bluegreencity-ki

BlueGreenCity-KI — Exakte Modell-Parameter (codeverifiziert)

Stand: 2026-09-16 · Branch main · Commit 554e391 Quellen: config/config.yaml (2256 Zeilen) + Implementierungscode in bluegreencity_ki/ — nicht die Doku. Alle Werte unten sind aus Code/Config ausgelesen. Vorgänger: Der Snapshot vom 2026-08-29 ist archiviert. Wichtige Änderungen seitdem: SWBM swbm-v0.1 → swbm-v0.3 (kapillarer Aufstieg aktiv), ML-Panel v4 → v6 (35 statt 48 Features, time_limit 3600 s, NN_TORCH min_time_limit 300 s, dynamic_stacking: false), Label-Quelle auf das v6-Baumkataster.

0. Die drei Modelle und wie sie verdrahtet sind

Modell	Output-Spalte	Berechnung
Rulebased	`drought_risk_rulebased`	Gewichtete Summe von 25 Kriterien (21 aktiv, 4 mit Gewicht 0)
ML	`drought_risk_ml` (Alias: `ml_damage_score_t1`)	AutoGluon-Wahrscheinlichkeit P(starkes Dürreschaden in snapshot_year+1)
SWBM	`swbm_daily_state` → `soil_water_stress_today`, `soil_water_stress_forecast_max_7d`, `irrigation_demand_liters`	Physikalisches Tag-für-Tag-Bodenwassermodell (Multi-Layer), eigenständiger Runner

Kopplung (aktuelle Operation):

Site Vulnerability (regelbasiert): site_vulnerability_rulebased — 5 Effektklassen zu je 20 %.
Action Priority (gestaffelte Kaskade, keine gewichtete Summe gleichrangiger Modelle):
- Stufe 1 (hartes Gate): irrigation_demand_liters > 0 (SWBM-Layer-1-Trigger < 0.4 aus dem Ursprungsskript). Ohne Bedarf → Priorität 0.
- Stufen 2–4 (weiches Ranking innerhalb der bedürftigen Bäume): 0.5·SWBM-ForecastStress + 0.3·ML-Score + 0.2·SiteVulnerability, geteilt durch 1.0.
- Hintergrunddokumentation: docs/plans/done/2026-08-30-kaskade-label-feature-reduktion.md (Block A; lokales Plan-Dokument, nicht Teil der öffentlichen Doku).
Bewässerungsplanung: Kandidaten aus SWBM-States (Strategie conservative_max über Unsicherheitsszenarien) + ML-Risiko (Gewicht 1.0) + Site Vulnerability (0.2 im Policy-Score).
Validierung: Primär-Score drought_risk_ml, Baseline drought_risk_rulebased.
Aktives Szenario (project.scenario): ml_operational_panel_2018_2023_predict_2024_validate_2025.

Achtung — aktuell deaktiviert in der Config (Kode vorhanden, Flags aus):

climate.water_balance.enabled: false (SWBM läuft nicht in der Hauptpipeline, sondern über scripts/run_daily_water_balance.py / run_swbm_warmup.ps1; täglicher Scheduled Task BlueGreenCity-KI daily soil water balance, 04:00 Uhr)
climate.water_balance.capillary_rise.enabled: true — seit swbm-v0.3 (GitHub #218): Kapillarer Grundwasseraufstieg aktiviert, Tiefe aus krigiertem mittlerem Flurabstand (Details: water_balance/capillary_rise.md). model_version wurde von swbm-v0.2 auf swbm-v0.3 hochgezogen.
climate.water_balance.irrigation.enabled: false und irrigation_event_import.enabled: false
irrigation_planning.enabled: false
integration.greenspace_api.enabled: false

1. SWBM (Soil-Water-Balance-Model, `swbm-v0.3`)

Code: bluegreencity_ki/water_balance/ (19 Module). Config: climate.water_balance.

1.1 Modell-Grunddaten

Parameter	Wert	Quelle
`model_version`	`swbm-v0.3`	Config
`mode`	`local_observation`	Config
`method`	`fao56` (Penman-Monteith via `pyet.pm_fao56`)	Config + Code
`forecast_days`	7 (7-Tage-Stress-Vorhersage)	Config
`soil_data_source`	`nfk_polygons`	Config
`et0_source` (Config-Feld)	`openmeteo` — aber: ET0 wird tatsächlich in-Process aus den Wetterdaten mit schattierten Strahlungskorrekturen berechnet (`shaded_reference_et0_mm`), nicht als Open-Meteo-ET0-Variable	Code `meteorology.py`
`meteorology.elevation_m`	55.0 m (fest für die Stadt)	Config

1.2 Meteorologie (Zufuhrdaten)

Qualitätsfaktoren (source_quality) — fließen als data_quality in jeden Tageszustand (min. mit baumspezifischer Qualität):

Quelle	Qualität
`dwd`	1.0
`parquet`	1.0
`openmeteo`	0.7
Default (unbekannt)	0.5

Kaskade: DWD-Grid-Cache (lokal, data/cache/water_balance/daily_cells_{year}.parquet, hourly_cells_{year}.parquet, daily_cell_meta_{year}.parquet, hourly_cell_meta_{year}.parquet) → falls unvollständig: Open-Meteo (archive-api für Historie, forecast-API ab today − forecast_past_days (5 Tage), Config climate.water_balance.meteorology.openmeteo_fallback, Timezone Europe/Berlin, Timeout 30 s, räumliche Auflösung 2 Dezimalstellen). Die Tagesquelle steht je Zeile in der meteorology_source-Spalte der swbm_daily_state-Tabelle.

DWD-Vorverarbeitung (dwd_preprocessing):

BBOX WGS84: [9.62, 52.28, 9.95, 52.48]
hyras_version: "6-1", HYRAS-Grid (täglich) + HOstrada (stündlich)
download_timeout_seconds: 120

ET0-Berechnung (Code, shaded_reference_et0_mm):

Sonnengeometrie: inverse_distance = 1 + 0.033·cos(2π·J/365), declination = 0.409·sin(2π·J/365 − 1.39)
Clear-sky-Strahlung: Rso = (0.75 + 2e-5·Höhe_m) · Ra
SVF-Korrektur: Rso_eff = SVF · Rso
Diffus-Anteil nach Clearness-Index Kt = Rs/Rso:
- Kt ≤ 0.22: 1 − 0.09·Kt
- 0.22 < Kt ≤ 0.80: 0.9511 − 0.1604·Kt + 4.388·Kt² − 16.638·Kt³ + 12.336·Kt⁴
- Kt > 0.80: 0.165
Schattenfaktor = sunlit_hours / daylight_hours (geclippt 0–1)
Effektive Strahlung: shadow·(Rs − diffuse) + SVF·diffuse
Danach pyet.pm_fao56 mit tmean/tmin/tmax, rhmin/rhmax, wind 2m, Rs_eff, Rso_eff, Lat, Höhe

1.3 Forcing (Baum → Tagesflüsse), Config `climate.water_balance.forcing`

Parameter	Wert
`sunlit_hours_fallback_enabled`	true
`sunlit_hours_fallback`	Frühlings-Anker 8 h, Sommer 14 h, Herbst 10 h, Winter 4 h (Qualität 0.5)
`stem_diameter_fallback_enabled`	true
`stem_diameter_fallback_cm`	30 cm (Qualität 0.3)
`unknown_svf_scenarios`	shaded 0.3, medium 0.6, exposed 0.9 (Qualität 0.3)

Sunlit Hours sind zyklisch linear anhand des Day-of-year (Index 1..366, date.timetuple().tm_yday) zwischen den 4 saisonalen Raster-Ankern (DOY von 20.03 / 21.06 / 22.09 / 21.12) auf jeden Tag interpoliert (sunlight.py). Die DOY-Ankerung löst zusätzlich auch Zukunftstage und den Kalenderjahres-Übergang ohne weiteres Mapping (der Sonnen-Jahreszyklus ist jährlich identisch).

Flusslogik pro Tag (Code forcing.py):

LAI + Transpirationsanteil aus Phenologie (s. 1.4)
Schattiertes ET0 (s. 1.2)
Infiltration aus Niederschlag:
- Interzeption: min(precip, 1.0 mm/LAI-Einheit)
- Grünfläche: (1 − 0.10) · Throughfall · Bodenfläche/1000
- Nicht-Grünfläche: (1 − 0.15) · Throughfall · Baumscheibenfläche/1000 + 0.55 · Throughfall · (Bodenfläche − Scheibenfläche)/1000
Potential-Transpiration: ET0 · Kronenfläche/1000 · transpiration_fraction · Stressreduktion
- Stressposition: (verfügbar − ET0-Volumen + Infiltration) / verfügbare_Kapazität
- ≥ 0.8 → Reduktion 1.0; ≤ 0.2 → Reduktion 0.2; dazwischen linear position/0.8
Bodenverdunstung:
- Evaporationsfläche: Grünfläche → ganze Bodenfläche, sonst max. 2.0 m²
- Kronenabdeckung: canopy_fraction = min(LAI/LAI_max, 0.8)
- Schwelle readily-evaporable: WP + 0.8·(FC − WP); total-evaporable: 0.5·WP
- Koeffizient: min(reduktion · (1.05 − transpiration_fraction), exposed_wet · 1.05)
Oberflächen-Nässe: Throughfall ≥ 10 mm → 1.0; ≥ 4 mm → max(aktuell, 0.6); sonst Zustand (Initial 0.3)

1.4 Vegetation / Phenologie (Config `climate.water_balance.vegetation`)

Formel: LAI_max = a · max(D_Stamm_cm, 1) ^ b (Allometrie), saisonale lineare Rampe zwischen branch_area_index (laublos) und Maximum über die Phenologie-Termine (Tag-im-Jahr): leaf_on → full_on → leaf_off → full_off.

Defaults (alle anderen Gattungen):

LAI-Allometrie: a = 1.5, b = 0.2
Branch Area Index: 0.35
Transpirationsanteil (max, min): 0.8 / 0.1
Phenologie: 91, 145, 182, 305 (ca. 31.03 / 25.05 / 30.06 / 01.11)

Gattungsspezifisch (eigene Parameter in der Config — Auszug der Gattungen mit eigenen Werten):

Gattung	LAI a	LAI b	BAI	Transp. max	Transp. min	Phenologie (on/full_on/off/full_off)
Acer	1.6863	0.1539	0.41	0.81	0.1	Default
Platanus	1.1855	0.1994	0.41	0.76	0.1	Default
Tilia	1.7985	0.2058	0.38	0.87	0.1	Default
Aesculus	1.4138	0.2046	0.44	0.79	0.1	Default
Quercus	0.8822	0.2549	0.35	0.79	0.1	Default
Robinia	2.2248	0.1483	0.30	0.76	0.1	121, 176, 176, 305
Corylus	1.1016	0.2777	0.35	0.8	0.1	Default
Sorbus	1.0141	0.2034	0.35	0.80	0.1	Default
Populus	1.2077	0.2080	0.35	0.80	0.1	Default
Gleditsia	0.6058	0.2434	0.35	0.80	0.1	Default
Sophora	1.2286	0.1578	0.35	0.80	0.1	Default
Betula	0.4989	0.4033	0.35	0.80	0.1	Default
Fagus	0.7330	0.3449	0.42	0.80	0.1	Default
Carpinus	1.7559	0.1158	0.35	0.80	0.1	Default
Prunus	1.2935	0.2087	0.38	0.80	0.1	Default

(Robinia = einzige Gattung mit eigener Phenologie; alle anderen nutzen Default.)

1.5 Boden (Config `climate.water_balance.soil`)

Parameter	Wert	Bedeutung
`field_capacity`	0.26 (volumetrisch)	Feldkapazität, global
`wilting_point`	0.07	Welkpunkt, global
`default_planting_site_area_m2`	6.0 m²	Baumscheibe ohne Angabe
`redistribution_rate`	0.1	Horizontale/vertikale Umlagerung pro Tag (mit Sättigungs-Glatter `exp(−(1−min_saturation))`)
`drainage_rate`	0.35	Perkolation über FC pro Tag nach unten bzw. Drainage
`interception_mm_per_lai`	1.0	Interzeptions-Kapazität pro LAI
`green_space_runoff_fraction`	0.1	Abfluss-Anteil auf Grünflächen
`planting_site_runoff_fraction`	0.15	Abfluss-Anteil Baumscheibe
`surrounding_surface_infiltration_fraction`	0.55	Infiltration des Umlands (nicht Scheibe)

Bodenprofil-Aufbau (Code profiles.py):

Wurzeltiefe nach Alter: ≤ 15 J → 0.6 m, ≤ 30 J → 1.2 m, sonst 1.5 m
Schichttiefen: 0.30 m + (min(root_depth, 0.6) − 0.30) m + (root_depth − 0.6) m → 2 oder 3 Schichten
Wurzelgewichte: 0.6 m → (0.7, 0.3); 1.2 m → (0.5, 0.3, 0.2); 1.5 m → (0.3, 0.3, 0.4)
Bodenfläche:
- Grünstandort (Szenario enthält „green space“/„baumstreifen“/„unversiegelt“) → Kronenfläche
- Alter ≤ 5 J → effektive Scheibenfläche
- 5 < Alter ≤ 15 J → lineare Interpolation Scheibe → Kronenfläche
- Alter > 15 J → Kronenfläche
- effektive Scheibenfläche = min(Baumscheibenfläche oder 6 m², Kronenfläche)
Initialzustand bei Erstlauf: volle Feldkapazität in allen Schichten

1.6 Kapillar-Grundwasser (Config `capillary_rise`) — aktiviert seit `swbm-v0.3` (#218)

Parameter	Wert
`enabled`	true (seit `swbm-v0.3`, GitHub #218; bereits im 2026-08-29-Snapshot)
`source`	`kriged_groundwater`
`interpolation_method`	`kriging` (Variogramm `exponential`; `idw` mit `idw_power: 2` als Fallback)
`max_distance_m` / `min_neighbors`	5000 / 3 (Coverage-Gate wie im groundwater-Criterion)
`max_plausible_depth_m`	20.0
`trigger_available_fraction`	0.5 (nur bei < 50 % verfügbarem Wasser)
`maximum_available_fraction`	0.2
Lookup (Entfernung GW → Wurzelsohle, in cm → mm/Tag)	0–30 cm: 5.0; 40: 2.7; 50: 1.5; 60: 0.9; 70: 0.6; 80: 0.4; 90: 0.3; 100: 0.2; 110–120: 0.1

Pro-Baum-Grundwassertiefe (Flurabstand): mehrjähriger Median pro Messstelle, kriging- (Fallback: IDW-)interpoliert auf jeden Baum — gleiche Datenbasis und gleiches Coverage-Gate wie das groundwater-Criterion (gemeinsame Hilfsfunktionen load_flurabstand_csvs / aggregate_wells / kriging_interpolate / idw_interpolate). Bäume außerhalb des Gates (zu wenige Messstellen im Radius) simulieren ohne kapillaren Aufstieg — keine Extrapolation über das Messnetz. Die Aufstiegsfläche ist die in 1.5 dokumentierte, altersabhängige A_soil (profile.soil_area_m2), also identisch zur übrigen Bilanz.

Logik (Code engine.py): kein Anstieg, wenn der Grundwasserspiegel höchstens 0.05 m unterhalb der Wurzelsohle liegt (groundwater_depth_m − root_depth_m ≤ 0.05); sonst Rate aus Lookup × Trockenheits-Ratio, begrenzt durch freies Füllvolumen der tiefsten Schicht. Designentscheidungen und bewusste Abweichungen vom h_da-Standalone (krigierte Fläche statt nächstgelegener Messstelle, Median über alle Jahre statt Einjahreswert): water_balance/capillary_rise.md.

Tägliche Ausführung: Seit 2026-09-12 läuft der tägliche SWBM-Lauf über den Windows Scheduled Task BlueGreenCity-KI daily soil water balance (04:00 Uhr, S4U/Standard, LastTaskResult 0). Details: Soil_Water_Balance_Integration.md.

1.7 Baum-Imputation & Datenqualität (Code `tree_adapter.py`)

Alter auflösen (Reihenfolge): age_value → standalter → pflanzjahr (Referenzjahr − Jahr) → Schätzung aus Stammumfang/Durchmesser (estimate_age_from_circumference) → sonst Unbekannt-Alter-Szenarien (Config: young 5 J, mature 20 J, old 40 J — jeder wird simuliert).

Kronendurchmesser auflösen: Messwert/Enrichment → art-spezifische lineare Regression Umfang→Krone (Mindest 10 Proben/Art, Konfig crown.min_species_samples) → globale Regression → Altersklassen-Default: 2 m (≤ 5 J), 5 m (≤ 15 J), 10 m (> 15 J). Plausibilitätsgrenzen: 1.0–35.0 m.

Datenqualität pro Baum = min aus:

Quelle	Alter	Krone	Fläche
Werte	age_value/stand_age/planting_year: 1.0; circumference: 0.7; stem_diameter: 0.6; Unknown-Szenario: 0.3	gemessen: 1.0; Art-Regression: 0.7; Global-Regression: 0.6; Altersklasse: 0.4	gemappt: 1.0; sonst 0.7

Tages-data_quality = min(Wetterqualität, Baumqualität).

1.8 Tag-State-Maschine (Code `engine.py`, `advance_daily_state`)

Reihenfolge pro Tag:

Zufluss (Infiltration + Bewässerung/1000) füllt Schichten bis FC; Rest → tiefste Schicht
Transpiration: gewichtet (Wurzelgewicht × verfügbare-Wasser-Fraktion), entnimmt nur Wasser über WP
Bodenverdunstung (Formeln s. 1.3)
Kapillar-Aufstieg (aktiv seit swbm-v0.3, s. 1.6)
Umlagerung zwischen Schichten (Rate s. 1.5)
Drainage/Perkolation: 0.35 · (Wasser − FC) nach unten, Austritt am Boden
Bilanzabschluss erzwungen: Residuum < 1e-9 m³, sonst RuntimeError

Outputs pro Baum/Tag (swbm_daily_state):

soil_water_fraction_total, soil_water_fraction_layer_1/2/3 (verfügbares Wasser als Bruchteil von FC−WP, max 1.2)
soil_water_stress_today = 1 − min(layer_1_fraction, 1)
soil_water_stress_forecast_max_7d = max Stress der nächsten 7 Tage — streng zukünftige Tage, heute ausgeschlossen (forward_forecast_max_stress bewertet das Fenster index+1 … index+forecast_days; nur als Fallback, wenn kein zukünftiger Forecast-Zustand existiert, fällt es auf den eigenen Stress zurück)
irrigation_demand_liters: wenn Layer-1-Fraktion < 0.4 → Aufwässermenge auf 0.8 von (FC−WP)
irrigation_trigger_date (Tag mit aktivem Trigger), irrigation_avoidable_by_rain (True nur an Trigger-Tagen, an denen Prognose-Regen innerhalb des 7-Tage-Fensters den Boden wieder über den Trigger-Schwellwert hebt — siehe docs/water_balance/swbm_7_day_forecast.md Abschnitt 7), soil_water_m3_*, surface_wet_fraction, model_version, data_quality, meteorology_source

Versionierung: model_version = "swbm-v0.3:profile-{Szenario}-{12-stelliger-Fingerprint}:irrigation-{lower|central|typical}" (Fingerprint = SHA256 der Profil-Geometrie/Hydraulik).

Bewässerungsevents (unscharfe Mengen, Code irrigation.py):

lower: 0 l (untere Grenze) — Default des Runners
central: modelliertes Defizit zum Ziel (s. o.)
typical: typical_amount_liters = 150 l (Config irrigation.typical_amount_liters)
Mehrere unbekannte Events am selben Tag = 1 Bewässerung (Duplikat-Schutz via event_key = SHA256(source + source_event_id))
Config irrigation: trigger_soil_water_fraction_layer_1: 0.4, target_field_capacity_fraction: 0.8, unknown_amount_strategy: modeled_deficit, species_specific: true

1.9 Ausführung

Parameter	Wert
`execution.tree_features_path`	`data/derived/water_balance/tree_features.gpkg`
`execution.prepared_features_path`	`data/derived/water_balance/tree_features.gpkg`
`execution.dwd_cache_dir`	`data/cache/water_balance`
`execution.write_batch_size`	5000
`execution.write_postgis`	true
`execution.schedule_time`	04:00
`postgis`	schema `bgcki`, Tabellen `swbm_daily_state`, `irrigation_event`
`parquet`	`data/derived/water_balance/daily_state.parquet`, `irrigation_events.parquet`
Warm-up	Vorjahr komplett + aktuelles Jahr bis heute + 7 Tage Forecast (`run_swbm_warmup.ps1`)

2. ML-Modell (AutoGluon)

Code: bluegreencity_ki/ml/. Config: ml.

2.1 Setup

Parameter	Wert
`ml.enabled`	true
`dataset_mode`	`operational_panel`
`training_data`	`data/derived/ml/training_dataset_v6_operational_panel_2018_2024.csv`
`drought_csv` (Label-Quelle)	`data/input/trees/Baum-2010-2025-v6_historisch_prod.csv`
`labeling.strategy`	`operational_panel_drought_damage`
`labeling.snapshot_year`	2025 (Aktivitätsfenster der Labels)
`labeling.label_horizon_years`	1
`labeling.target_label`	`future_drought_damage_severe_t1`
`labeling.min_join_coverage`	0.05 (Fail-fast bei ID-Schemata-Fehler)
`operational_panel.start_year / end_year`	2018 / 2024 (7 Panel-Snapshots)
`operational_panel.feature_query_mode`	`snapshot_year` (Spalte `snapshot_year`)
`annual_validation.output_dir`	`data/models/autogluon/annual_validation` (Round-Ordner `<YYYY_MM>/train_<a>_<b>__predict_<p>__validate_<v>`)
`operational.output_dir`	`data/models/autogluon/operational` (refit-final, Round-Ordner `<YYYY_MM>/train_<a>_<b>__predict_<p>`)

Panel-Design: Für jedes Snapshot-Jahr Y (2018–2024): Features = PostGIS-Zeilen aus bgcki.analysis_tree_risk_scores_ml_operational_panel mit snapshot_year = Y; Label = Kronendiagnosen aus Jahr Y+1 aus dem Baumkataster-CSV. Zeilen: snapshot_year, label_year = Y+1, label_available, exclude_from_training_reason.

2.2 Label-Definition (Code `label_extractor.py`)

Aus den Spalten Krone Wipfeldürre, Krone Totholzbildung, Krone Belaubung (Auffälligkeiten) („J“/„N“):

drought_damage_score = 3·Wipfeldürre + 2·Totholz + 1·Belaubung (Max über alle Beobachtungen im Fenster)
future_drought_damage_severe_t1 = 1, wenn score ≥ 3 → d. h. Wipfeldürre im Folgejahr ODER (Totholz + Belaubungsauffälligkeit zusammen)
Zusätzlich verfügbar: future_wipfelduerre_binary_t1, future_totholz_binary_t1, future_belaubung_auffaellig_binary_t1, future_drought_damage_binary_t1, _score_t1, damage_years_count_t1, first_damage_year_t1
Inaktiv im aktiven Szenario (historische Labels existieren im Code): vitality_deterioration (Geschwindigkeitsschwelle 5 J), fast_deterioration (75. Perzentil), growth_anomaly (< 0.5 × 2.5 cm/J), maintenance_stress, critical_failure (Fällgründe, ×1.5-Gewichtung für 2018/2019/2022)

2.3 Training (AutoGluon `TabularPredictor`)

Parameter	Wert
`problem_type`	`binary`
`presets`	`best_quality`
`eval_metric`	`roc_auc`
`time_limit`	3600 s (seit 2026-09-15, `ml.training.time_limit`; zuvor 2400 s)
`num_gpus`	1
`num_bag_folds` / `num_bag_sets`	5 / 1
`num_stack_levels`	1
`fit_kwargs.dynamic_stacking`	false (DyStack-Erkundung deaktiviert; bei CPU-Fallback crashten Runs mit „Not enough time left“ – DyStack bestimmte selbst 1 Stack-Level als optimal)
`model_path`	`data/models/autogluon`
`features_table`	`bgcki.analysis_tree_risk_scores_ml_operational_panel`
Preset-Konfig `extreme` (nur falls presets=extreme)	`zeroshot_2025_12_18_gpu`

Explizite Hyperparameter-Portfoliogewichtung (ml.training.hyperparameters):

Familie	Kandidaten	GPUs
GBM (LightGBM)	[extra_trees=true (Suffix „XT“), Standard]	0
CAT (CatBoost)	Standard	0
XGB	Standard	0
NN_TORCH	Standard, `min_time_limit: 300` (seit 2026-09-15: garantierter Zeitanteil, damit NN_TORCH auch konkurrieren kann, wenn die Tree-Ensembles das Gros des `time_limit` verbrauchen; bei Bagging auf 5 Folds geteilt → ~60 s/Fold ≈ 2 Epochen. 600 s verdrängte im 2026-09-15-Run das L2-Stacking komplett → 300 s + `time_limit: 3600`)	1
RF	[criterion=gini (Suffix „Gini“), criterion=entropy (Suffix „Entr“)]	0
XT (ExtraTrees)	[criterion=gini (Suffix „Gini“), criterion=entropy (Suffix „Entr“)]	0

(Alle Kandidaten: ag_args.ignore_constraints nicht gesetzt außer via ignore_model_constraints_families; RF/XT nur binary+multiclass.)

Features: exakt 35 Spalten (ml.training.feature_columns, ml.training.labels):

species_genus
species_binomial
kr_durchm
st_umfang
dist_road_m
street_type_value
salt_value
land_use_value
planting_site_surface_type
planting_site_area_m2
planting_site_tree_count
m_svf_value
m_sunlit_hours_value
m_air_temp_14h_value
m_air_temp_04h_value
m_cold_air_kvs_value
groundwater_level_latest 18–28. 11 × citree_*: lichtanspruch, bodenverdichtungstoleranz, staunaessetoleranz, salzvertraeglichkeit, grundigkeit, bodeneigenschaft, bodenfeuchtetoleranz, kronenform, oberflaechennahe_wurzeln, trockenheitstoleranz, hitzevertraeglichkeit
dwsi_summer_value
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

(Die Nummerierung folgt exakt der Reihenfolge in ml.training.feature_columns; maßgeblich ist config/config.yaml. Feature-Begründung, Wichtigkeiten aus dem 2026_09-Trainings-Run und die Reduktionen Plan-Block C (2026-08-30) + Issue #217 (2026-09-15): ../risk_assessment_ml/automl_features.md.)

Explizit ausgeschlossen (81 Spalten, ml.training.excluded_columns — technische Sicherheitsstufe IDs/Leakage, nicht die fachliche Feature-Auswahl; Aufzählung = 26 + 12 + 17 + 12 + 14 = 81): alle Label-Spalten (aktuell + future + t1, 26), objectid, ga_lang, vitality_value, snapshot_year, label_year, label_horizon_years, label_available, exclude_from_training_reason, albedo_value, field_capacity_value, nfkwe, nfkwe_stufe, tree_disc_value, pit_size_value (14 IDs/Technik-/Rohwert-Spalten), sämtliche ndvi_*-Detailspalten (12), 17 × obskh_*-Rohdaten, sowie die aus Plan-Block C/#217 entfernten Features (12: age_value, gk25_material_class, subway_tunnel_dist_m, citree_krankheiten_schaedlinge, m_uhi_intensity_value, m_cold_air_kpr_value, groundwater_level_median/max/std, m_sunlit_hours_spring/summer/autumn) — wichtig: kein drought_risk_rulebased, keine *_risk-Scores (Leakage-Schutz; ML lernt nur Rohwerte).

2.4 Validierung

Block	Parameter
`grouped_cv`	5 Splits, Gruppe `objectid`, Threshold 0.5, random_state 42, Output in den Validierungs-Run-Ordner (`<run_dir>/grouped_cv`), `year_column: snapshot_year` für Per-Year-OOF
`rolling_validation`	min. 4 Trainingsjahre, Jahr-Spalte `snapshot_year`, Gruppe `objectid`, Threshold 0.5, Arten-Spalte `ga_lang`
`annual_validation`	Basis `data/models/autogluon/annual_validation`, jeder Lauf erzeugt `<YYYY_MM>/train_<a>_<b>__predict_<p>__validate_<v>`, `export_gpkg: true`
`operational`	Basis `data/models/autogluon/operational`, refit-final (train inkl. Holdout-Jahr) → `<YYYY_MM>/train_<a>_<b>__predict_<p>`
Aktuell (Runde `2026_09`)	Validierung: train 2018–2023 → predict 2024 → validate 2025 (Holdout ROC-AUC 0.9647, Grouped CV 0.8563 · s. grouped-CV-Report) · Operativ: train 2018–2024 (365,059 Zeilen) → predict 2025
Plausibilisierung `plausibility.ml`	max 5000 Zeilen, Korrelations-Threshold 0.85 (aktiv), PCA (aktiv), Clustering (aktiv), Explainability (aktiv), Arten-Cluster: 6 (min. 5 Proben)

2.5 Inferenz & Outputs

Parameter	Wert
`ml.inference.label`	`future_drought_damage_severe_t1`
Modell-Pfad (Inferenz)	auto-resolved: `<training.model_path>/<label>/` (operativ: `data/models/autogluon/operational/2026_09/train_2018_2024__predict_2025`)
`thresholds`	critical ≥ 0.85, high ≥ 0.30, medium ≥ 0.15, low ≥ 0.00 (absteigend, erster Treffer gewinnt; Config übersteuert immer `DEFAULT_THRESHOLDS` in `predictor.py`; high/medium am 2026‑09‑19 von 0.60/0.40 gesenkt; täglich beim Produkt‑Refresh aus Rohscore + Config neu abgeleitet)
`drought_risk_ml`	P(positiv) aus `predict_proba`
`drought_risk_ml_class`	critical/high/medium/low aus Thresholds
`drought_risk_ml_confidence`	`\|p − 0.5\| · 2` (geclippt 0–1)
`drought_risk_ml_class_margin`	Distanz zum nächsten Threshold
`ml_damage_score_t1`	Alias von `drought_risk_ml` (für Action Priority)
PostGIS-Output	`enabled: true`, schema `bgcki`, Prefix `{scenario}`, Mode `replace`
Local-Explainability	`enabled: true`, `scope: all`, `top_k: 3`, `batch_size: 500`, `extreme_group_quantile: 0.05`; Kandidaten = Features mit positiver Trainings-Permutationswichtigkeit (p < 0.05); Referenzprofil (Median/Modus) wird neben dem Modell persistiert
SHAP	`scope: high-risk`, `risk_classes_include: [critical, high, medium, low]`, `risk_classes_max_rows_per_class: 50` (random_state 42), `high_risk_max_rows: 25`, `background_sample_size: 50`, `waterfall_limit: 10`, `batch_size: 50` → `shap/risk_classes_shap_values.csv` + `_feature_values.csv`, Spalten `..._drivers_shap`

Explainability (zwei Stufen):

Lokale Näherung (alle Bäume, aktiv): counterfaktische Einzelfeature-Ersetzung durch das Trainings-Referenzprofil (Median/Modus, persistiert im Modell-Verzeichnis); Kandidaten = Features mit positiver Permutationswichtigkeit (p < 0.05); top_k: 3, batch_size: 500, scope: all → Spalten drought_risk_ml_top_positive_drivers_approx / _negative_drivers_approx
SHAP (High-Risk, aktiv): scope: high-risk, 4 risk classes à max 50 Zeilen (random_state 42), davon 25 High-Risk-Deep-Dives, Background-Sample 50, Waterfall-Limit 10, Batch 50 → shap/risk_classes_shap_values.csv + _feature_values.csv, Spalten ..._drivers_shap

3. Rulebased-Modell (Kriterien-Score)

Code: bluegreencity_ki/criteria/ + pipelines/risk_scoring.py. Config: criteria (25 Einträge) + mapping.

3.1 Aggregationsformel (Code)

w_sum = Σ weight_i   (= 1.050971 aktuell, codeverifiziert 2026-09-16)
drought_risk_rulebased = Σ (weight_i / w_sum) · <kriterium>_risk_i

Jedes Kriterium liefert einen Score in [0, 1] (index-aligned auf tree_id). 21 Kriterien aktiv, 4 inaktiv (weight = 0) — inaktive werden zwar berechnet (Spalten im Output), tragen aber nichts zum Score bei.

3.2 Alle 25 Kriterien mit exakten Gewichten (sortiert nach normalisiertem Gewicht)

Kriterium	Raw-Weight	Normiert	Kern-Parameter (Config)
`vitality`	0.412844	39.28 %	`exclude_stages: [4, 5]`, `stage0_score: 0.5`
`sky_view_factor`	0.109819	10.45 %	tree_percentile 10/90, `svf_low: 0.3`, `svf_high: 0.7`, Interpretation `shading_protection`
`groundwater`	0.105861	10.07 %	`scoring_source: median`, Kriging (exponential, idw_power 2, max 5000 m, min 3 Nachbarn), Breakpoints 0→0.1, 1→0.2, 2→0.4, 4→0.6, 6→0.8, 10 m→0.95, Trend aus (Grimm-Strele)
`ndvi`	0.050970	4.85 %	sample_percentile 5/95, `ndvi_low: 0.2`, `ndvi_high: 0.6`, mode `single_date` (2020→`ndvi_value_2020`, 2024→`ndvi_value_2024`)
`dwsi`	0.050970	4.85 %	sample_percentile 5/95, `dwsi_low: −20`, `dwsi_high: +20`, valid −100..100, Cloud-Mask 5000, 7 Jahresraster 2018–2025
`field_capacity`	0.045653	4.34 %	Breakpoints NFKWE: 0→1.0, 50→0.9, 90→0.7, 120→0.5, 160→0.3, 250→0.1 mm; `new_planting_year_threshold: 2015` → Score 0.3 (NFKWE=170), `missing_score: 0.9`
`age`	0.038598	3.67 %	Normalizer q_low 0.05 / q_high 0.95, clip
`uhi_intensity`	0.032883	3.13 %	tree_percentile 5/95, `uhi_low: 0.0`, `uhi_high: 4.0 K`, outside-coverage 0.0
`air_temperature_day`	0.032755	3.12 %	tree_percentile 5/95, zonal, 20.0–30.0 °C (14 h, Klimaanalyse 2022)
`sunlit_hours`	0.030051	2.86 %	tree_percentile 10/90, Saisons spring/summer/autumn, 4.0–10.0 h
`cold_air`	0.028361	2.70 %	sample_percentile 5/95, KPR 5–30, KVS 1–10, `kpr_weight: 0.5`, `kvs_weight: 0.5`
`air_temperature_night`	0.024931	2.37 %	tree_percentile 5/95, zonal, 15.0–22.0 °C (04 h)
`pit_size`	0.019992	1.90 %	Mapping: versiegelt 0.9; <2×2 m 0.8; Streifen <2 m 0.7; 2×2–3×3 m 0.5; Streifen 2–3 m 0.4; >3×3 m 0.3; >3 m 0.2; unversiegelt 0.1; Graben/Böschung 0.3; NaN/leer 0.5
`albedo`	0.015353	1.46 %	sample_percentile 5/95, `scale_factor: 0.001`, valid 0–1.2, `albedo_low: 0.1`, `albedo_high: 0.22`
`land_use`	0.014763	1.40 %	Raster-Code-Mapping (s. u.) + 41 Werte für `planting_site_surface_type` (s. u.), `nodata_value: 28`
`street_type`	0.010783	1.03 %	(kein Params-Block; OSM/ALKIS Straßentyp-Klassifikation)
`planting_structure`	0.006219	0.59 %	Radius 25 m, mode `breaks`, Nachbar-Breaks [0, 4, 9] → Scores [0.8, 0.5, 0.3, 0.1]
`salt`	0.005871	0.56 %	aha-Winterdienst-Mapping: W1 → 1.0, W2 → 0.5, W0 → 0.0 (ALKIS-Fußstücken-Join ≤ 50 m)
`tree_disc`	0.004945	0.47 %	Mapping: bewachsen 0.1; Kies/Mulch 0.2; unterpflanzt 0.2; vegetationsfrei 0.3; Baumrost Holz/Stahl 0.5; Beton 0.6; Lochstein 0.65; Großpflaster 0.7; Wassergebunden 0.3; Klinker 0.85; Asphalt 0.9; NaN 0.5
`drought_tolerance`	0.004708	0.45 %	citree: sehr tolerant 0.1; trockentolerant 0.3; mittel 0.5; empfindlich 0.8; keine Toleranz 0.8; unbekannt/leer 0.5
`heat_tolerance`	0.004641	0.44 %	citree: gut 0.1; mittel 0.4; schwach 0.7; unbekannt/leer 0.5
`seasonal_weather`	0.0	—	inaktiv (CSV `data/derived/ml/dwd_seasonal_weather.csv` als Feature nur für ML)
`gk25`	0.0	—	inaktiv; Material-Scores vorhanden: anthropogenic 0.8, water 0.1, rock 0.6, peat 0.2, clay 0.4, silt_loam 0.3, mixed_silt_sand 0.5, gravel 0.8, sand 0.7
`subway_tunnel`	0.0	—	inaktiv; Breaks 15/30 m → Scores 0.8/0.5/0.1
`construction_sites`	0.0	—	inaktiv; Break 25 m → Scores 0.7/0.1

Summe der Raw-Gewichte: 1.050971 → Normierung im Code (Division), nicht in der Config.

3.3 Land-Use-Mapping (Raster-Codes, `mapping` in Config)

Code	Score	Label
7	0.9	Gleis
20	0.9	Gebäude
22	0.9	Ebenerdig versiegelt
24	0.9	Baum über Versiegelung
26	0.7	Baum über Rasen naturferner Boden
23	0.5	Rasen naturferner Boden
25	0.3	Baum über Rasen
9	0.1	Freiland/Rasen
14	0.1	Wasser
28	0.5	NoData

Pflanzstandort-Oberflächen (Grünflächenkataster, 41 Typen, Auszug nach Stufen): 0.1 Baumbestände/Sukzession/Grünland/Gewässer; 0.2 Wiese/Sträucher/Hecken/Beete/Spontanvegetation/Versickerung; 0.3 Rasen/offener Boden/Offene Scheiben/Sportrasen/Acker/Grabeland/Gartenbau; 0.4 abgedeckte Scheibe/Häcksel; 0.5 Sand/Wassergebunden/Schotterrasen; 0.6 Schotter/Tennis/Rasengitter/Holzflächen; 0.8 Platten/Pflaster/Sonstige befestigt/Kunststoff/Stege; 0.9 Asphalt/Beton/Mauern/Treppen/Kleinbauwerke/Brücken etc.

3.4 Site Vulnerability (Produkt aus den Kriterien, `risk_products.site_vulnerability`, aktiv)

Fünf Effektklassen, je Gewicht 0.2 (normalisiert), fehlende Komponente → 0.5:

Klasse	Komponenten (internes Gewicht)
`water_soil`	groundwater 0.4, field_capacity 0.4, gk25 0.2
`root_site`	pit_size 0.3, tree_disc 0.15, land_use 0.3, planting_structure 0.25
`exposure`	svf 0.2, sunlit_hours 0.15, temp_day 0.15, uhi 0.15, cold_air 0.15, temp_night 0.1, albedo 0.1
`species_resilience`	drought_tolerance 0.5, heat_tolerance 0.5
`chronic_load`	salt 0.25, street_type 0.35, subway_tunnel 0.4

→ site_vulnerability_rulebased = gewichtete Summe der 5 Klassenscores.

3.5 Action Priority & Bewässerungsplanung

irrigation_action_priority (Code risk_products.calculate_action_priority):

Gewichte: SWBM-ForecastStress 0.5, ML-Damage 0.3, SiteVulnerability 0.2 (Summe 1.0, explizit verlangt)
Gate: Score = 0, wenn irrigation_demand_liters ≤ 0
NaN-Handling: stress/ML → 0.0, Vulnerability → 0.5

Bewässerungsplanung (irrigation_planning, aktuell disabled):

Parameter	Wert
`candidate_preparation.rulebased_risk_weight` / `ml_risk_weight`	0.0 / 1.0
`state_scenario_strategy`	`conservative_max`
`minimum_risk_join_fraction`	0.95
`policy.version`	`irrigation-policy-v0.1`
`horizon_days`	7
`risk_threshold`	0.7
`urgent_stress_threshold`	0.8
`min_irrigation_interval_days`	3
`solver_time_limit_seconds`	30
`priority_levels`	critical 0.8 / high 0.6 / medium 0.4
`priority_weights`	risk 0.3, forecast_stress 0.5, site_vulnerability 0.2, rest 0.0
`heatwave`	≥ 30 °C für ≥ 3 Tage → Prioritäts-Boost +0.1
`resources`	28 000 l/Tag, 2 Teams × 7 h/Tag, 2 Fahrzeuge × max. 60 Aufträge

4. Querschnitt: Projekt-Level

Parameter	Wert
`project.crs`	EPSG:25832
`project.scenario`	`ml_operational_panel_2018_2023_predict_2024_validate_2025`
`project.feature_reference_year`	2024
`project.neutral_score`	0.5
Aktive Study Area	`hannover_gesamt` (v6-Baumkataster `Baum-2010-2025-v6_historisch_prod.csv`; 2026-09-16 Operational-Run: 89,280 Bäume)
ML-Training Study Area	`hannover_ml_training_2010` (Snapshot 2010-12-31)
`validation`	Primär `drought_risk_ml`, Threshold 0.5, Baseline `drought_risk_rulebased`, top-k 5/10/20 %, `mode: pipeline_monitoring`
`plausibility`	Spot-Checks (Toleranz 1e-6) über 9 Kriterien, Monotonie-Toleranz 0.02, räumliche Warnung Std > 0.2 pro Stadtteil

5. Abgrenzung (was NICHT im Score steckt)

SWBM fließt nicht in drought_risk_rulebased — die Kriterien sind statisch. SWBM erscheint nur in swbm_daily_state, irrigation_action_priority und der Bewässerungsplanung.
Rulebased fließt nicht in ML — drought_risk_rulebased und alle *_risk-Spalten stehen in excluded_columns; ML lernt nur Rohwerte.
Vier Kriterien mit Gewicht 0 (seasonal_weather, gk25, subway_tunnel, construction_sites) — berechnet, aber score-neutral (Features für ML/Site-Vulnerability: gk25 & subway_tunnel tauchen weiterhin als Komponente in site_vulnerability auf!).
Irrigation-Import, Irrigation-Planning, Greenspace-API: deaktiviert. Capillary rise ist dagegen aktiv (s. 1.6).
Die Config-Keys mode: local_observation, et0_source: openmeteo, species_specific: true (SWBM-Irrigation) sind Konfig-Felder, deren operative Auswirkung in der aktuellen Code-Version teilweise nicht (etwa mode) oder nur über den getrennten Runner (Irrigation) greift.