernkriterium | Regelbasiert + AutoML | sky_view_factor Himmelsöffnungsgrad (SVF) |
Himmelsöffnungsgrad am Baumstandort (0 = vollständig durch Gebäude/Vegetation verdeckt, 1 = freier Himmel) | Hoher SVF = geringe Gebäudebeschattung = mehr direkte Sonneneinstrahlung und thermische Belastung; Dirksen et al. (2019): SVF stark korreliert mit nächtlicher Lufttemperatur; Yan et al. (2022): SVF erklärt intra-urbane Temperaturunterschiede | Dirksen et al. (2019); Tams et al. (2023) | m_svf_value, sky_view_factor_risk |
Raster-Punktabfrage; SVF-Raster vorab abgeleitet aus DGM1 + Gebäude LOD2 (Schattenmodell, bluegreencity_ki/criteria/building_shading.py) |
SVF Hannover 2026 (projektintern berechnet aus DGM1 2023 + LOD2-Gebäuden) | 1 m Bodenauflösung (DGM1-Basis); Schattenmodell berücksichtigt Gebäude und Geländerelief | 2026 (Berechnung); Basisdaten: 2023 (DGM1) | Raster (GeoTIFF) | Basisdaten: LGLN Niedersachsen (DGM1, 2023); LHH (LOD2-Gebäude); Berechnung: BlueGreenCity-KI Projekt |
| Kernkriterium | Regelbasiert + AutoML (Frühling, Sommer, Herbst; Winter nicht verwendet) | sunlit_hours Besonnungsdauer |
Besonnungsdauer in Stunden für drei astronomische Stichtage: Frühlingsäquinoktium (20. März), Sommersonnenwende (21. Juni), Herbstäquinoktium (22. September) | Längere Besonnung erhöht Energieeintrag, Stomataöffnungszeit und Transpirationsrate; Tams et al. (2023): Beschattungsreduktion erhöht Evapotranspiration und Wasserstress signifikant; Li et al. (2018): Besonnungsdauer als Schlüsselgröße des urbanen Mikroklimas | Tams et al. (2023); Li et al. (2018) | m_sunlit_hours_value (Vegetationsperiode-Mittel: Frühling/Sommer/Herbst), m_sunlit_hours_spring, m_sunlit_hours_summer, m_sunlit_hours_autumn, sunlit_hours_risk (Winter-Raster aktuell nicht konfiguriert) |
Raster-Punktabfrage; Besonnungsraster für 4 Stichtage vorab aus DGM + LOD2-Schattenmodell abgeleitet (building_shading.py) |
Besonnungsdauer Hannover – 4 astronomische Stichtage | 1 m-basiertes Schattenmodell; Stundengenauigkeit; stichtagsspezifische Berechnung | Statisch (Schattenmodell, nicht jahresspezifisch) | Raster (GeoTIFF, 4 Stichtagsraster) | Basisdaten: LGLN Niedersachsen (DGM); LHH (LOD2-Gebäude); Berechnung: BlueGreenCity-KI Projekt |
| Kernkriterium | Regelbasiert + AutoML | dwsi DWSI-Vitalitätsindex (UrbanGreenEye) |
UrbanGreenEye-Sommerkomposit: DWSI-Änderung ((B08 + B03) / (B11 + B04)) relativ zu einem „gesunden” Referenzwert (Referenzperiode 2016–2018, LUP); negative Werte = Vitalitätsverlust (Trockenstress), positive Werte = natürliche Variabilität/Wachstum | Fernerkundungs-Proxy für Kronenwasserstress: Vitalitätsverlust (negativer DWSI) zeigt Dürrestress an; niedrigerer Vitalitätsindex → höheres Trockenheitsrisiko (inverse lineare Abbildung) | dwsi_summer_value, dwsi_source_year, dwsi_risk |
Raster-Punktabfrage (jahresbewusst: aktives Raster via params.yearly_sources zum Feature-Referenzjahr); inverse lineare Transformation (Sample-Perzentile 5/95); Cloud-Maskwert 5000 → NaN |
UrbanGreenEye DWSI-Sommerkomposite (jährliche Raster 2018–2025) | int32-Raster; wolkenmaskierte/ungültige Pixel (Wert 5000) → NaN; negative Werte sind gültig (Vitalitätsverlust); 2018-Produkt überlappt teilweise die Referenzperiode (verzerrt Richtung Null) | Jährlich (2018–2025; jahresbewusste Zuweisung) | Raster (GeoTIFF, je Jahr) | UrbanGreenEye (LUP) | |
| Kernkriterium | Regelbasiert + AutoML (Gewicht 0.0; neutrales Kontextfeature) | seasonal_weather Saisonales Wetter (DWD) |
Jahresbezogenes Wetter pro Baum aus DWD-1-km-Rastern (nächste 1-km-Zelle): Niederschlag Mai–Okt. und Nov.–Apr. (mm), mittlere Temperatur Mai–Okt. (°C), FAO-56-Referenzevapotranspiration ET0 Mai–Okt. (mm), Trockenheitsindex P/ET0 Mai–Okt. und seine Anomalie gegenüber der 1991–2020-Klimatologie | Trockene/hotze Jahreszeiten (niedriges P/ET0, negative Anomalie) begünstigen Trockenstress; liefert jahresspezifischen Wetterkontext für AutoML-Training und Pipeline-Outputs (regelbasiert bewusst neutral) | Trockenheitsindex AI = P/ET0 (UNCCD-Standard); FAO-56 Penman-Monteith-Referenzevapotranspiration | precip_may_oct_mm, precip_nov_apr_mm, temp_mean_may_oct_c, et0_may_oct_mm, p_et0_ratio_may_oct, p_et0_ratio_anomaly_may_oct, seasonal_weather_risk |
Pro Baum: nächste 1-km-DWD-Zelle (cKDTree, EPSG:25832) + jahresspezifische Zeilen-Zuweisung nach tree_id aus abgeleitetem CSV (kein city-weites Fallback) | DWD HYRAS 1 km (Niederschlag, Temperatur) + DWD FAO-ET0 1 km; abgeleitetes data/derived/ml/tree_seasonal_weather.csv |
Nur vollständige Mai–Okt.-Saisons (184 Tage) geschrieben; im CSV fehlende Bäume = NaN; Anomalie = NaN bei fehlender Klimatologie-Datei | Jährlich (letztes vollständiges Wetterjahr) | Tabellarisch (CSV, pro Baum und Jahr) | Deutscher Wetterdienst (DWD) |
| Kernkriterium | Verfügbar (kein aktives Modell) (Gewicht 0.0; gk25_material_class nicht in der 2026_10-Allowlist) |
gk25 Geologie (GK25, oberflächennahe Untergrundgeologie) |
Materialklasse der obersten geologischen Schicht (bis 2 m Tiefe) aus der Geologischen Karte Niedersachsen 1:25.000 (GK25, Detailkartierung): 9 Klassen (anthropogen, Kies, Sand, Misch-Lehm/Sand, Schluff-Lehm, Ton, Torf, Fels, Wasser) → Risiko-Score | Schnell drainierende Sande und Kieste erhöhen Trockenstress; Schluffe, Lehm und Löss speichern pflanzenverfügbares Wasser | PREUSS et al. (1991): Symbolschlüssel Geologie (Klassifikation der SCHICHTEN-Zeichenkette via 10 Prioritätsregeln) | gk25_material_class, gk25_schichten, gk25_klartext, gk25_risk |
WFS-Volldownload (LBEG NIBIS; Server ignoriert BBOX/FES-Filter) + clientseitiges BBOX-Clipping, GPKG-Cache (365 Tage); räumlicher Join (intersects) Baumpunkte → GK25-Polygone; Parsing der „über”-getrennten Schichtenzeichen (oberste Schicht) | GK25 – Geologische Karte Niedersachsen 1:25.000, Detailkartierung (cls:L160); ~1.780 Polygone im Stadtgebiet Hannover (TK25 3523–3725) | Nur naturgeologischer Untergrund (Vor-Entwicklungs-Zustand in bebauten Gebieten); nur oberste Schicht; 0 unklassifizierbare Polygone in der Hannover-Verteilung | Statisch (Cache 365 Tage) | Vektor (WFS → GPKG) | LBEG (CC BY 4.0) |
| Kernkriterium | AutoML-Kandidat (A/B) (Gewicht 0.0) | subway_tunnel U-Bahn-/Stadtbahntunnel |
Distanz zum nächstgelegenen unterirdischen Stadtbahn-Tunnelsegment (Overture Maps: subtype=rail, class=subway, is_tunnel); ≤ 15 m → 0.8, ≤ 30 m → 0.5, > 30 m → 0.1 | Tunnel begrenzen das verfügbare Wurzelraumvolumen, können als lokale Entwässerung wirken (Grundwasserabsenkung) und erwärmen das umgebende Erdreich → erhöhter Trockenstress für nahegelegene Straßenbäume | subway_tunnel_dist_m, subway_tunnel_risk |
sjoin_nearest (Baumpunkte → Tunnelsegmente, EPSG:25832); Distanz-Break-Scoring; 39 Tunnelsegmente (~29,7 km), GPKG-Cache (365 Tage, Stale-Cache-Fallback) | Overture Maps Transportation Theme (GeoParquet, Schiene/U-Bahn) | OSM-abgeleitete Kartierungsqualität; nur 2D-Distanz (Tunneltiefe wird nicht berücksichtigt) | Statische Infrastruktur (Cache 365 Tage) | Vektor (GeoParquet → GPKG) | Overture Maps | |
| Kernkriterium | Verfügbar (kein aktives Modell) (Gewicht 0.0) | construction_sites Baustellen |
Distanz zur nächstgelegenen aktiven Straßenbaustelle (OSM highway=construction); ≤ 25 m → 0.7, > 25 m → 0.1; keine aktiven Baustellen → 0.1 für alle Bäume |
Bauarbeiten beschädigen Wurzeln, verdichten das Erdreich, verändern den lokalen Wasserhaushalt und reduzieren häufig den Zugang zu Bewässerung – vorübergehende, aber bedeutsame Stressfaktoren | construction_dist_m, construction_sites_risk |
Frischer OSM-Fetch bei jedem Lauf (osmnx, Overpass-Fallback; bewusst ohne Cache – temporäre Daten); sjoin_nearest; Distanz-Break-Scoring | OpenStreetMap, Linienfeatures highway=construction (~96 Ways in Hannover, Stand 07/2026) |
OSM-Kartierungsqualität und -Zeitversatz; nur Linienfeatures (Baustellenflächen landuse=construction nicht evaluiert); Score spiegelt den OSM-Zustand zur Laufzeit wider |
Pro Pipeline-Lauf (frischer Fetch) | Vektor (OSM/Overpass) | OpenStreetMap | |
| CiTree | Regelbasiert + AutoML | drought_tolerance Trockenheitstoleranz |
Artspezifische Trockenheitstoleranz-Klasse (5 Stufen: sehr tolerant bis verträgt keine Trockenheit); CiTree-Rohattribut wird vom Kriteriumsmodul drought_tolerance zu gewichtetem Score und AutoML-Feature verarbeitet |
Artspezifische physiologische Grundtoleranz gegenüber Trockenstress; direkter artspezifischer Prädiktor | citree_trockenheitstoleranz, drought_tolerance_value, drought_tolerance_risk |
Tabellarisch: Lookup ga_lang → CiTree via mehrstufigem Fuzzy-Matching (botanischer Name, Gattung, Trivialname, Sorte); Kriteriumsmodul mappt Klasse auf Score (Mapping-Tabelle in config.yaml) |
CiTree-Artendatenbank (citree_species_criteria.csv) | Artbezogene Experteneinschätzung; 5 Klassen; Abdeckung abhängig von Artverfügbarkeit in CiTree | Statisch (Abruf via scripts/extract_citree_species_catalog.py) |
Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees (citree.de) | |
| CiTree | Regelbasiert + AutoML | heat_tolerance Hitzeverträglichkeit |
Artspezifische Hitzeverträglichkeit (3 Klassen: gut, mittel, schwach); CiTree-Rohattribut wird vom Kriteriumsmodul heat_tolerance zu gewichtetem Score verarbeitet |
Artspezifische Toleranz gegenüber Hitzestress als Kofaktor des Trockenstressrisikos | citree_hitzevertraeglichkeit, heat_tolerance_value, heat_tolerance_risk |
Tabellarisch: Lookup ga_lang → CiTree via mehrstufigem Fuzzy-Matching; Kriteriumsmodul mappt Klasse auf Score (Mapping-Tabelle in config.yaml) |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; 3 Klassen | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Lichtanspruch | Artspezifischer Lichtbedarf | Lichtliebende Arten oft trockentoleranter; Proxy für mikroklimatische Standortanpassung und Evapotranspirationsrate | citree_lichtanspruch |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Bodenfeuchtetoleranz | Artspezifische Reaktion auf Bodenfeuchtebedingungen | Direkter Indikator für artspezifische Empfindlichkeit gegenüber Bodentrockenheit; komplementär zu drought_tolerance |
citree_bodenfeuchtetoleranz |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Bodenverdichtungstoleranz | Artspezifische Toleranz gegenüber Bodenverdichtung | Bodenverdichtungstolerante Arten kommen mit eingeschränkter Wasserinfiltrationskapazität besser zurecht | citree_bodenverdichtungstoleranz |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Staunässetoleranz | Artspezifische Toleranz gegenüber Staunässe | Staunässetolerante Arten oft trockenheitsempfindlicher; negativer Prädiktor für Trockenstressgefährdung | citree_staunaessetoleranz |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Salzverträglichkeit | Artspezifische Salztoleranz | Artspezifische Salztoleranz als Kofaktor zum standortbezogenen salt-Kriterium; Kombination beider erklärt Chloridstressrisiko besser |
citree_salzvertraeglichkeit |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Gründigkeit | Artspezifischer Bedarf an Bodengründigkeit (Wurzelraumtiefe) | Bevorzugte Bodengründigkeit beeinflusst Wurzeltiefe und Zugang zu Wasserreserven in tieferen Schichten | citree_grundigkeit |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Bodeneigenschaft | Bevorzugte Bodeneigenschaft (z. B. locker, humos, lehmig) | Proxy für Standortmatch zwischen Bodentyp und Arteigenschaften; beeinflusst Wasserverfügbarkeit und Kapillarwirkung | citree_bodeneigenschaft |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | AutoML-Kandidat (A/B) | Krankheiten / Schädlinge | Artspezifische Krankheits- und Schädlingsanfälligkeit | Krankheiten und Schädlinge als Stressmultiplikator; vorgeschädigte Bäume sind gegenüber Trockenstress vulnerabler | citree_krankheiten_schaedlinge |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Verfügbar (kein aktives Modell) | Wuchsgeschwindigkeit | Artspezifische Wuchsgeschwindigkeit | Schnellwüchsige Arten haben höheren Wasserbedarf; gleichzeitig oft bessere Erholungsfähigkeit nach Trockenstress | citree_wuchsgeschwindigkeit |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Verfügbar (kein aktives Modell) | Kronendurchlässigkeit | Artspezifische Lichtdurchlässigkeit der Krone | Dichte Krone = hohe Transpirationsrate und Niederschlagsinterzeption = erhöhter Wasserbedarf; Einfluss auf Bodenbeschattung | citree_kronendurchlaessigkeit |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Kronenform | Artspezifische Kronenform (z. B. kugelig, säulenförmig, ausladend) | Kronenform beeinflusst Schattenwurf, Niederschlagsinterzeption, Windlast und Evapotranspirationsrate | citree_kronenform |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| CiTree | Regelbasiert + AutoML | Oberflächennahe Wurzeln | Artspezifische Neigung zur oberflächennahen Bewurzelung | Oberflächennahe Bewurzelung = Anpassung an flache oder verdichtete Böden; erhöhte Vulnerabilität bei oberflächlicher Trockenheit und Hitzestress | citree_oberflaechennahe_wurzeln |
Tabellarisch: Lookup ga_lang → CiTree |
CiTree-Artendatenbank | Artbezogene Experteneinschätzung; kategorisch | Statisch | Tabellarisch (CSV) | CiTree – Species Trait Database for Urban Trees | |
| OBSkH | Verfügbar (kein aktives Modell) | Baumhöhe | Baumhöhe in Metern (aus LiDAR-Punktwolke) | Höhere Bäume haben mehr Blattmasse und damit höheren Wasserbedarf; Proxy für Verdunstungspotenzial und Vegetationsphase | obskh_hoehe |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m): Baumstandort → OBSkH-Shapefile | OBSkH – Oberflächenbasierte Stadtbaumkartierung Hannover (pkt_baeume_obskh.shp, Stand 29.07.2025) | Numerisch (Meter); LiDAR-abgeleitet; Genauigkeit abhängig von Punktwolkendichte und Klassifikation | 2025 (einmalige Befliegung) | Vektor (Shapefile, Punkt) | Landeshauptstadt Hannover (LHH); LiDAR-Punktwolkenauswertung | |
| OBSkH | Verfügbar (kein aktives Modell) | Kronendurchmesser | Kronendurchmesser in Metern | Direkt proportional zur Evapotranspirationsfläche; größere Krone = höherer Gesamtwasserbedarf; ergänzt Katasterwert crown_diameter |
obskh_krone |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (Meter); Plausibilitätsfilter max. 25 m; Extremwerte auf NaN gesetzt | 2025 | Vektor (Shapefile, Punkt) | LHH; LiDAR-Auswertung | |
| OBSkH | Verfügbar (kein aktives Modell) | Stammdurchmesser | Stammdurchmesser in Metern (aus Punktwolke) | Proxy für Baumgröße, Alter und Speicherkapazität (Stamm als Wasserreservoir bei kurzfristiger Trockenheit) | obskh_stamm |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (Meter); ergänzend zum Stammumfang aus Baumkataster | 2025 | Vektor (Shapefile, Punkt) | LHH; LiDAR-Auswertung | |
| OBSkH | Verfügbar (kein aktives Modell) | Baumschutzsatzung | Baumschutzstatus (True/False) | Kein direkter Risikobezug; Managementrelevanz (geschützte Bäume erhalten höhere Pflegepriorität); potenzielle Selektionsverzerrung im Trainingsdatensatz | obskh_bsatzung |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Binär (bool) | 2025 | Vektor (Shapefile, Punkt) | LHH | |
| OBSkH | Verfügbar (kein aktives Modell) | Lageklasse | Standortqualitätsklasse (1–4; genaue Bedeutung s. Issue #123) | Potenzielle Proxy-Variable für Standortexposition, Bodenstress oder Pflegepriorität; Interpretation ausstehend | obskh_lageklasse |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Ordinal (1–4); Klassenbedeutung noch nicht vollständig dokumentiert (Issue #123) | 2025 | Vektor (Shapefile, Punkt) | LHH | |
| OBSkH | Verfügbar (kein aktives Modell) | Höhendifferenz (nDSM) | Höhendifferenz aus normalisiertem Digitalen Oberflächenmodell | Positionierung des Baums im städtischen Höhenprofil; Einfluss auf Windexposition und Wärmeabstrahlung | obskh_heightDiff |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (Meter); nDSM-abgeleitet; genaue Definition noch zu klären (Issue #123) | 2025 | Vektor (Shapefile, Punkt) | LHH; nDSM-Auswertung | |
| OBSkH | Verfügbar (kein aktives Modell) | Kronenprojektionsfläche | Kronenprojektionsfläche in m² | Direkt proportional zur Evapotranspiration und Schattenwurffläche; Wasserbedarfsindikator mit höherer räumlicher Präzision als Kronendurchmesser | obskh_area |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (m²); aus LiDAR-Kronensegmentierung | 2025 | Vektor (Shapefile, Punkt) | LHH; LiDAR-Auswertung | |
| OBSkH | Verfügbar (kein aktives Modell) | Kronenvolumen | Kronenvolumen in m³ | Gesamtbiomasse der Krone; direkt mit Transpirationsrate, Wasserverlust und Wärmespeicherung korreliert | obskh_volume |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (m³); 3D-Kronensegmentierung aus Punktwolke | 2025 | Vektor (Shapefile, Punkt) | LHH; LiDAR-Auswertung | |
| OBSkH | Verfügbar (kein aktives Modell) | Mittlerer NDVI (Kronenfläche) | Mittlerer NDVI über die gesamte Kronenprojektionsfläche | Flächengemittelter Vitalitätsindikator; komplementär zu ndvi_value_current (Einzelpunkt); höhere räumliche Repräsentativität für die Kronenvitalität |
obskh_meanNDVI |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m); NDVI-Mittelung aus LiDAR-Kronensegment | OBSkH (pkt_baeume_obskh.shp); Grundlage: CIR-Orthofoto 2024 | Kontinuierlich (NDVI-Skala); integriert über Kronenfläche | 2025 | Vektor (Shapefile, Punkt) | LHH; LiDAR + CIR-Fusion | |
| OBSkH | Verfügbar (kein aktives Modell) | Mittlerer Green-Red-Index | Mittlerer GRI (Green-Red-Index) über Kronenfläche | GRI als Stressindikator für Photosyntheseleistung; sensitiv für frühe Chloroseentwicklung vor sichtbarer Vergilbung | obskh_meanGRI |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp); Grundlage: RGB-Orthofoto 2024 | Kontinuierlich (GRI-Skala); integriert über Kronenfläche | 2025 | Vektor (Shapefile, Punkt) | LHH; RGB-Fernerkundung | |
| OBSkH | Verfügbar (kein aktives Modell) | Gebäudeabstand | Abstand zum nächsten Gebäude in Metern | Abstand zu Gebäuden = Proxy für Beschattung, Windschutz und Hitzeinsel-Exposition; ergänzt SVF-Kriterium | obskh_distToBd |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (Meter) | 2025 | Vektor (Shapefile, Punkt) | LHH; LOD2-/Gebäudeanalyse | |
| OBSkH | Verfügbar (kein aktives Modell) | LiDAR-Punktanzahl in Krone | Anzahl LiDAR-Punkte im Kronensegment | Proxy für Kronendichte und -vollständigkeit; gleichzeitig Datenqualitätsindikator (niedrige Werte = schlechte Kronensegmentierung) | obskh_pointcount |
Räumlicher Nearest-Neighbor-Join (Toleranz 3 m) | OBSkH (pkt_baeume_obskh.shp) | Numerisch (Anzahl Punkte); abhängig von Befliegungsdichte | 2025 | Vektor (Shapefile, Punkt) | LHH; LiDAR-Punktwolke |
ml.training.feature_columns) fließen Rohmesswerte von 12 Kernkriterien ein (salt, street_type, planting_structure, air_temperature_day, air_temperature_night, land_use, sky_view_factor, sunlit_hours, cold_air, groundwater, dwsi, seasonal_weather); 3 weitere sind nur als A/B-Kandidaten vertreten (age, uhi_intensity, subway_tunnel). Von den 14 CiTree-Armerkmalen sind 11 in der Allowlist aktiv, citree_krankheiten_schaedlinge ist A/B-Kandidat; die übrigen CiTree-Features und alle 12 OBSkH-Strukturparameter sind vollständig verfügbar, aber in keinem aktiven Modell eingesetzt. Sie stehen für zukünftige Modellierungsschritte und Expertenvalidierung bereit.ga_lang gematcht (exakter botanischer Kern, Gattungsname, Trivialname, Sorte). Das Ergebnis wird pro Baum in citree_match_rule und citree_match_score dokumentiert.citree_*-Spalten stehen in der Feature-Allowlist, citree_krankheiten_schaedlinge zusätzlich als A/B-Kandidat. ga_lang (Baumart) selbst ist in excluded_columns – das Modell nutzt abgeleitete Arten-Features (species_genus, species_binomial), die artspezifische CiTree-Lookup-Werte teilweise ergänzen. citree_trockenheitstoleranz und citree_hitzevertraeglichkeit werden zudem von den Kriteriumsmodulen drought_tolerance und heat_tolerance konsumiert. Die Feature-Importance der CiTree-Spalten ist in docs/risk_assessment_ml/automl_features.md dokumentiert.drought_risk_rulebased (0–1) aggregiert; Kriterien mit Gewicht 0.0 (z. B. seasonal_weather, gk25, subway_tunnel, construction_sites) tragen nicht bei. Die aktuellen Gewichte sind in config/config.yaml unter criteria[].weight dokumentiert.