bluegreencity-ki

AutoML-Feature-Übersicht – Operationelles Modell

Stand: Oktober 2026

Das aktuelle operationelle ML-Modell („Modell Hannover”, train_2018_2024__predict_2025, Zielgröße future_drought_damage_severe_t1, refit_final, 141 394 Trainingszeilen über 2018–2024) verwendet 54 Features aus der Allowlist in config/config.yaml (feature_columns): die 35 Features des 2026_09-Modells plus der 19 Kandidaten aus dem 2026-10-Feature-Bundle. Der aktuelle operationelle Lauf wurde am 2026-10-08 per Force-Refit neu trainiert (siehe unten). Die maßgeblichen Importance-Werte stammen aus explanation_feature_importance_training.csv im Modellverzeichnis.

Top-15 Permutations-Importance (operationelles 2026-10-Modell, Anteil an Summe):

#	Feature	Anteil
1	`kr_durchm` (Kronendurchmesser)	66,1 %
2	`h3_res8` (H3-Zelle res 8)	19,0 %
3	`m_air_temp_14h_value`	5,0 %
4	`st_umfang` (Stammumfang)	3,3 %
5	`m_cold_air_kpr_value`	2,5 %
6	`m_svf_value`	1,2 %
7	`age_value`	0,6 %
8	`m_air_temp_04h_value`	0,5 %
9	`citree_krankheiten_schaedlinge`	0,4 %
10	`et0_may_oct_mm`	0,3 %
11	`m_cold_air_kvs_value`	0,3 %
12	`dwsi_summer_value`	0,2 %
13	`dist_road_m`	0,2 %
14	`m_uhi_intensity_value`	0,1 %
15	`m_sunlit_hours_value`	0,1 %

Die restlichen 39 Features liegen je < 0,1 % (Summe der Top 15 = 99,9 %). Zwei Befunde: (a) Die räumliche Information fließt über h3_res8 (Kategorie, 19 %) ein, nicht über die rohen Koordinaten Rechtswert/Hochwert (je ~1e-8, praktisch null) – der Bundling-Kandidat wird also in der gewünschten Form genutzt. (b) kr_durchm dominiert stark (66 %): Kronendurchmesser ist der beste einzelne Gesundheits-/Bestandsproxy und korreliert mit vielen anderen Merkmalen – die starke Konzentration ist bei 54 teilkorrellierten Features erwartet, weil Permutations-Importance die Erklärung auf redundante Prädiktoren aufteilt.

Hinweis zur Versionierung: Die weiter unten detaillierten Importance-Tabellen des 35-Features-2026_09-Modells gelten nicht mehr für das aktuelle operationelle Modell – dort nur noch als Historie. Maßgeblich ist die obere Top-15-Tabelle (54 Features, 2026-10-08).

2026-10-Feature-Bundle (Re-Training `2026_10`, gestart 2026-10-07 08:32)

Validierungsstand (abgeschlossen 2026-10-07 10:39): Externer 2024-Holdout ROC-AUC 0,9697 (OOF-Gap +0,016, Brier 0,041, Precision 0,944 / Recall 0,795 @ Schwelle 0,5) — erfüllt die Acceptance (Baseline 0,9647, Ablation A 0,9697). Das operationelle 2018–2024-Modell wird im Anschluss per Force-Refit neu trainiert (2026-10-08; der automatische Refit hatte das alte 2026_09-Modell still wiederverwendet — Fix: Feature-Fingerprint im Manifest, issue #258; Repair: scripts/ml/force_refit_operational.py).

Meta-Plan vom 2026-10-06: räumliche Information, SWBM-Bodenwasser (Hebel 2 aus #228) und A/B-Wiederkehrer in einem Re-Training (Präzedenz D17). Die Permutations-Importance des Trainingslaufs entscheidet, welche Kandidaten im finalen Modell bleiben (Muster aus #217). Implementiert in bluegreencity_ki/features/ (spatial.py, swbm.py), Konfiguration unter ml.training in config/config.yaml.

Platt-Kalibrierung des ML-Scores (2026-10-08, Issue #253)

Die Validierung 2026-10 zeigte mittlere Kalibrierung des AutoGluon-Probabilities-Scores: Das Modell sagte bei ~24% vorhergesagter Wahrscheinlichkeit ~10% beobachtete Absterberate voraus (und bei ~45% vorhergesagt ~62% beobachtet). Die Rangfolge (AUC) war korrekt – nur die Stärkeaussage war verzerrt. Fix: eine Platt-Kalibrierung (Sigmoid-Mapping cal = 1 / (1 + exp(−(a·raw + b)))), die auf dem externen 2024-Holdout der jeden Monat laufenden Validierung gefittet wird und beim Scoring auf den Rohscore angewendet wird.

Warum Platt statt Isotonic: Platt ist parametrisch (2 Parameter), glatt und robust bei ~3,9k Positiven im Holdout; Isotonic würde das Holdout-Muster zu stark memorisieren und zwischen den Monatsläufen unstabil springen. AUC bleibt per Monotonität unangetastet; Brier-Score sinkt auf dem 2024-Holdout von 0,0413 auf 0,0290.

Aktuelle Parameter (2026-10, gefittet auf 2024-Holdout, n=25.334, pos=3.912): a = 2,2831, b = 0,6840. Beispiel-Mapping:

Rohscore	Kalibriert	Bedeutung
0,002	0,001	tiefe Low-Klasse kaum verändert
0,097 (Median)	0,012	Mittelband wird ehrlich „weniger kritisch“
0,33	0,06	oberes Medium → knapp unter High-Schwelle
0,66 (90. Perzentil)	0,90	hochbelegtes oberes Band → wird kritisch
0,95	1,00	Top-Band saturiert

Konsequenzen (Entscheidung „Option A“, 2026-10-08): Alle risikorelevanten Ableitungen laufen auf dem kalibrierten Score – Klassen-Schwellen (ml.thresholds: low < 0,10 ≤ medium < 0,30 ≤ high < 0,85 ≤ critical), ml_damage_score_t1, Confidence/Margin, reclassify_risk und damit auch das Lagebild. Der Rohscore bleibt als drought_risk_ml (Modell-Artefakt, SHAP-Forensik) erhalten, der kalibrierte als neue Spalte drought_risk_ml_calibrated. Die Schwellen wurden einmalig von (0,15/0,30/0,85) auf (0,10/0,30/0,85) neu ausgerichtet – der Medium-Anteil bleibt damit referenzstabil (~20% der Bäume auf 2024-Bezugsklasse), High/Critical sind auf dem kalibrierten Maßstab seltener, aber präzisere Aussagen.

Erwarteter Effekt im Lagebild (2026-Operationelle Daten, Backfill 2026-10-08): low 64,1 → 73,0k, medium 13,0 → 5,5k, high 11,4 → 6,3k, critical 0,7 → 4,4k. Die Verschiebung ist die Absicht der Kalibrierung (honest probabilities), kein Modell-Wechsel – kommunizieren vor der nächsten LHH-Runde.

Wartung: Die Kalibrierung wird bei jedem Validierungs-Refresh neu gefittet und in den operationellen Modell-Ordner kopiert (calibration.json). Fehlt die Datei (z. B. älterer Lauf), degradiert der Predictor mit Warnung auf den Rohscore. Einmaliger Backfill bestehender Runs: scripts/ml/backfill_run_calibration.py.

Raumliche Features (7)

Feature	Typ	Herleitung	Mechanismus / Erwartung
H3-Zelle res 7	`h3_res7` (Kategorie, 54 belegte Zellen im 365.059-Panel)	UTM → WGS84 → `h3.latlng_to_cell(res 7)` (~5,2 km²/Zelle)	Lage-Kategorie: erfasst Standortseffekte, die nicht in den Punkt-Rastern stecken (Pflegepraxis, Beplanungslogik); zu grob für Punktnähe, zu fein wäre Memorization
H3-Zelle res 8	`h3_res8` (Kategorie, 276 Zellen)	wie res 7, ~0,74 km²/Zelle	feinere Lage-Kategorie (Ablation gegen res 7)
UTM-Ostwert	`Rechtswert` (Float, m, EPSG:25832)	Trainings-Panel: aus der Inventory-CSV; operationell: abgeleitet aus der Geometrie (`spatial_features.coordinates`)	Rohkoordinate: extrapoliert besser bei neuen Standorten; Bäume können axis-parallele Splits darauf setzen
UTM-Nordwert	`Hochwert` (Float, m, EPSG:25832)	wie Rechtswert	wie Rechtswert
Baumzahl im Ring	`ring8_tree_count` (Float)	Zelle + 6 H3-Nachbarzellen (res 8), self inkludiert	Bepflanzungsdichte im ~2,4-km-Umfeld (Wettbewerbs-/Standortkontext)
SVF-Ringmittel	`ring8_mean_m_svf_value` (Float)	Mittel über Zelle + Ring, self-exkludiert	räumlicher SVF-Kontext; dämpft Punkt-Ausreißer der Rasterabfrage
Lufttemp-14h-Ringmittel	`ring8_mean_m_air_temp_14h_value` (Float)	wie SVF-Ringmittel	räumlicher Wärme-Kontext (FITNAH-Zellstruktur vs. Punkt)

Spatial Block (Gruppierungs-Schlüssel, kein Modell-Feature)

spatial_block (Float 0–5) teilt die Stadt in ein festes 2×3-Grid (UTM 32N, Rechtswert 541,000–560,000 / Hochwert 5,795,000–5,812,000, Block = Reihe×2+Spalte; Punkte außerhalb werden auf den Rand-Block geclamped). Es ist bewusst keine modellierte Zone und kein Modell-Feature, sondern ein deterministischer Gruppierungs-Schlüssel für räumlich ehrliches Training:

Warum ein festes Grid statt KMeans? Panel-Snapshots werden pro Jahr gebaut. Ein pro Jahr auf der (wachsenden) Population gefitteter Lerner würde seine Grenzen driftend verschieben – derselbe Ort läge 2018 und 2024 in verschiedenen Blöcken und die „leave-one-region-out”-Garantie bräche. Das Grid ist datenunabhängig und jahrsstabil.
Warum nicht h3_res8 direkt? AutoGluon setzt bei groups= intern num_bag_folds auf die Anzahl der eindeutigen Groups (~276 Zellen → ~276 Bagging-Folds, rechnerisch unbrauchbar). Mit 6 Blöcken bleiben 6 Folds.
Verwendung (Stand 2026-10-07): ml.training.spatial_cv ist deaktiviert (Entscheidung unten). Die dataset_builder.py legt spatial_block in die Trainings-CSV nur bei spatial_cv.enabled: true ab; die Spalte fehlt in feature_columns und damit in den Modell-Features. Für die ehrliche Evaluation (nicht Modellselektion) läuft die grouped CV mit h3_res8 (5 Folds, StratifiedGroupKFold) über ml.grouped_cv.group_columns (objectid + h3_res8) – siehe Spatiale-CV-Diagnostik.

Entscheidung: Spatial CV im Training aus (2026-10-07, Ablations-Evidenz). 2×2-Ablation (Spatial CV an/aus × H3-Features an/aus, externer 2024-Holdout):

	ohne H3	mit H3
Spatial CV aus	0.9647 (Baseline `2026_09`, 35f)	0.9697 (54f)
Spatial CV an	0.8368 (52f)	0.8866 (54f)

Spatial-Groups im Training (LeaveOneGroupOut-Bagging, groups="spatial_block") senkten den externen AUC um ~0.105: AutoGluon wählte Modelle, die räumlich ehrlich, aber im tatsächlichen zeitlichen Task schlechter generalisieren. Das Modell wird nur in Hannover eingesetzt (kein räumlicher Transfer nötig), die Selektion optimiert daher auf zeitliche Generalisierung. Spatial-Honesty bleibt als Evaluation (grouped CV

Diagnostik). Bei spatial_cv an nutzte das Modell zudem rohe UTM-Koordinaten als Top-Features (räumliches Memorization über einen Hintertür-Kanal). Snapshots: data/derived/ml/ablations/, Vergleich: scripts/ml/compare_ablations.py.

SWBM-Bodenwasser-Features (6)

Alle strikt aus dem Snapshot-Jahr t (Label t+1 → kein Lookahead), Trockenfenster 01.05.–31.10. plus Jahresend-State. Quelle: bgcki.swbm_daily_state (Backfill v0.4, Szenario irrigation-lower); Mehr-Varianten-Bäume (unknown-age-Szenarien) via konservative Envelope (Stress/Bedarf = max, Fraktionen = min/trockenste Variante), identisch zur wfs_trees_current-Konvention.

Feature	Herleitung	Mechanismus / Erwartung
Maximaler Bodenwasserstress	`swbm_stress_max_dry` (0–1)	Max von `soil_water_stress_today` im Trockenfenster von Jahr t	Wie trocken es im kritischen Zeitraum wirklich war – das fehlende Boden-Signal (#228 Hebel 2)
Stresstage	`swbm_stress_days_dry` (0–184)	Tage im Trockenfenster mit Stress ≥ 0,5	„anhaltend trocken” vs. „kurztrocken” trennen
Kumulierter Gießbedarf	`swbm_irrigation_demand_sum_dry` (L)	Summe von `irrigation_demand_liters` im Trockenfenster	modellierter, nicht durch Regen gedeckter Wasserbedarf
Bodenwasser 15. Juli	`swbm_awc_jul15` (0–1)	`soil_water_fraction_total` am letzten verfügbaren Tag ≤ 15.07. von t	verfügbares Wasser in der kritischen Sommerphase
Bodenwasser 15. August	`swbm_awc_aug15` (0–1)	wie `swbm_awc_jul15`, Referenz 15.08.	Hochsommer-Verfügbarkeit
Jahresend-State	`swbm_awc_year_end` (0–1)	letzter Tag ≤ 31.12. von t (historisch: 31.12., aktueller Lauf: Stand heute)	Winterversorgung/Ausgangslage für Folgejahr t+1

A/B-Kandidaten (6, Wiederaufnahme in die Allowlist)

Feature	Wiederaufnahme-Grund
`subway_tunnel_dist_m`	war Importance #1 im 48f-Modell (A/B #228, 2026-09-28); Exklusion kostete Recall (#253)
`citree_krankheiten_schaedlinge`	war Importance #2 im 48f-Modell (A/B #228); LHH-Fehlwertrisiko bleibt zu prüfen
`m_uhi_intensity_value`	Doku-Korrektur 2026-10: kein ΔT Tag−Nacht, sondern eigenständiges GEONET-Wärmeinsel-Raster (issue #171) – unabhängige Messquelle, alte Drop-Begründung (r=0,841 „herleitbar”) war falsch
`age_value`	r=0,705 mit `st_umfang` lässt ~50 % unkorrelierte Varianz: Umfang sinkt (Schnitt/Sturm), Alter nicht – zwei unabhängige Messungen
`m_sunlit_hours_summer`	Vegetationsmittel (0,995 mit Frühling/Herbst) drückt das Sommer-Signals; Sommer = kritische Stressperiode
`m_cold_air_kpr_value`	eigenes FITNAH-Raster (Rate vs. KVS-Volumen); Rest über {KVS, T04} erwartet dünn – niedrigste Erwartung im Set

Vorgängermodell: Das April-2026-Modell (17 Features, ROC-AUC 0.9872) ist in archive/automl_features_snapshot_april_2026.md archiviert.

Legende Aktualität:

Jährlich – Datensatz wird jährlich fortgeschrieben; im Paneltraining werden jahresspezifische Werte bis zum Snapshot-Stichtag verwendet
Inventurstand – Wert hängt vom jeweiligen Baumkataster-Snapshot ab (jahresspezifisch, aber kein externer jährlicher Datensatz)
Statisch – einmalig erhoben oder modelliert; kein Aktualisierungszyklus

¹ Perm.-Importance steht für Permutations-Importance: Die Werte eines Features werden zufällig durchgemischt (permutiert), wodurch sein Zusammenhang mit der Zielgröße gezielt zerstört wird. Der darauffolgende Rückgang im ROC-AUC-Score misst, wie stark das Modell auf dieses Feature angewiesen ist. Großer Verlust → Feature wichtig; kein Verlust → Feature trägt nichts bei. stddev = Standardabweichung über mehrere Permutationsdurchläufe. p = Wahrscheinlichkeit, dass der beobachtete Wert rein zufällig entstanden ist (p < 0.05 = statistisch signifikant ✓; p ≥ 0.05 = nicht signifikant ✗). Alle Werte aus explanation_feature_importance_training.csv. Werte sind Ranghinweise, keine kausalen Effektgrößen.

² Richtung: ↑ = höherer Feature-Wert → höheres Trockenstress-Risiko; ↓ = höherer Feature-Wert → niedrigeres Risiko; ↑↓ = nicht-lineare oder artspezifisch variable Beziehung.

Verwendete Features (35)

Feature (ausführlich)	Code-Bezeichnung	Perm.-Importance¹ (Rang · Wert · ±stddev · p)	Richtung²	Mechanismus / Einfluss auf Trockenstress	Herkunft / Ableitung	Aktualität
Himmelsöffnungsgrad (Sky View Factor)	`m_svf_value`	#1 · 0.002823 · ±0.0000882 · p<0.001 ✓	↑	Hoher SVF = geringe Gebäudebeschattung = mehr direkte Sonneneinstrahlung und thermische Belastung; stärkster Einzelprädiktor im Modell	Raster-Punktabfrage; SVF aus DGM1 (1 m) + LOD2-Gebäuden berechnet	Statisch
Kronendurchmesser (m)	`kr_durchm`	#2 · 0.001939 · ±0.0000597 · p<0.001 ✓	↑	Größere Krone = höheres Transpirationsvolumen und größerer Wasserbedarf; OBSkH-LiDAR-Ableitung	OBSkH-LiDAR; Kronendurchmesser aus 3D-Punktwolke	Inventurstand
Lufttemperatur Tag (FITNAH 3D, 14 h)	`m_air_temp_14h_value`	#3 · 0.001061 · ±0.0000315 · p<0.001 ✓	↑	Höhere Nachmittagstemperatur = stärkere Evapotranspiration und Bodenwasserentzug; FITNAH 3D-Modellierung	Raster-Punktabfrage; FITNAH 3D 2022	Statisch
Stammumfang (cm)	`st_umfang`	#4 · 0.001045 · ±0.0000366 · p<0.001 ✓	↑↓	Proxy für Baumalter und Wurzelsystem-Entwicklung; junge Bäume (<5 J.) und sehr alte Bäume gleichermaßen gefährdet (U-förmig)	Direktattribut aus Baumkataster	Inventurstand
Kaltluftvolumenstrom (KVS)	`m_cold_air_kvs_value`	#5 · 0.000422 · ±0.0000102 · p<0.001 ✓	↑	Hoher KVS = gute nächtliche Abkühlung = geringerer nächtlicher Wasserstress; FITNAH 3D	Raster-Punktabfrage; FITNAH 3D 2022	Statisch
Lufttemperatur Nacht (FITNAH 3D, 04 h)	`m_air_temp_04h_value`	#6 · 0.000392 · ±0.00000456 · p<0.001 ✓	↑	Höhere Nachttemperatur = geringere nächtliche Regeneration und höherer Grundwasserbedarf	Raster-Punktabfrage; FITNAH 3D 2022	Statisch
Pflanzstandort-Fläche (m²)	`planting_site_area_m2`	#7 · 0.000166 · ±0.00000469 · p<0.001 ✓	↓	Größerer Wurzelraum = mehr pflanzenverfügbares Wasser; aus Baumumfeld-Polygonen	Räumlicher Join: Baum → Baumumfeld-Polygon	Statisch
Besonnungsdauer (h/Tag, Vegetationsperiode)	`m_sunlit_hours_value`	#8 · 0.0000628 · ±0.00000247 · p<0.001 ✓	↑	Mehr Besonnung = höhere Evapotranspiration; Mittel über Frühling/Sommer/Herbst	Raster-Punktabfrage; DGM + LOD2-Gebäude	Statisch
Grundwassertiefe – aktuellster Jahreswert (m)	`groundwater_level_latest`	#9 · 0.0000470 · ±0.00000574 · p<0.001 ✓	↑	Aktuellster Flurabstand; tiefer GW = kein kapillarer Aufstieg = höherer Trockenstress	IDW-Interpolation von Messstellen auf Baumpunkte	Jährlich
Straßenabstand (m)	`dist_road_m`	#10 · 0.0000248 · ±0.000000763 · p<0.001 ✓	↓	Größerer Abstand = geringere Kompaktion, weniger Tausalzeintrag und Versiegelung	Euklidische Distanz zum nächsten OSM-Straßensegment	Statisch
Niederschlag (Nov–Apr, mm)	`precip_nov_apr_mm`	#11 · 0.0000184 · ±0.00000151 · p<0.001 ✓	↓	Winter-/Frühjahrsniederschlag füllt den Bodenwasserspeicher vor der Vegetationsperiode	DWD-Klimadaten; jahresspezifisch	Jährlich
UrbanGreenEye Vitalitätsindex (Sommer)	`dwsi_summer_value`	#12 · 0.0000181 · ±0.000000840 · p<0.001 ✓	↑	Höherer DWI = stärkerer Blattwasserstress; UrbanGreenEye-Remote-Sensing-Proxy	Raster-Punktabfrage; UrbanGreenEye (2016–2018 Referenz)	Statisch
Referenz-Evapotranspiration (Mai–Okt, mm)	`et0_may_oct_mm`	#13 · 0.0000176 · ±0.00000109 · p<0.001 ✓	↑	Höhere ET₀ = größerer atmosphärischer Wasserbedarf in der Vegetationsperiode	DWD-Klimadaten; jahresspezifisch	Jährlich
Baumzahl im Pflanzstandort	`planting_site_tree_count`	#14 · 0.0000163 · ±0.00000123 · p<0.001 ✓	↑	Mehr Bäume pro Standort = stärkere Konkurrenz um Wasser und Nährstoffe	Zählung der Bäume innerhalb des Baumumfeld-Polygons	Inventurstand
Art (binominal)	`species_binomial`	#15 · 0.0000119 · ±0.00000137 · p<0.001 ✓	↑↓	Baumart kodiert artspezifische Trockenheits- und Hitzeverträglichkeit, Wurzelmorphologie und Hydraulik	Direktattribut aus Baumkataster; normalisiert	Inventurstand
Landnutzung (10 Klassen)	`land_use_value`	#16 · 0.00000728 · ±0.00000102 · p<0.001 ✓	↑	Versiegelte Standorte (Ebenerdig versiegelt, Baum über Versiegelung) = höheres Risiko	Räumlicher Join: Baum → ALKIS-Landnutzungspolygon	Statisch
CiTree: Bodeneigenschaft	`citree_bodeneigenschaft`	#17 · 0.00000511 · ±0.000000974 · p<0.001 ✓	↑↓	Präferenz für bestimmte Bodentypen; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
Temperaturmittel (Mai–Okt, °C)	`temp_mean_may_oct_c`	#18 · 0.00000362 · ±0.000000512 · p<0.001 ✓	↑	Höheres Sommermittel = stärkere Evapotranspiration über die gesamte Vegetationsperiode	DWD-Klimadaten; jahresspezifisch	Jährlich
P/ET₀-Anomalie (Mai–Okt)	`p_et0_ratio_anomaly_may_oct`	#19 · 0.00000244 · ±0.000000387 · p<0.001 ✓	↓	Abweichung des P/ET₀-Index vom Langzeitmittel 1991–2020 (pro Gitterzelle); negativ = trockener/hitzer als Normal	`p_et0_ratio_may_oct − p_et0_climatology_1991_2020` (HYRAS pr / FAO-ET₀)	Jährlich
Niederschlag (Mai–Okt, mm)	`precip_may_oct_mm`	#20 · 0.00000239 · ±0.000000248 · p<0.001 ✓	↓	Sommer-Niederschlag reduziert Trockenstress direkt	DWD-Klimadaten; jahresspezifisch	Jährlich
CiTree: Kronenform	`citree_kronenform`	#21 · 0.00000239 · ±0.000000416 · p<0.001 ✓	↑↓	Kronenform beeinflusst Transpirationsfläche und Lichtnutzung; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
Salzbelastung (Winterdienst-Klasse)	`salt_value`	#22 · 0.00000145 · ±0.000000226 · p<0.001 ✓	↑	Chlorid-Ionen erhöhen osmotisches Potenzial, hemmen Feinwurzelwachstum	Räumlicher Join: Baum → Winterdienst-Straßengeometrie	Statisch
Straßentyp (OSM-Klasse)	`street_type_value`	#23 · 0.00000128 · ±0.000000260 · p<0.001 ✓	↑	Hauptstraßen akkumulieren mehr Bodenversiegelung, Verdichtung und Tausalzeintrag	Attribut-Join: Baumstandort → OSM-Straßennetz	Statisch
Ariditätsindex P/ET₀ (Mai–Okt)	`p_et0_ratio_may_oct`	#24 · 0.000000215 · ±0.000000063 · p<0.001 ✓	↓	Verhältnis Niederschlag/ET₀ (UNCCD-Aridity-Index); niedrigerer Index = aridere Sommerbedingungen	Abgeleitet aus DWD-Klimadaten (HYRAS pr / FAO-ET₀); jahresspezifisch	Jährlich
Pflanzstandort-Oberflächentyp	`planting_site_surface_type`	#25 · 0.0000000198 · ±0.00000000295 · p<0.001 ✓	↑	Versiegelte Oberflächentypen (Pflaster, Asphalt) = höheres Risiko als Rasen oder Erde	Räumlicher Join: Baum → Baumumfeld-Polygon	Statisch
Gattung	`species_genus`	#26 · 0.000000000431 · ±0.000000000393 · p=0.035 ✗	↑↓	Gattungsebene als robusterer Prädiktor bei unvollständiger Artdaten; ersetzt `ga_lang`	Direktattribut aus Baumkataster	Inventurstand
CiTree: Salzverträglichkeit	`citree_salzvertraeglichkeit`	#27 · 0.0 · ±0.0 · p=0.187 ✗	↓	Toleranz gegenüber Tausalz; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Bodenverdichtungstoleranz	`citree_bodenverdichtungstoleranz`	#28 · 0.0 · ±0.0 · p=0.5 ✗	↓	Toleranz gegenüber Bodenverdichtung in urbanen Standorten; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Lichtanspruch	`citree_lichtanspruch`	#29 · 0.0 · ±0.0 · p=0.5 ✗	↑	Lichtbedürftige Arten reagieren stärker auf Beschattung und Strahlungsbelastung	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Trockenheitstoleranz	`citree_trockenheitstoleranz`	#30 · 0.0 · ±0.0 · p=0.5 ✗	↓	Direkte artspezifische Trockenheitstoleranz; ersetzt `drought_tolerance_value`	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Gründigkeit	`citree_grundigkeit`	#31 · 0.0 · ±0.0 · p=0.5 ✗	↓	Tiefgründige Arten erreichen tieferes Wasser; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Staunässetoleranz	`citree_staunaessetoleranz`	#32 · 0.0 · ±0.0 · p=0.5 ✗	↓	Höhere Staunässetoleranz = geringeres Risiko bei Staunässe, aber artspezifisch variabler Trockenstress	CiTree-Datenbank (Roloff et al.); Artenprofil	Statisch
CiTree: Oberflächennahe Wurzeln	`citree_oberflaechennahe_wurzeln`	#33 · 0.0 · ±0.0 · p=0.5 ✗	↑	Oberflächennahe Wurzeln = geringere Zugriffsiefe auf Wasser; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Bodenfeuchtetoleranz	`citree_bodenfeuchtetoleranz`	#34 · 0.0 · ±0.0 · p=0.5 ✗	↓	Toleranz gegenüber wechselnder Bodenfeuchte; artspezifisch	CiTree-Datenbank; Artenprofil	Statisch
CiTree: Hitzeverträglichkeit	`citree_hitzevertraeglichkeit`	#35 · 0.0 · ±0.0 · p=0.5 ✗	↓	Direkte artspezifische Hitzetoleranz; ersetzt `heat_tolerance_value`	CiTree-Datenbank; Artenprofil	Statisch

Nicht verwendete Kriterien-Features

Folgende Kriterienscores und -features stehen in der Pipeline zur Verfügung, werden im AutoML-Modell jedoch nicht als Features verwendet.

Durch korrelationsgereinigte Auswahl entfernt („Modell Hannover”, August 2026)

Feature	Code-Bezeichnung	Begründung
Bestandsalter (Jahre)	`age_value`	r = 0.705 mit `st_umfang`; Stammumfang als robusterer Proxy für Alter und Wurzelsystem
UHI-Intensität (GEONET-Wärmeinsel)	`m_uhi_intensity_value`	r = 0.841 mit `m_air_temp_04h_value`. Doku-Korrektur 2026-10: Kein ΔT Tag−Nacht, sondern eigenständiges GEONET-Raster (issue #171): Abweichung der modellierten Nacht-Temperatur vom Grünflächen-Mittel, complementary Raster Siedlungsraum + Verkehr. Unabhängige Messung, nicht herleitbar aus T14/T04 – die ursprüngliche Drop-Begründung war veraltet; Kandidat für Wiederaufnahme im Re-Training 2026_10
Kaltluftproduktion KPR	`m_cold_air_kpr_value`	r = −0.765 mit `m_air_temp_04h_value`; nur KVS im Modell, KPR redundant
Grundwasser – Median / Max / Std	`groundwater_level_median`, `groundwater_level_max`, `groundwater_level_std`	r ≥ 0.96 mit `groundwater_level_latest`; nur aktuellster Wert im Modell
Besonnungsdauer – saisonal	`m_sunlit_hours_spring`, `m_sunlit_hours_summer`, `m_sunlit_hours_autumn`	r = 0.995 (Frühling ↔ Herbst); ein Vegetationsperiode-Mittel (`m_sunlit_hours_value`) statt drei Saisons

Stand 2026-10: age_value, m_uhi_intensity_value, m_cold_air_kpr_value und m_sunlit_hours_summer wurden im 2026-10-Feature-Bundle als A/B-Kandidaten wieder aufgenommen (jeweils mit eigenständiger Messinformation bzw. korrigierter UHI-Doku); die Permutations-Importance des 2026_10-Laufs entscheidet. | GK25-Materialklasse | gk25_material_class | Ungenau (1:25 000); räumliche Auflösung zu grob für Einzelbaumdiskriminierung | | CiTree: Krankheiten/Schädlinge | citree_krankheiten_schaedlinge | Aus LHH-Kataster; hohe Fehlwertrate, keine robuste Signalbasis | | Stadtbahn-Tunnel-Distanz | subway_tunnel_dist_m | Nur regelbasiert; kein signifikanter Beitrag im ML-Modell |

Aus dem Modell entfernt (2026-09-15, Issue #217)

Folgende Features wurden aus der Allowlist entfernt, weil das 2026_09-Re-Training keine messbare Importance lieferte (Modell splittet praktisch nie darauf).

Feature	Code-Bezeichnung	Begründung
Sorte (Kultivar)	`species_cultivar`	Permutations-Importance ≈ 0 (p = 0.155); geringe Varianz im Datensatz
CiTree: Wuchsgeschwindigkeit	`citree_wuchsgeschwindigkeit`	Permutations-Importance ≈ 0 (p = 0.187); geringe Varianz
CiTree: Kronendurchlässigkeit	`citree_kronendurchlaessigkeit`	Permutations-Importance ≈ 0 (p = 0.187); geringe Varianz
Platzhalter-Flag (Art unvollständig)	`species_is_placeholder`	Permutations-Importance = 0 (p = 0.5); kein messbarer Beitrag

Nicht in der Allowlist (Datenqualität / Redundanz / Ablation)

Feature	Code-Bezeichnung	Begründung
Pflanzstruktur (Nachbardichte 25-m-Radius)	`planting_structure_score`, `neighbor_count`	Ablationsexperiment: keine ROC-AUC-Verbesserung; Überlappung mit `dist_road_m` und `species_binomial`
Oberflächenalbedo	`albedo_value`, `albedo_score`	Sentinel-2-Snapshot 2024; nicht jahresauflösend; hohe Korrelation mit Landnutzung und SVF
Besonnungsdauer Winter (h/Tag)	`m_sunlit_hours_winter`	Winterbesonnung irrelevant für Vegetationsperiode; nur Vegetationsperiode-Mittel im Modell
Feldkapazität / NFKWe	`nfkwe_value`, `field_capacity_score`	BK50-Bodenpolygone (1:50 000); räumliche Auflösung zu grob für Einzelbaumdiskriminierung
Baumscheibengröße / Wurzelraum	`pit_size_value`, `pit_size_score`	Unvollständige Datenerfassung im Kataster; Fehlwertrate zu hoch
Baumscheibenbedeckung (12 Kategorien)	`tree_disc_value`, `tree_disc_score`	Unvollständige Datenerfassung; zu viele fehlende Werte im Trainingsdatensatz
Trockenheitstoleranz (5 Stufen, direkt)	`drought_tolerance_value`, `drought_tolerance_score`	Ersetzt durch `citree_trockenheitstoleranz` (CiTree-Profil, informativer als direkte Art-ID)
Hitzeverträglichkeit (3 Klassen, direkt)	`heat_tolerance_value`, `heat_tolerance_score`	Ersetzt durch `citree_hitzevertraeglichkeit` (CiTree-Profil)
Art (Langform)	`ga_lang`	Ersetzt durch `species_binomial` + `species_genus` (normalisiert, robuster bei unvollständigen Artdaten)
Baumhöhe (m)	`m_baumhoehe`	Korrelation mit `st_umfang`/Alter; kein eigenständiger Beitrag nach Kontrolle für Baumart
Kronenfläche (m²)	`m_kronflaeche`	Proxy für Transpirationsvolumen; bereits durch `kr_durchm` abgedeckt
NDVI-Änderung 2020→2024	`ndvi_change_2020to2024`	Nicht für zukünftige Snapshots verfügbar (kein Zeitreihenfeature); nur in Ablationsvarianten genutzt

Hinweise zur zeitlichen Konsistenz im Paneldatensatz

Beim Aufbau des Längsschnittdatensatzes (Snapshots 2018–2024) werden die zeitvarianten Features für jeden Snapshot jahresspezifisch berechnet:

Grundwasser: Nur Messjahre ≤ Snapshot-Jahr fließen in die Berechnung von groundwater_level_latest ein (_resolve_feature_reference_year in groundwater.py)
Klimadaten (ET₀, Niederschlag, Temperaturmittel, P/ET₀-Verhältnis und -Anomalie): Jahresspezifische Werte aus DWD-Klimadaten; für das Snapshot-Jahr entnommen
Vitalität und Baumart: Entsprechen dem aktuellsten Inventareintrag des Baumes ≤ Snapshot-Stichtag (31. Dezember des jeweiligen Jahres)
Statische Features (SVF, Sunlit Hours, Salzbelastung, Straßentyp, Landnutzung, CiTree-Profile): Werden für alle Snapshots mit denselben Werten verwendet

Mögliche Erweiterungen zur Modell-Erklärbarkeit

1. Erklärbarkeit auf Einzelbaum-Niveau

Die Permutations-Importance liefert eine globale Rangfolge über alle Bäume, erklärt aber nicht, warum das Modell für diesen Baum ein hohes Risiko vorhersagt. SHAP-Werte stehen in aktuellen AutoGluon-Versionen nicht mehr nativ zur Verfügung. Als praktikable Alternative bietet AutoGluon predictor.feature_importance() auch auf gefilterten Teilmengen an – damit lassen sich gruppenspezifische Importance-Profile erzeugen, die dem Nutzer zumindest Hinweise auf Subgruppen-Unterschiede liefern (siehe Punkt 2).

2. Artspezifische Feature-Importance

Motivation: Die globale Importance ist über alle 250+ Baumarten gemittelt. Für einzelne Arten kann sich die Rangfolge stark unterscheiden – z. B. könnte groundwater_level_latest für Tilia cordata deutlich wichtiger sein als für Robinia pseudoacacia, die tiefgründige Wurzeln ausbildet und Trockenheit besser toleriert.

Umsetzung:

for art in ["Tilia cordata", "Acer platanoides", "Robinia pseudoacacia"]:
    subset = test_data[test_data["species_binomial"] == art]
    fi = predictor.feature_importance(data=subset, num_shuffle_sets=5)
    print(art, fi.head(10))

Erkenntnisgewinn: Vergleichstabelle der Top-5-Features je Art → Grundlage für artspezifische Pflegehinweise und Stakeholder-Kommunikation.

3. Spatiale-CV-Diagnostik (implementiert 2026-10)

Motivation: Globale Metriken können zwei Probleme verdecken: (a) der Modellunterschied zwischen Innenstadt und Außenstadt, und (b) räumlich geclusterte Vorhersagefehler (Moran’s I > 0), die auf fehlende räumliche Kontextfeatures hinweisen – z. B. Bodentyp, Pflegebezirk oder Quartierstruktur.

Umsetzung: scripts/analysis/spatial_cv_diagnostics.py arbeitet auf dem oof_predictions.csv der h3_res8-Grouped-CV (Zeile = Baum×Jahr, Spalten y_true, y_proba, h3_res8) und benötigt keine Geometrie-Joins:

Zonen-AUC (Innenstadt/Außenstadt): Jede Zeile wird über den Centroid ihrer H3-res8-Zelle einem Zentrum (Standard: Rathaus, ml.grouped_cv.diagnostics.zone_center) zugeordnet; innerhalb von zone_radius_m (Standard 5000 m, ≈ A37-Deckel) = inner, sonst outer. Pro Zone: n, Positive-Rate, ROC-AUC, PR-AUC, Brier.
Moran’s I auf OOF-Residuen (z = y_true − y_proba, zentriert) mit H3-res8-Ring-Gewichten (Zelle + 6 Nachbarzellen). Effiziente Zellsummen-Formulierung (O(Zellen×7) statt O(Bäume²)); Signifikanz über Permutations-Test (Standard 999 Permutationen).

conda run -n bgcki_wesemann python scripts/analysis/spatial_cv_diagnostics.py `
    --oof-csv data/models/autogluon/annual_validation/<lauf>/grouped_cv/h3_res8/oof_predictions.csv `
    --config config/config.yaml

Erkenntnisgewinn: Zonen-AUC-Gap → Hinweis auf Transferprobleme zwischen Stadtteilen (z. B. Pflegepraxis-Unterschiede). Moran’s I ≈ 0 → Modell räumlich robust. Signifikant positives I → räumlich geclusterte Fehler → fehlende räumliche Features.

Ergebnis 2026_10 (h3_res8-Grouped-CV, OOF über 141.394 Baum×Jahre)

Grouped-CV-Folds (5 je Gruppierung, best_quality, 1 h/Fold):

Gruppierung	AUC (Folds 1–5)	Precision	Recall
`objectid` (neue Bäume)	0,8928 / 0,8869 / 0,8788 / 0,8926 / 0,8903	0,704	0,435
`h3_res8` (neue Viertel)	0,8199 / 0,8152 / 0,7878 / 0,8117 / 0,7911	0,655	0,177

Der AUC-Abstand (~0,08) zwischen „neue Bäume” und „neue Viertel” ist das gemessene Maß für den räumlichen Transfer-Effekt: Bäume aus gänzlich unerkannten H3-Zellen sind schwerer zu treffen. Der niedrige Recall (0,177) bei stabilem Precision (0,655) heißt: auf unbekannten Vierteln alarmiert das Modell seltener, aber sicherer – ein vertretbares Profil für ein Bewässerungs-Ranking. Zum Vergleich: externer 2024-Holdout (gleiche Stadt, neues Jahr) = 0,9697.

Zonen-AUC + Moran’s I auf den h3_res8-OOF-Residuen:

Zone	n	Positiv-Rate	ROC-AUC	PR-AUC	Brier
inner (≤5 km Rathaus)	80.956	0,132	0,8081	0,4327	0,0942
outer	60.438	0,215	0,7788	0,5091	0,1401
gesamt	141.394	0,168	0,8032	0,4764	0,1138

Zonen-Gap nur −0,029 (outer schlechter) → kein akutes Transferproblem zwischen Innenstadt und Umland. Auffällig: die Positiv-Rate liegt im Umland höher (0,215 vs. 0,132) – der Dürreschaden konzentriert sich räumlich eher außerhalb des A37-Rings.
Moran’s I = 0,0111 (p = 0,001, 999 Permutationen): signifikant, aber mit n = 141k selbst minuscule Effekte signifikant werden – der Effekt (I ≈ 0,01) ist praktisch vernachlässigbar. Die OOF-Fehler sind räumlich nicht systematisch geclustert → kein Hinweis auf fehlende räumliche Kontextfeatures; die räumliche Robustheit ist gegeben.
Pro-Jahres-Trend (OOF, h3_res8): AUC 0,82 (2018) → 0,78 (2024) – ein moderater, stetiger Abwärtstrend ohne Bruch. (Beachte: die OOF-Zeile 2024 der Grouped-CV ist härter als der externe 2024-Holdout, weil in der Grouped-CV 80 % des Jahres 2024 im Training sitzen und nur die Viertel held out sind.)