Klimarisiko-Scoring für Waldbestände: Hitze, Trockenheit und Schädlinge bewerten

Das echte Ausmaß des Problems

Die vierte Bundeswaldinventur, vorgestellt im Oktober 2024 vom Thünen-Institut im Auftrag des Bundesministeriums für Ernährung und Landwirtschaft, liefert die härtesten Zahlen seit Jahrzehnten: Der deutsche Wald ist seit 2017 vom Kohlenstoff-Senke zur Kohlenstoff-Quelle geworden. Der Kohlenstoffvorrat in lebender Biomasse ist um 41,5 Millionen Tonnen gesunken. Die Fichte hat in zehn Jahren 17 Prozent ihrer Waldfläche verloren — nicht durch Abholzung, sondern durch Dürre, Borkenkäfer und Sturm.

Das Thünen-Institut schätzt, dass die Klimaanpassung des deutschen Waldes in den nächsten 30 Jahren über 14 Milliarden Euro erfordern wird. Das ist kein abstraktes Politikziel. Das ist Planungsgrundlage für jeden Forstbetrieb, der heute noch Fichtenreinbestände bewirtschaftet.

Das Problem ist nicht, dass niemand weiß, dass Klimarisiken real sind. Das Problem ist, dass niemand systematisch weiß, welche Parzellen wie dringend Aufmerksamkeit brauchen:

• Borkenkäfer-Risiko variiert stark mit Bestandesstruktur, Hanglage, Bestandesalter und Feuchtedefizit — aber ohne Scoring entscheidet der Revierförster aus dem Bauch
• Sturmschadenpotenzial hängt von Windexposition, Baumhöhe, Bodenart und Wurzeltiefe ab — Parameter, die alle digital vorliegen, aber selten kombiniert werden
• Trockenheitsstress sieht man an NDVI-Verläufen im Satellitenbild — aber nur, wenn jemand hinschaut
• Versicherungsprämien werden oft pauschal nach Baumartenzusammensetzung kalkuliert, ohne standortspezifische Risikogewichtung

Das ist keine Faulheit. Es ist ein Datenzugangs- und Integrationsproblem, das sich mit Machine Learning und frei verfügbaren Satellitendaten lösen lässt — aber nicht mit einem einfachen SaaS-Klick, und nicht für jeden Betrieb gleichermaßen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitersparnis bei der initialen Bewertung ist real, aber nicht der primäre Nutzen. Der eigentliche Vorteil ist Flächendeckung und Reproduzierbarkeit: Jede Parzelle wird nach denselben Kriterien bewertet, keine Fläche wird vergessen, und die Entscheidungsgrundlage lässt sich drei Jahre später noch nachvollziehen.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Die manuelle Parzellenbewertung schrumpft von Wochen auf Stunden. In der Praxis ist dieser Effekt aber weniger dominant als bei Anwendungen, die Tagesarbeit beschleunigen. Das Scoring wird ein- bis zweimal jährlich aktualisiert, nicht täglich genutzt. Verglichen mit Forstplanung und Dokumentation oder Forstinventur-Auswertung, die wöchentlich Arbeitszeit sparen, ist das Zeitersparnis-Profil hier schwächer.

Kosteneinsparung — mittel (3/5) Wer Umbaubudget von 300.000 Euro auf Basis von Scoring 20–35 Prozent effizienter einsetzt, spart realistisch 60.000–100.000 Euro pro Entscheidungszyklus. Das ist nicht trivial. Aber die Einsparung ist indirekt — sie entsteht durch bessere Priorisierung, nicht durch direkten Kostenersatz. Zudem ist die Einrichtung teuer (mehr dazu unter “Was es kostet”), was den Netto-Effekt relativiert.

Schnelle Umsetzung — niedrig (2/5) 10–14 Wochen bis zu einem kalibrierten Scoring-Modell sind realistisch — wenn die Datenbasis stimmt. Häufig dauert es länger, weil digitale Bestandsdaten erst aufbereitet werden müssen. Keine andere Anwendung im Forstwirtschaft-Bereich ist technisch anspruchsvoller im Einstieg. Nur die KI-Bildanalyse für Waldschäden mit 16–24 Wochen Einrichtungszeit ist noch aufwendiger.

ROI-Sicherheit — hoch (4/5) Wo Klimarisiko-Scoring seinen Wert am klarsten zeigt: in Versicherungsverhandlungen und Fördermittelanträgen. Ein datenbasierter Nachweis der Risikovulnerabilität ist verhandlungswirksamer als ein qualitatives Gutachten. Das Programm „Klimaangepasstes Waldmanagement” des BMEL fördert explizit risikoorientierte Umbaumaßnahmen — Betriebe mit quantifizierten Risikonachweisen haben hier strukturelle Vorteile.

Skalierbarkeit — hoch (5/5) Das ist der stärkste Hebel: Eine einmal aufgebaute Analyse-Pipeline läuft für 200 oder 2.000 Hektar mit praktisch gleichem Aufwand. Die Satellitenabfrage über Copernicus Data Space oder Google Earth Engine kennt keinen Flächenpreis, die DWD-Klimadaten sind für Deutschland kostenfrei. Wer heute eine Pipeline für 500 Hektar aufbaut, kann sie in drei Jahren auf 1.500 Hektar erweitern — ohne Neuinvestition in die Infrastruktur.

Richtwerte — stark abhängig von Flächengröße, vorhandener Datenbasis und Expertise des Dienstleisters.

Was das Scoring-System konkret macht

Das technische Prinzip ist ein mehrstufiges Daten-Integrations- und Bewertungssystem. Im Kern läuft es in vier Schritten:

Schritt 1 — Satellitendaten: Das System ruft für jede Parzelle automatisch NDVI-Zeitreihen aus Sentinel-2-Aufnahmen ab. NDVI (Normalized Difference Vegetation Index) misst Vegetationsaktivität: Gesunde Bestände haben hohe NDVI-Werte, trockenstressierte oder befallene Bestände zeigen fallende Kurven. Das System vergleicht den aktuellen NDVI mit historischen Mittelwerten der Vorjahre und berechnet eine Anomalie — nicht den absoluten Wert, sondern die Abweichung vom parcellen-spezifischen Normalwert.

Schritt 2 — Klimadaten: Aus den kostenlosen DWD Open-Data-Diensten zieht das System Temperaturextreme, Niederschlagsdefizite und den SPEI-Trockenheitsindex (Standardized Precipitation-Evapotranspiration Index) für die umliegenden Wetterstationen. Diese Daten gehen als Klimavulnerabilitäts-Faktor in den Score ein.

Schritt 3 — GIS-Bestandsdaten: Bodenart, Wasserhaltekapazität, Hangneigung und Exposition aus dem digitalen Geländemodell, Bestandesalter und Baumartenzusammensetzung aus der Forsteinrichtung, topografische Windexpositionsindizes aus dem digitalen Höhenmodell. Diese Faktoren bestimmen, wie empfindlich ein Bestand auf klimatische Extreme reagiert — unabhängig vom Satellitenbild.

Schritt 4 — Scoring-Modell: Ein gewichtetes Modell — oder in komplexeren Setups ein trainierter Random-Forest-Klassifikator — kombiniert diese Eingangsgrößen zu einem Gesamtrisiko-Score je Parzelle. Ausgabe ist eine nach Priorität sortierte Liste und eine Ampelkarte: Rot (sofortiger Handlungsbedarf), Gelb (Beobachtung), Grün (aktuell stabil).

Was dieses System nicht kann: Es erkennt keine akuten Befallsherde (dafür braucht es höhere Auflösung oder Drohnenbilder — vgl. Baumschäden erkennen mit Drohnenbildern), und es ersetzt nicht die forstfachliche Beurteilung vor Ort. Es liefert einen Hinweis, wo diese Beurteilung zuerst stattfinden sollte.

Datengrundlage: Was das Modell braucht — und warum es daran oft scheitert

Das ist der ehrlichste Abschnitt dieser Seite.

Ein Klimarisiko-Scoring ist nur so gut wie die Bestandsdaten, die als Eingangsgrößen dienen. In der Praxis scheitern die meisten Aufbauversuche nicht an den Satellitendaten — die sind frei verfügbar und haben gute Qualität. Sie scheitern an den betriebseigenen Bestandsdaten.

Was du brauchst:

• Digitale Parzellenpolygone (Bestandsgrenze als Shapefile oder GeoPackage mit GIS-Koordinaten)
• Je Parzelle: Hauptbaumart, mittleres Bestandesalter, grobe Bestandesform (Rein- oder Mischbestand)
• Optimalerweise: aktuelle Bodenkundliche Standortklassifizierung (Wasser, Nährstoffe, Gründigkeit)

Was die meisten Betriebe tatsächlich haben:

• Papiergebundene Forsteinrichtungskarten oder eingescannte PDFs ohne georeferenzierte Koordinaten
• Bestandsdaten in proprietären Formatsystemen des Forsteinrichters, nicht maschinenlesbar exportierbar
• Fehlende oder veraltete Bodeninformationen (viele Standortkartierungen sind 20–30 Jahre alt)

Das Aufbereiten dieser Daten ist häufig der aufwendigste Teil des Projekts — und der, für den am seltensten Zeit und Budget eingeplant wird. Wer annimmt, die GIS-Daten seien “irgendwie da”, wird in Woche 3 des Projekts eine unangenehme Überraschung erleben.

Empfehlung: Bevor du ein Budget für Klimarisiko-Scoring genehmigst, beantworte diese Frage: Liegen alle Bestandsgrenzen digital als Polygon in einem GIS-Format vor? Wenn nein, ist die Digitalisierung der eigene erste Schritt — unabhängig vom Scoring-Projekt.

Wer das wirklich bauen kann — und wer nicht

Das ist kein Selbsthilfe-Projekt für die stille Winterwoche. Die Kernfähigkeiten, die dieses System erfordert:

Zwingend nötig — intern oder extern:

• GIS-Kenntnisse (QGIS oder ArcGIS auf mindestens fortgeschrittenem Niveau)
• Grundkenntnisse in Python oder R für Datenverarbeitung und API-Abfragen
• Verständnis von Fernerkundungsdaten (NDVI, Koordinatensysteme, Rasteranalyse)

Das bedeutet: Kleine Forstbetriebe mit 1–2 Mitarbeitenden ohne eigene GIS-Kompetenz können dieses System nicht selbst aufbauen. Die Alternative ist ein qualifizierter GIS-Dienstleister — ein Forstplanungsbüro mit Fernerkundungskompetenz, ein spezialisiertes Geodaten-Unternehmen oder eine Forschungseinrichtung wie die NW-FVA (Nordwestdeutsche Forstliche Versuchsanstalt), die mit dem KI4Forst-Projekt (in Partnerschaft mit den Landesforsten Schleswig-Holstein) Erfahrungen mit genau diesem Ansatz aufgebaut hat.

Was kleine Betriebe stattdessen tun können: Die Borkenkäfer-Risikogebietskarte der LWF Bayern, Global Forest Watch für Waldverlust-Überblicke und die Copernicus EO-Browser-Oberfläche für visuelle NDVI-Prüfung liefern 70–80 Prozent des Informationsgehalts — kostenlos, ohne Code, sofort einsetzbar. Das ist die ehrlichste Empfehlung für Betriebe unter 200 Hektar.

Was Forstbetriebsgemeinschaften tun können: Die Fixkosten eines Scoring-Projekts (GIS-Einrichtung, Modellentwicklung, Datenpipeline) lassen sich auf mehrere Betriebe umlegen. Eine Forstbetriebsgemeinschaft mit zusammen 1.500–2.000 Hektar kann gemeinsam ein System aufbauen, das keiner der Einzelbetriebe allein wirtschaftlich rechtfertigen könnte.

Konkrete Werkzeuge — was wann passt

Freier Einstieg ohne Code: Copernicus Data Space (EO Browser) ermöglicht die visuelle NDVI-Auswertung im Browser: Polygon einzeichnen, Zeitreihe anzeigen, Auffälligkeiten sehen. Kein Code, kein Abo — kostenlos für diesen Einsatz. Das ist der richtige erste Schritt für jeden Betrieb, bevor über ein Scoring-System nachgedacht wird.

DWD Open Data liefert die Klimadaten-Grundlage: historische Temperatur- und Niederschlagsreihen, ICON-Prognosen, RADOLAN-Niederschlagsradar. Vollständig kostenlos, CC BY 4.0, in Deutschland gehostet. Für Betriebe, die eigene Daten-Pipelines bauen, die unverzichtbare Primärquelle.

Fortgeschrittene Analyse mit GIS-Kenntnissen: QGIS (Open Source, kostenlos) ist das Standard-GIS für die Forstpraxis in Deutschland. Über das Sentinel Hub QGIS-Plugin lassen sich Sentinel-2-Daten direkt in QGIS laden und NDVI-Analysen für eigene Parcellen durchführen. Für Revierförster mit QGIS-Grundkenntnissen und 4–8 Stunden Einarbeitungszeit realisierbar.

Vollständige Analyse-Pipeline für größere Betriebe: Google Earth Engine ist der wissenschaftliche Goldstandard für geospatiale Großanalysen: Über 70 Petabyte Satellitendaten, Python-API, Random-Forest-Modelle direkt auf Satellitendaten. Kostenlos für Forschung und Bildung, für kommerzielle Betriebe ab ca. 200 USD/Monat auf Google Cloud. Nur mit Entwickler-Ressourcen sinnvoll einsetzbar.

SILVA Forest Simulator (TU München) ist kein Scoring-Tool, sondern ein Wachstumssimulator — aber als Ergänzung relevant: Er projiziert, wie sich ein Bestand unter verschiedenen Klimaszenarien über Jahrzehnte entwickelt. In Kombination mit dem Risikoscore lässt sich so nicht nur “Wer hat heute hohes Risiko” beantworten, sondern auch “Wer hat in 15 Jahren hohes Risiko, wenn der Umbau heute nicht erfolgt”. Das ist für langfristige Forstplanung eine wichtige Ergänzung.

Wann welcher Ansatz:

• Unter 200 ha, kein GIS-Know-how → Copernicus EO Browser + LWF-Risikogebietskarte (kostenlos, sofort)
• 200–800 ha, QGIS-Kenntnisse vorhanden → Sentinel Hub + QGIS + DWD-Daten + eigene Python-Skripte
• Über 800 ha oder Forstbetriebsgemeinschaft → GIS-Dienstleister beauftragen, Google Earth Engine oder Copernicus-API nutzen
• Versicherungs- und Fördermittelkontext → Externe GIS-Gutachter für methodisch dokumentiertes Scoring

Datenschutz und Datenhaltung

Die Daten, die in ein Klimarisiko-Scoring einfließen — Parzellenpolygone, Bestandsdaten, Bodenklassifizierungen — sind in der Regel keine personenbezogenen Daten im Sinne der DSGVO. Sie beziehen sich auf Waldflächen, nicht auf natürliche Personen. Der DSGVO-relevante Bereich entsteht nur, wenn Bestandsdaten mit persönlichen Eigentümerdaten verknüpft werden (z. B. in Kleinstprivatwäldern mit direktem Personenbezug).

Dennoch gibt es relevante Datenhaltungsaspekte:

Copernicus Data Space: EU-gehostet, ESA/EUMETSAT, keine US-Datentransfers. Für Sentinel-Daten die DSGVO-unbedenklichste Option.

DWD Open Data: Deutsche Bundesbehörde, keine personenbezogenen Daten, keine Accountpflicht. DSGVO-irrelevant.

Google Earth Engine: US-Server, Google Cloud. Wenn Parzellenpolygone mit personenbezogenen Eigentümerangaben verknüpft sind, ist ein AVV mit Google erforderlich und eine Datenschutz-Folgenabschätzung sinnvoll. Für reine Geodaten ohne Personenbezug ist der Datenschutz-Aufwand gering, sollte aber dokumentiert werden.

QGIS (lokal): Desktop-Software, keine Cloud-Komponente, keine Datenübertragung. DSGVO-unkritisch.

Empfehlung: Geodaten und Bestandsdaten ohne Personenbezug verarbeiten — das ist bei den meisten Forstbetrieben der Regelfall. Sobald das Scoring mit Förderempfängerdaten oder Eigentümerregistern verknüpft wird, gelten die DSGVO-Anforderungen vollständig.

Was es kostet — realistisch gerechnet

Szenario A: Eigenes Setup mit QGIS + DWD + Copernicus (200–800 ha)

• Externe Einrichtung durch GIS-Dienstleister: 8.000–18.000 EUR (einmalig)
• Interne Zeitinvestition Datenvorbereitung: 4–8 Wochen Mitarbeitende
• Laufende Kosten Daten: 0 EUR (Copernicus kostenlos, DWD kostenlos)
• Jährliche Aktualisierung (Dienstleister): 2.000–5.000 EUR
• Tooling: QGIS kostenlos, ggf. Sentinel Hub 25–100 EUR/Monat für automatisierte Abfragen

Szenario B: Professionelle Pipeline mit Google Earth Engine (800 ha+)

• Externe Einrichtung: 15.000–40.000 EUR (GIS-Dienstleister, Modellentwicklung, Datenpipeline)
• Laufende GEE-Plattformkosten: 200–400 USD/Monat (kommerziell)
• Jährliche Aktualisierung und Modellpflege: 4.000–10.000 EUR

Was du dagegen rechnen kannst: Umbaubudget typisch 150.000–400.000 EUR je Planungszyklus. Eine um 20 Prozent verbesserte Priorisierung entspricht 30.000–80.000 EUR effektiver eingesetztem Kapital. Versicherungsverhandlungen: Forstbetriebe berichten in Praxisberichten von 8–15 Prozent günstigeren Prämien, wenn sie risikobasierte Standortdaten vorlegen können — bei einer Prämie von 15.000 EUR/Jahr sind das 1.200–2.250 EUR jährlich.

Das Ergebnis: Im großen Szenario B amortisiert sich das System bei 1.500 Hektar realistisch in 2–4 Jahren. Im kleinen Szenario A mit 300 Hektar ist die Wirtschaftlichkeit enger — der Nutzen kommt vor allem aus dem Fördermittelbereich und der Versicherungsseite.

Wie du den Nutzen wirklich misst: Lege vor dem Projekt fest, wie du die Priorisierungsgüte in drei Jahren beurteilen willst. Zwei praktische Metriken: (1) Wie viele der als “Hochrisiko” eingestuften Parzellen hatten tatsächlich höhere Kalamitätsverluste? (2) Hat das Scoring zu anderen Umbau-Entscheidungen geführt als das frühere Bauchgefühl — und waren diese Entscheidungen nachträglich besser?

Typische Einstiegsfehler

1. Ohne Datenvorbereitung starten. Das häufigste Problem: Die Parzellenpolygone liegen als eingescannte Papier-Forsteinrichtungskarte oder in einem proprietären Format vor, das der Forsteinrichter nicht kostenlos exportiert. Wer ein Scoring-Projekt beauftragt, ohne diese Grundlage zu klären, kauft ein System, das mangels Eingangsdaten nicht funktioniert. Lösung: Vor Beauftragung schriftlich klären — liegen alle Bestandsgrenzen digital als GIS-Polygon in ETRS89/UTM vor?

2. Das Modell einmal bauen und nie wieder anfassen. Das ist die gefährlichste Fehlannahme, weil sie unsichtbar eskaliert.

Ein Klassifikationsmodell, das auf Trockenheits-Mustern aus 2018–2022 trainiert wurde, kann in feuchteren Jahren systematisch falsch liegen — es “erwartet” Trockenheitsstress und meldet ihn auch, wenn er nicht vorhanden ist. Das Sentinel-2-basierte Borkenkäfer-Früherkennungssystem aus dem Fachinstitut für Waldökologie der TU Prag zeigte 2023 genau diesen Effekt: Eine auf 2018-2022 kalibrierte Klassifikation überschätzte das Befallsrisiko im feuchteren Jahr 2023 deutlich — mit Falsch-Positiv-Raten, die das Vertrauen in das System schnell erosierten. Der Algorithmus muss jährlich mit neuen Daten aktualisiert und auf veränderte Muster hin überprüft werden. Das ist kein einmaliges Projekt, sondern ein laufender Betrieb.

Wer das Scoring-System nach dem Aufbau “sich selbst überlässt”, hat nach zwei bis drei Jahren ein System, das selbstsicher falsche Prioritäten setzt — was schlimmer ist als gar kein System.

3. Ergebnisse ohne forstfachliche Plausibilisierung übernehmen. Das Scoring liefert eine Priorisierungs-Empfehlung, kein forstfachliches Urteil. Eine Parzelle mit hohem algorithmischen Risikoscore kann trotzdem forstlich aktuell stabil sein — weil das Satellitenbild-Signal durch Schatten, Wolken oder temporäre Phänomene gestört war. Das Scoring ist ein Filter für den Revierförster, kein Ersatz für die Begehung.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite — Daten beschaffen, Modell bauen, Karte ausgeben — ist das Handhabbarere an diesem Projekt. Die schwierigere Frage ist die organisatorische.

Der Akzeptanzprozess beim Revierförster. Ein System, das Prioritäten anders setzt als die eigene Einschätzung, trifft auf Skepsis. Das ist keine Uneinsichtigkeit — sondern der vernünftige Reflexionsreflex eines Fachmanns, dessen jahrzehntelange Erfahrung plötzlich durch ein Algorithmusergebnis herausgefordert wird. Was hilft: Das System nicht als Ersatz einführen, sondern als Prüfinstrument. “Das Modell sagt, Parzelle 31 hat hohes Risiko — was sagst du bei der nächsten Begehung?” Wenn das Modell und der Förster regelmäßig übereinstimmen, wächst Vertrauen. Wenn sie systematisch abweichen, ist das wertvolles Feedback für die Modellkalibrierung.

Die Erwartung der Versicherung. Nicht jede Forstversicherung kennt oder akzeptiert datenbasierte Scorings bereits als Verhandlungsbasis. Kläre vorab, ob dein Versicherer entsprechende Unterlagen überhaupt berücksichtigt — sonst ist der Aufwand für diesen Teilzweck verschwendet. Waldbesitzerverbände berichten, dass die Akzeptanz in den letzten zwei Jahren gestiegen ist, aber regional stark variiert.

Was konkret hilft:

• Erste Auswertung als “Hypothesentest” kommunizieren: Prüfen wir gemeinsam, ob das Modell die Einschätzung des Försters bestätigt oder widerspricht
• Drei bis fünf Parzellen als Validierungstest wählen: Modell-Vorhersage dokumentieren, nach der Saison mit tatsächlicher Entwicklung vergleichen
• Scoring-Ergebnisse immer zusammen mit forstfachlichem Kommentar weitergeben, nie als autonome Entscheidung

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Das System ist nach Woche 14 kalibriert für die Datenlage des ersten Jahres. In Jahr 2 ist eine Aktualisierung (4–8 Stunden) ausreichend — solange die Bestandsdaten nicht grundlegend geändert wurden.

Häufige Einwände — und was dahintersteckt

„Das macht der Revierförster doch eh schon.” Stimmt — qualitativ. Was der Revierförster nicht macht: eine flächendeckende, reproduzierbare, quantifizierte Bewertung aller 340 Parzellen in einem Revier. Nicht wegen mangelnder Kompetenz, sondern wegen Zeit. Der Förster begeht die auffälligen Flächen. Die unauffälligen, die sich langsam verschlechtern, fallen durch. Das Scoring ergänzt, es ersetzt nicht.

„Wir sind zu klein dafür — das rechnet sich nicht.” Für Betriebe unter 200 Hektar stimmt das oft. Für diese Betriebe gibt es kostenlose Alternativen: Die LWF-Borkenkäfer-Risikogebietskarte (in Bayern), die Copernicus EO Browser-Oberfläche und die regionalen Forstbehörden leisten 70–80 Prozent des Informationsgehalts eines eigenen Systems — ohne Einrichtungskosten. Ab 300–400 Hektar und mit Versicherungs- oder Fördermittelinteresse kippt die Rechnung.

„Satellitendaten haben doch 10 m Auflösung — das kann doch keine Einzelparzelle berechnen.” 10 Meter reicht gut für Parzellen über 0,5 Hektar — und das sind die meisten Wirtschaftswald-Parzellen. Für Einzelbaumebene braucht man Drohnen oder Flugzeugbefliegungen (vgl. Baumschäden erkennen mit Drohnenbildern). Das Klimarisiko-Scoring arbeitet auf Parzellenebene, nicht auf Baumebene — das ist intentional.

„Was ist, wenn das Modell falsch liegt?” Es wird falsch liegen — manchmal. Kein Modell hat 100 Prozent Treffsicherheit. Die relevante Frage ist: Ist die datenbasierte Prioritätsliste systematisch besser als die bauchgefühlbasierte Prioritätsliste? Alle verfügbaren Studien — unter anderem die Sentinel-2-basierte Borkenkäfererkennung aus der Springer-Studie von 2023 (Current Forestry Reports) — zeigen Erkennungsraten von 60–87 Prozent. Eine Methode, die zwei Drittel der Risikofelder früher identifiziert als die traditionelle Begehung, ist wertvoll — auch wenn ein Drittel weiterhin erst beim Begang auffällt.

Woran du merkst, dass das zu dir passt

Du solltest dieses Projekt angehen, wenn du mehrere dieser Punkte klar bejahst:

• Du bewirtschaftest mindestens 200–300 Hektar mit einem signifikanten Anteil Fichtenreinbestände oder anderen klimasensitiven Baumarten
• Deine Parzellenpolygone liegen bereits digital als GIS-Daten vor — oder du hast Budget und Kapazität, sie zu digitalisieren
• Du stehst vor einer Umbau- oder Investitionsentscheidung, bei der du 150.000 EUR oder mehr nach Priorität aufteilen musst
• Du führst Versicherungsverhandlungen für Forstschäden und suchst nach einer datenbasierten Argumentationsgrundlage
• Du willst einen Fördermittelantrag für das BMEL-Programm “Klimaangepasstes Waldmanagement” untermauern
• Du hast Zugang zu GIS-Kompetenz — intern oder über einen Dienstleister — oder bist bereit, dafür Budget einzuplanen

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 200 Hektar Betriebsfläche. Die Einrichtungskosten eines ML-gestützten Scorings (8.000–40.000 EUR) amortisieren sich auf kleiner Fläche nicht. Nutze stattdessen die kostenlos verfügbaren Monitoring-Dienste der Landesforstbehörden und den Copernicus EO Browser.

2. Keine digitalisierten Bestandsgrenzen als GIS-Polygon vorhanden. Ohne parzellengemäue Bestandsdaten gibt es nichts zu aggregieren. Das Scoring-System braucht als Mindestvoraussetzung Polygone mit Baumartzusammensetzung und Altersklasse je Bestandseinheit. Wer das nicht hat, muss zuerst digitalisieren — das ist ein separates Projekt.

3. Weder interne GIS-Kompetenz noch beauftragbarer Dienstleister verfügbar. Dieser Anwendungsfall ist nicht für den Eigenbau ohne Vorkenntnisse ausgelegt. Wer in QGIS nie gearbeitet hat und keinen Dienstleister findet, der GIS-Fernerkundung und Forstwirtschaft versteht, sollte nicht beginnen. Generalisten-IT-Agenturen ohne forstlichen Kontext scheitern erfahrungsgemäß an der Modellkalibrierung.

Das kannst du heute noch tun

Starte mit dem Copernicus EO Browser — das ist der kostenlose, codefreie Weg, um in 30 Minuten zu sehen, ob das Konzept für deine Flächen relevant ist.

Geh auf browser.dataspace.copernicus.eu, zeichne ein Polygon über dein kritischstes Revier, wähle Sentinel-2 als Datenquelle, stelle auf den NDVI-Darstellungsmodus um und sieh dir die Zeitreihe der letzten drei Sommer an. Wenn du dort fallende NDVI-Trends auf bestimmten Parzellen siehst — insbesondere auf Südhängen oder in Fichtenbeständen — hast du einen ersten datenbasierten Hinweis, dass ein Scoring-Projekt in deinem Betrieb wirtschaftlich sein könnte.

Der zweite Schritt: eine Analyse-Anfrage an dein Forstplanungsbüro oder einen GIS-Dienstleister in deiner Region. Der Prompt unten hilft dir, das Gespräch strukturiert zu führen.

Quellen & Methodik

• Bundeswaldinventur 2024: Thünen-Institut / Bundesministerium für Ernährung und Landwirtschaft, Oktober 2024. Vorgestellt durch Bundesminister Cem Özdemir. Fichtenflächen-Rückgang 17 %, Kohlenstoffverlust 41,5 Mio. Tonnen seit 2017, Anpassungskosten 14 Mrd. EUR.
• KI4Forst-Projekt: Nordwestdeutsche Forstliche Versuchsanstalt (NW-FVA) in Partnerschaft mit Landesforsten Schleswig-Holstein und MELUND Schleswig-Holstein — KI-gestütztes Waldmonitoring mit Satellitendaten in Norddeutschland (laufendes Projekt, Stand 2025).
• Sentinel-2-basierte Borkenkäfererkennung: „Recent Advances in Remote Sensing for Early Detection, Risk Prediction, and Post-disturbance Assessment of Bark Beetle Attacks”, Current Forestry Reports (Springer Nature, 2026), Review-Artikel zu Erkennungsraten und Modellgenauigkeiten — Sentinel-2 erzielte in peer-reviewten Studien 60–87 % Erkennungsgenauigkeit.
• Spruce Bark Beetle Outbreak Prediction: Ahmad et al., Forests 2023 (MDPI), Vol. 14, Nr. 6 — automatische Klassifikation mit Sentinel-2 für den Südosten der Alpen. Random-Forest-Ansatz mit 83 % Overall Accuracy, Hinweis auf Jahrgangsabhängigkeit der Modellgüte.
• Copernicus Data Space / Sentinel Hub: Europäische Weltraumorganisation / EUMETSAT, Preisangaben Stand Mai 2026.
• Google Earth Engine Pricing: Google Cloud Pricing, Stand Mai 2026.
• DWD Open Data: Deutscher Wetterdienst, opendata.dwd.de — CC BY 4.0, Stand Mai 2026.
• Kosten GIS-Dienstleistungen: Erfahrungswerte aus forstlichen GIS-Projekten, Stand 2024–2026.
• BMEL-Förderprogramm Klimaangepasstes Waldmanagement: Förderdatenbank des Bundes, Richtlinie vom 23.12.2024.

Du willst wissen, ob ein Klimarisiko-Scoring für deinen Betrieb wirtschaftlich sinnvoll ist — und welche Datenbasis du dafür brauchst? Meld dich — das klären wir gemeinsam.