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 sind keine abstrakten Zahlen. Sie sind 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, niedrig (2/5) Das Umbaubudget wird durch ein Scoring nicht kleiner, es wird anders verteilt. Gespart ist erst etwas, wenn die Parzellen, die das Scoring nach vorn zieht, ohne Umbau tatsächlich früher ausgefallen wären als die, die dafür nach hinten rutschen. Wie oft das zutrifft und wie viel es wert ist, zeigt sich erst über Jahre und lässt sich vorab nicht in Euro angeben. Sicher sind dagegen die Kosten der Einrichtung (mehr dazu unter “Was es kostet”).

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. Kaum eine 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, niedrig (2/5) Ob das Scoring richtig priorisiert, lässt sich erst nach mehreren Saisons prüfen, und auch dann nur grob: Hatten die als Hochrisiko eingestuften Parzellen tatsächlich höhere Verluste? Versicherer berücksichtigen solche Scorings nicht überall, dokumentierte Prämiennachlässe dafür haben wir nicht gefunden. Und ob ein quantifizierter Risikonachweis bei Förderanträgen hilft, hängt an der jeweiligen Richtlinie. Ein Nutzen ist plausibel, sicher ist er nicht.

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 einen großen Teil dieser Informationen, kostenlos, ohne Code, sofort einsetzbar, nur nicht als flächendeckender Score. 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 80 Petabyte Satellitendaten, Python-API, Random-Forest-Modelle direkt auf Satellitendaten. Kostenlos für Forschung, Bildung und nicht-kommerzielle Nutzung. Kommerziell gibt es einen Limited-Plan, der nur nach Nutzung abrechnet, der Basic-Plan kostet 500 USD im Monat. 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. Für automatisierte Abfragen erst prüfen, ob das kostenlose Kontingent des Copernicus Data Space von 10.000 Processing Units im Monat reicht, kommerzielle Sentinel-Hub-Abos gibt es auf Anfrage

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

• Externe Einrichtung: 15.000–40.000 EUR (GIS-Dienstleister, Modellentwicklung, Datenpipeline)
• Laufende GEE-Plattformkosten: kommerziell entweder Limited-Plan nach Nutzung oder Basic-Plan zu 12 mal 500 USD = 6.000 USD im Jahr
• Jährliche Aktualisierung und Modellpflege: 4.000–10.000 EUR

Was du dagegen rechnen kannst: Hier liegt die ehrliche Schwäche dieses Use Cases: Einen belastbaren Euro-Nutzen gibt es nicht. Das Umbaubudget von 150.000–400.000 Euro je Planungszyklus wird durch das Scoring nicht kleiner, es wird anders verteilt. Gewinn entsteht nur, wenn die umverteilten Mittel Schäden verhindern, die sonst eingetreten wären, und das zeigt sich erst über Jahre. Prämiennachlässe von Versicherern für risikobasierte Standortdaten haben wir nicht dokumentiert gefunden, frag deinen Versicherer, bevor du damit rechnest.

Das Ergebnis: Szenario A mit 8.000–18.000 Euro Einrichtung und 2.000–5.000 Euro im Jahr ist eine Investition in bessere Entscheidungen, keine, die sich in einer Amortisationsrechnung zurückzahlt. Szenario B kostet mit Basic-Plan und Modellpflege rund 10.000–16.000 Euro im Jahr, die Dollarbeträge grob umgerechnet, und ist nur für große Betriebe oder Zusammenschlüsse vertretbar, die ohnehin sechsstellige Umbaubudgets verteilen. Für alle anderen bleibt der kostenlose Einstieg mit EO Browser und Landeskarten die bessere Wahl.

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. Auch Studien zur Borkenkäfer-Klassifikation mit Sentinel-2 weisen darauf hin, dass die Modellgüte von Jahrgang zu Jahrgang schwankt. Falsch-Positive in einem feuchten Jahr kosten das Vertrauen des Teams schneller, als man denkt. 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 als Verhandlungsbasis. Kläre vorab, ob dein Versicherer entsprechende Unterlagen überhaupt berücksichtigt, sonst ist der Aufwand für diesen Teilzweck verschwendet.

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 liefern einen großen Teil der Informationen eines eigenen Systems, ohne Einrichtungskosten. Ein eigenes Scoring wird erst interessant, wenn mehrere hundert Hektar und ein sechsstelliges Umbaubudget zu verteilen sind, und auch dann als Entscheidungshilfe, nicht als Sparprojekt.

„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? Ein Übersichtsartikel in Current Forestry Reports nennt für Sentinel-2-basierte Borkenkäfer-Klassifikationen Genauigkeiten von 60–87 Prozent. Das ist eine Gesamtgenauigkeit über alle Flächen, gesunde eingeschlossen, keine Quote erkannter Befallsflächen, und sie sagt nichts darüber, ob der Befund früher kommt als bei der Begehung. Behandle den Score deshalb als Hinweis, wo du zuerst hinschaust, und miss selbst nach, wie oft er recht hatte.

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 Fördermittelanträge zur Klimaanpassung mit Daten untermauern, sofern die jeweilige Richtlinie das honoriert
• 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 oft 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 2022 (veröffentlicht 8. Oktober 2024): Thünen-Institut / Bundesministerium für Ernährung und Landwirtschaft, Ergebnisbroschüre „Der Wald in Deutschland”, bundeswaldinventur.de. Fichtenflächen-Rückgang 17 %, Kohlenstoffverlust 41,5 Mio. Tonnen seit 2017; die Einzelzahlen haben wir für diese Seite nicht erneut geprüft.
• 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), Review-Artikel zu Modellgenauigkeiten. Die genannten 60–87 % sind Genauigkeiten der Klassifikation, keine Erkennungsquote befallener Flächen.
• 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: kostenloses Kontingent und kommerzielle Erweiterung laut unserer Toolseite (Stand 2026).
• Google Earth Engine: kommerzielle Pläne (Limited nach Nutzung, Basic 500 USD im Monat) laut unserer Toolseite.
• DWD Open Data: Deutscher Wetterdienst, opendata.dwd.de, CC BY 4.0, Stand Mai 2026.
• Kosten GIS-Dienstleistungen: Schätzungen dieser Seite, keine erhobene Statistik; hol Angebote ein.
• Bundesprogramm Klimaangepasstes Waldmanagement: Fachagentur Nachwachsende Rohstoffe, kwm.fnr.de, Wiederöffnung für Erstanträge ab Oktober 2026, abgerufen 18.09.2026.
• Versicherungsnachlässe für risikobasierte Standortdaten: keine belastbare Quelle gefunden, die Seite nennt deshalb keine Zahl.

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.