Digitales Baumkataster mit KI-Unterstützung aufbauen

Das echte Ausmaß des Problems

Deutschland hat schätzungsweise 1,7 Millionen Straßenbäume in kommunaler Verantwortung — und hinter jedem steht eine Verkehrssicherungspflicht, die aus § 823 BGB abgeleitet wird. Gemeinden haften, wenn ein schlecht gewarteter Baum einen Schaden verursacht und die Kontrolle nicht nachweisbar dokumentiert war.

Die Kosten für professionelle Baumkontrolle nach VTA-Standard (Visual Tree Assessment) liegen bei 30 bis 50 Euro pro Baum und Kontrolle — laut Erhebungen des Baumpflegeportals und der Fachorganisation GALK. Bei einer Gemeinde mit 8.000 Straßenbäumen und einer mittleren Kontrollrate von einmal jährlich macht das 360.000 bis 400.000 Euro pro Jahr allein für die Regelkontrolle — bevor eine einzige Maßnahme beschlossen ist.

Das strukturelle Problem: Die Kontrollfrequenz ist in den meisten Kommunen zeitbasiert, nicht risikobasiert. Die FLL-Baumkontrollrichtlinien (aktuelle Fassung 2020) erlauben ausdrücklich differenzierte Kontrollintervalle je nach Risikoklasse — aber in der Praxis bekommt fast jeder Baum denselben Jahresrhythmus, weil es keine systematische Methode gibt, Risikoklassen aktuell zu halten.

Das bedeutet:

• Niedrigrisikobäume (junge, gesunde Bestände) binden Kontrollkapazitäten, die anderswo dringender gebraucht werden
• Hochrisikobäume (Altbäume mit Pilzbefall, Trockenstress, mechanischen Schäden) werden im selben Intervall wie gesunde Bäume kontrolliert — oder gar nicht früher gesehen
• Dokumentation bleibt häufig lückenhaft: Papierprotokolle, Excel-Listen ohne GPS, Fotos ohne strukturierte Metadaten — im Haftungsfall fatal

Das BaKIM-Projekt der Stadt Bamberg und der Otto-Friedrich-Universität Bamberg zeigte 2022–2024, dass KI-gestützte Drohnenbefliegung von Baumkronen in der Lage ist, Vitalitätsdaten mit einer Treffsicherheit zu erfassen, die bisher nur durch kostspielige Einzelbegutachtung zu erreichen war. Das Projekt wurde inzwischen auf die Stadt Lemgo übertragen und als Open Source veröffentlicht. Das ist kein Forschungsprojekt — das ist operative Praxis in deutschen Kommunen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Zahlenquellen: Kontrollkosten aus Erhebungen von gartenbau.org und GALK; Effizienzschätzungen basieren auf dem Ansatz der FLL-Baumkontrollrichtlinien 2020 (risikoadaptierte Intervallsteuerung) und Praxisberichten aus GaLaBau-Projekten.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die Wochenplanung wird deutlich entlastet: Statt stundenlanger manueller Priorisierung generiert das System eine geordnete Kontrollliste nach Risikoklasse. Für die Baumkontrolleure selbst ändert sich wenig — der Aufwand pro Kontrolle bleibt konstant, sie kontrollieren aber die richtigen Bäume zuerst. Der initiale Aufbau des Katasters ist zeitintensiv; der Zeitspareffekt beginnt erst ab Monat drei oder vier.

Kosteneinsparung — hoch (4/5) Das ist der klarste Hebel: Rund 40 % der Bäume in einem typischen Stadtbestand sind Niedrig-Risikoklasse und könnten nach FLL-Richtlinie in einem längeren Intervall kontrolliert werden. Eine 30 %ige Reduktion der jährlichen Hochfrequenz-Kontrollen bei einem 8.000-Baum-Portfolio ergibt rund 40.500 Euro Einsparung pro Jahr — bei einem mittleren Kontrollpreis von 45 Euro/Baum. Das ist kein theoretischer Wert, sondern nachrechenbarer Einsparbetrag, sobald das Risikomodell steht. Besser als die meisten Anwendungsfälle in dieser Kategorie.

Schnelle Umsetzung — niedrig (2/5) Wer ein Baumkataster von Null aufbaut, braucht Zeit. Stammdatenerfassung (GPS, Baumart, Stammumfang, Pflanzjahr) für 8.000 Bäume dauert Wochen — je nach Mannstärke und vorhandenem Datenmaterial. Danach kommt die Systemkonfiguration, die Schulung der Baumkontrolleure und der erste Inspektionszyklus, aus dem das KI-Modell seine Grunddaten bezieht. Acht bis achtzehn Wochen bis zum operativen Betrieb ist eine realistische Einschätzung.

ROI-Sicherheit — niedrig (2/5) Der Einsparbetrag ist konkret — aber er hängt von zwei Voraussetzungen ab, die nicht selbstverständlich sind: Erstens braucht das Risikomodell mindestens zwei Jahre konsistenter, strukturierter Inspektionsdaten mit einheitlichen VTA-Bewertungen, bevor es zuverlässig zwischen Risikoklassen unterscheidet. Zweitens bleibt der Baumkontrolleur gesetzlich verantwortlich — das KI-Modell ist Entscheidungshilfe, nicht Entscheidungsträger. Eine ISA-Studie von 2022 stellte explizit fest, dass KI-Modelle dazu neigen, Hochrisikobäume falsch einzuklassifizieren — das ist genau der kritische Fehler, der Haftungsrisiken erzeugt. Ehrlich gesagt: Diese Technologie braucht Zeit, um verlässlich zu werden. Sie zahlt sich erst mit der Zeit aus.

Skalierbarkeit — maximal (5/5) Das ist der stärkste Vorteil des Gesamtansatzes. Ein einmal aufgebautes digitales Baumkataster skaliert auf jeden Baumbestand — von 500 Bäumen einer Kleingemeinde bis zu 125.000 Straßenbäumen wie in Aachen. Die Kosten wachsen nicht proportional mit der Baumzahl; neue Bäume werden schlicht in das System aufgenommen, neue Kommunen können die GaLaBau-Infrastruktur direkt nutzen.

Richtwerte — stark abhängig von vorhandenen Stammdaten, Softwareentscheidung und Modellqualität nach Einführungsjahr.

Was das System konkret macht

Der technische Ansatz kombiniert drei Datenquellen zu einem dynamischen Risikoprofil pro Baum:

Inspektionsfotografie mit Computer Vision: Baumkontrolleure fotografieren jeden Baum nach standardisiertem Protokoll — Krone, Stamm, Wurzelanlauf. Eine Machine Learning-Auswertung erkennt in diesen Fotos Symptome wie Kronenrückgang, Totholz, sichtbare Pilzfruchtkörper, Stammrisse oder Fäulezonen. Das Modell gibt keine Diagnose ab — es markiert Auffälligkeiten, die der Baumkontrolleur dann bewerten muss.

Stamm- und Wachstumsdaten aus dem GIS: Alter, Baumart, Stammumfang, bisherige Befunde, Anzahl der Maßnahmen und deren Ergebnis — all das liegt strukturiert im Kataster. Langlebige Arten wie Platanen reagieren auf Trockenstress anders als schnell wachsende Baumarten; das Modell berücksichtigt artspezifische Risikoparameter.

Klimastressscores: Wetterdaten (Hitzetage, Niederschlagsdefizit, Sturmereignisse) werden automatisch in das Risikoprofil eingespeist. Ein Baum, der zwei Trockensommer in Folge erlebt hat, erhält einen erhöhten Stressscore — unabhängig davon, wie er zuletzt im Befund stand.

Das Ergebnis ist ein wöchentlich aktualisierter Risikowert pro Baum, der die Inspektionsplanung treibt: Klasse 1 (niedrig) wird alle zwei bis drei Jahre kontrolliert, Klasse 2 (mittel) jährlich, Klasse 3 (hoch) halbjährlich oder sofort.

Der Baumkontrolleur trifft am Baum die Entscheidung — das System gibt ihm den Kontext.

Was die FLL-Richtlinien erlauben — und was nicht

Das ist der Punkt, an dem viele Projekte scheitern, wenn er am Anfang nicht klar ist.

Die FLL-Baumkontrollrichtlinien (aktuelle Fassung: 2020) sind kein Gesetz, aber sie gelten als anerkannter Stand der Technik. Gerichte verwenden sie als Maßstab für die Verkehrssicherungspflicht nach § 823 BGB. Verstößt eine Gemeinde gegen die Richtlinien und entsteht ein Schaden, ist die Haftung kaum abzuwenden.

Was die FLL-Richtlinien zur Kontrollmethodik sagen:

• Die Baumkontrolle muss von ausgebildetem Fachpersonal mit nachgewiesener Sachkunde durchgeführt werden — in der Regel zertifizierte Baumkontrolleure nach FLL-Prüfung
• KI und digitale Assistenzsysteme sind ausdrücklich als Unterstützungswerkzeuge zulässig — sie dürfen die menschliche Fachkräfte-Entscheidung ergänzen, aber nicht ersetzen
• Differenzierte Kontrollintervalle nach Risikoklasse sind ausdrücklich erlaubt und werden sogar empfohlen — genau das ermöglicht die KI-gestützte Risikoklassifizierung
• Das Protokoll muss von einer qualifizierten Person unterzeichnet sein, nicht von einem Algorithmus
• Bei Hochrisikobefunden schreibt die Richtlinie unverzügliche Maßnahmen vor — das KI-System muss solche Befunde sofort eskalieren, nicht im nächsten Wochenbericht verschwinden lassen

Das bedeutet konkret: KI kann die Arbeit der Baumkontrolleure effizienter machen — falsch kategorisierte Bäume früher erkennen, Prioritäten setzen, Dokumentation automatisieren. Aber die Baumkontrolleure können nicht ersetzt werden. Wer das versucht, produziert Haftungsrisiken, keine Einsparungen.

Für den GaLaBau-Betrieb ist das eigentlich eine gute Nachricht: Das System sichert den Auftrag, es verdrängt ihn nicht.

Stammdatenerfassung: Das Fundament vor der KI

Kein KI-Modell rechnet besser als die Daten, auf denen es trainiert wurde. Bevor überhaupt ein Algorithmus eingesetzt werden kann, braucht jeder Baum im Kataster:

• GPS-Koordinaten (genau auf ~1–2 Meter — GNSS-fähiges Smartphone reicht für die meisten Fälle)
• Baumart und Sorte (Artbestimmung ist Expertentätigkeit — nicht delegierbar)
• Stammumfang in cm (gemessen in 1 m Höhe, Standardmaß)
• Schätzalter oder Pflanzjahr (aus Baulisten der Gemeinde oder Experteneinschätzung vor Ort)
• Standortbewertung (Straßenbaum, Parkbaum, Schulhof — beeinflusst die Risikoklasse)

Für eine Stadt mit 8.000 Bäumen, die bisher keine digitale Erfassung hat, bedeutet das: 6–12 Wochen Feldarbeit mit 2–3 Fachkräften — je nachdem, wie viel Vorarbeit aus Baulisten und Katasterunterlagen der Gemeinde übernommen werden kann.

Häufig unterschätzt: Viele Kommunen haben einen Teil ihrer Bäume in Excel oder einem Altkataster erfasst, aber mit inkonsistenter Benennung, ohne GPS und mit Lücken. Diesen Datenbestand zu bereinigen ist oft aufwändiger als eine Neuerfassung — und der Aufwand muss einkalkuliert werden, bevor ein Angebot gestellt wird.

Praktische Empfehlung: Beginne mit einem Pilotbereich von 300–500 Bäumen. Das erlaubt es, den Erfassungsworkflow zu kalibrieren, Fehler im Datenmodell früh zu finden und dem Auftraggeber (der Gemeinde) erste Ergebnisse zu zeigen, bevor das Budget für die Gesamterfassung freigegeben wird.

Tools für die Felderfassung: QGIS mit QField-App für vollständige Datenkontrolle und offenes Format, Baumsicht als QGIS-Plugin mit Baumkataster-spezifischem Datenmodell, oder Green GIS als browserbasierte SaaS-Lösung ohne lokale Installation.

Konkrete Werkzeuge — was wann passt

Green GIS — wenn schneller Einstieg und kommunaler Shared-Access wichtig sind Die browserbasierte Lösung ist für Kommunen und deren GaLaBau-Dienstleister gemacht. Keine Installation, FLL-konforme Protokollierungsfunktionen integriert, deutschsprachiger Support. Lizenzstruktur skaliert mit Baumanzahl (ab 75 €/Jahr für 75 Bäume). Für Projekte, bei denen die Gemeinde selbst Echtzeit-Einblick in den Baumzustand haben soll, ist das der direkteste Weg. Kein integriertes KI-Risikomodell — das muss extern ergänzt oder manuell eingepflegt werden.

Baumsicht — wenn QGIS-Erfahrung vorhanden und Datensouveränität Priorität hat QGIS-Plugin aus Augsburg, einmalige Lizenz ohne laufende Abo-Kosten. Sinnvoll für GaLaBau-Betriebe, die ohnehin mit QGIS arbeiten und keine Cloud-Abhängigkeit wollen. Felderfassung über QField-App. Für die KI-Erweiterung (Risikomodell, Fotobewertung) braucht man zusätzliche Komponenten — Baumsicht liefert die GIS-Basis, nicht das ML-Modell.

QGIS mit PostGIS-Backend — wenn kommunale GIS-Integration notwendig ist Für Gemeinden, die ein vollständiges Geoinformationssystem (ArcGIS, INGRADA, kommunales GIS) betreiben, ist QGIS als Open-Source-GIS-Plattform oft der pragmatischste Weg zur Integration. Die Baumkatasterdaten können direkt in die kommunale Geodatenbank (PostGIS) geschrieben werden und in bestehende Kartenlösungen eingebunden werden. Erfordert GIS-Fachkenntnis, ist aber DSGVO-konform und kostengünstig.

Roboflow — für den Aufbau des KI-Fotoauswertungsmodells Wenn ihr ein eigenes Computer-Vision-Modell für die automatische Erkennung von Baumdefekten aus Inspektionsfotos trainieren wollt, ist Roboflow die Low-Code-Plattform dafür: Fotos annotieren, Modell trainieren, als API deployen. DSGVO-Hinweis: Daten liegen standardmäßig auf US-Servern. Für den Produktionseinsatz in Kommunen mit sensiblen Standortdaten sollte Enterprise-Plan oder eine EU-alternative Plattform (Azure ML in EU-Region) geprüft werden.

Azure ML — wenn das Risikomodell in kommunale Cloud-Infrastruktur integriert werden soll Für Städte und Kommunen mit vorhandener Microsoft-Azure-Infrastruktur ist Azure ML die DSGVO-konforme Plattform für das Risikomodell-Training. Daten liegen in deutschen Azure-Rechenzentren, AVV ist verfügbar. Erfordert ML-Know-how oder einen Dienstleister.

Zusammenfassung: Wann welcher Ansatz

• Schneller kommunaler Einstieg ohne lokale Software → Green GIS
• GaLaBau-Betrieb mit QGIS-Erfahrung, kein Abo → Baumsicht
• Kommunale GIS-Integration notwendig → QGIS + PostGIS
• KI-Fotoauswertung Prototyp schnell → Roboflow (mit DSGVO-Check)
• Kommunale Cloud, DSGVO-sauber → Azure ML

Datenschutz und Datenhaltung

Baumkataster enthalten auf den ersten Blick keine personenbezogenen Daten — GPS-Koordinaten von Straßenbäumen sind öffentliche Infrastrukturdaten. Das stimmt in der Grundregel, aber es gibt zwei Ausnahmen:

Grundstücksbezug: Wenn das Kataster auch Bäume auf Privatgrundstücken oder im Grenzbereich erfasst, entstehen indirekt personenbezogene Daten (Grundstückseigentümer). Für diese Fälle gilt DSGVO — ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist mit dem Software-Anbieter abzuschließen.

Mitarbeiterdaten in Protokollen: Inspektionsprotokolle enthalten den Namen des Baumkontrolleurs. Sobald diese Daten in Cloud-Systemen gespeichert werden, gilt der volle DSGVO-Schutz. Alle genannten Tools (Green GIS, QGIS/Baumsicht) bieten AVV-Optionen; bei Green GIS sind Daten in deutschen Rechenzentren gehostet — das ist der sauberste Weg für kommunale Aufträge.

Für das KI-Risikomodell gilt: Inspektionsfotos von Bäumen enthalten keine personenbezogenen Daten (keine Menschen, keine Kennzeichen). Für das Modelltraining können sie in der EU verarbeitet werden — Roboflow hat US-Hosting, Azure ML hat EU-Hosting. Für kommunale Dauerprojekte ist die EU-Lösung einfach die rechtssicherere Wahl.

Kommunale Besonderheit: Viele Kommunen müssen Baumkatasterdaten auf Anfrage öffentlich zugänglich machen (Transparenzgesetze in einigen Bundesländern). Das Datensystem sollte einen strukturierten Export ermöglichen — kein Anbieter-Lock-in ohne Datenportabilität.

Was es kostet — realistisch gerechnet

Einrichtungskosten Stammdatenerfassung

• Felderfassung von 8.000 Bäumen durch 2–3 Fachkräfte: ca. 8–12 Wochen, 25.000–40.000 Euro (GaLaBau-Tarife)
• Datenbereinigung vorhandener Altdaten: je nach Qualität 5.000–15.000 Euro zusätzlich
• Bei vorhandenem, halbwegs strukturiertem Kataster (häufig bei größeren Kommunen): 10.000–20.000 Euro

Software und Systemeinrichtung

• Green GIS für 8.000 Bäume: ca. 800–2.000 €/Jahr (je nach Lizenzpaket)
• Baumsicht-Einmallizenz: ca. 400–800 €
• KI-Risikomodell-Entwicklung (Roboflow oder Azure ML, extern vergeben): 8.000–20.000 Euro einmalig — abhängig davon, wie viele Inspektionsfotos bereits vorhanden sind und wie tief das Modell trainiert werden soll
• Gesamtaufwand erste 12 Monate (Stammdaten + System + KI-Modul): 40.000–75.000 Euro

Laufende Kosten

• Software-Lizenzen: 800–3.000 €/Jahr
• Systemwartung und Modellpflege: 2.000–5.000 €/Jahr (internes IT-Know-how oder Dienstleister)
• Jährliche Inspektionskosten nach Optimierung: ca. 320.000–360.000 € (statt 360.000–400.000 € vorher)

Was du dem Auftraggeber (der Gemeinde) gegenrechnen kannst 30 % Reduktion der jährlichen Hochfrequenzkontrollen bei Niedrigrisikobäumen (entspricht ca. 2.400 Bäumen bei einem 8.000-Baum-Portfolio): 2.400 × 45 € × 0,5 (Intervallverdopplung statt Wegfall) = ~54.000 €/Jahr. Konservativ angesetzt bei 30 % Effizienzgewinn: ~40.500 €/Jahr. Die Gesamtinvestition von 40.000–75.000 Euro amortisiert sich in 1–2 Jahren.

Wichtiger Hinweis: Diese Rechnung setzt voraus, dass der Inspektionsvertrag der Gemeinde flexibel auf veränderte Intervallanforderungen reagiert — also kein Pauschalvertrag mit fixer Baumzahl pro Jahr. Bei Festpreisverträgen ist die Einsparung nur beim nächsten Vertragsabschluss realisierbar.

Drei typische Einstiegsfehler

1. Mit dem KI-Modell beginnen, bevor die Stammdaten sauber sind. Das ist der häufigste und teuerste Fehler. Ein Risikoklassifizierungsmodell, das auf inkonsistenten, unvollständigen oder falsch georeferenzierten Daten trainiert wird, gibt inkonsistente und unzuverlässige Risikoklassen zurück — und wer sich darauf verlässt, reduziert die Kontrollfrequenz bei Bäumen, die eigentlich Aufmerksamkeit bräuchten. Die Stammdatenqualität ist nicht das langweilige Vorprojekt vor dem spannenden KI-Teil — sie ist der entscheidende Erfolgsfaktor.

2. Das System als Ersatz für zertifizierte Baumkontrolleure positionieren. GaLaBau-Betriebe, die dem Auftraggeber signalisieren, mit KI werde weniger Fachpersonal benötigt, setzen sich juristisch und fachlich ins Unrecht. Die FLL-Baumkontrollrichtlinien verlangen menschliche Sachkunde für die Kontrolle — Punkt. Das System macht die Kontrolle effizienter, nicht überflüssig. Wer das verwechselt, gefährdet den Auftrag und die Haftungssicherheit der Gemeinde.

3. Das Risikomodell nach dem ersten Jahr sich selbst überlassen. Ein Machine-Learning-Modell, das ausschließlich auf den ersten zwölf Monaten Inspektionsdaten trainiert wurde, hat zwölf Monate gesehen — keine Extremwetterereignisse, keine Langzeitdegradierungen, keine ungewöhnlichen Jahresverläufe. Das ist zu wenig für zuverlässige Risikoklassifizierung. Das Modell muss jährlich mit neuen Befunddaten nachtrainiert werden, und die Risikoklassen müssen mit tatsächlichen Schadenereignissen abgeglichen werden. Wer das verschläft, hat nach drei Jahren ein Modell, das auf dem Stand von 2026 eingefroren ist.

Was mit der Einführung wirklich passiert — und was nicht

Die technischen Schritte sind planbar. Die menschlichen Widerstände sind es auch — wenn man sie kennt.

Die erfahrenen Baumkontrolleure. Sie kennen ihren Baumbestand oft intuitiv — wissen, welche Platane am Schulhof seit zwei Jahren Probleme macht, und welche Lindenreihe an der Bundesstraße immer unkompliziert war. Ein KI-System, das ihnen jetzt eine Prioritätenliste generiert, kann sich wie eine Infragestellung ihres Urteils anfühlen. Wichtig: Diese Erfahrung ist ein Asset, kein Hindernis. Die besten KI-Modelle entstehen, wenn die Baumkontrolleure aktiv an der Befundklassifizierung beteiligt sind — ihr Wissen wird in das Modell kodiert, nicht von ihm verdrängt. Diese Einbindung muss vor dem ersten Rollout stattfinden, nicht danach.

Das Grünflächenamt der Gemeinde. Für die Gemeinde ist das Digitale Kataster zunächst mehr Aufwand: Einbindung in kommunale GIS-Systeme, Freigabe von Haushaltsbudgets für ein Projekt mit mehljährigem ROI-Horizont, interne Abstimmung mit Rechtsamt und Datenschutzbeauftragtem. Was hilft: ein klares, einzeitiges Ergebnis in der Pilotphase — “Diese 200 Bäume wurden neu bewertet, drei wurden von Klasse 2 auf Klasse 3 hochgestuft und werden nächste Woche nachkontrolliert” — ist überzeugender als jede Projektpräsentation.

Das Rechnungsamt. Die Initialinvestition von 40.000–75.000 Euro ist für viele Kommunen keine Kleinigkeit. Die Amortisationsrechnung (ab Jahr 2: ~40.500 €/Jahr Einsparung) muss klar und konservativ dargestellt sein. Zu optimistische Zahlen erzeugen Misstrauen; zu vorsichtige Zahlen lassen das Projekt nicht durch die Budgetgenehmigung.

GIS-Integration in kommunale Infrastruktur

Das ist die Stelle, an der Theorie auf kommunale Realität trifft.

Die meisten deutschen Kommunen haben bereits ein kommunales Geoinformationssystem (GIS) — ob ArcGIS (Esri), INGRADA, KOMGIS oder eine Eigenentwicklung auf PostGIS-Basis. Diese Systeme verwalten Straßenkataster, Leitungsinfrastruktur, Gebäudeübersichten und Grünflächen. Das Baumkataster soll in diese Infrastruktur integriert werden — nicht als Insellösung, die separat gepflegt wird.

Was das konkret bedeutet:

Die Geodatenstandards müssen stimmen. Baumstandorte sollten im ETRS89/UTM-Koordinatensystem erfasst werden (EPSG:25832 für Westdeutschland, 25833 für Ostdeutschland) — dem deutschen Standard für amtliche Geodaten. Falsche Koordinatensysteme führen zu Versatz und machen die Daten für kommunale GIS unbrauchbar.

WMS/WFS-Schnittstellen ermöglichen den bidirektionalen Datenaustausch. Eine gut konfigurierte Baumkataster-Lösung sollte über eine WFS-Schnittstelle die Baumdaten in das kommunale GIS einspeisen — und Geodaten aus dem kommunalen System (z. B. Straßenkataster, Grünflächenplan) für die Kontextanreicherung beziehen.

Die Datenbankentscheidung hat Langzeitwirkung. Proprietäre Formate (Esri File Geodatabase) sind für Kommunen mit ArcGIS-Infrastruktur verbreitet, aber herstellerabhängig. Offene Formate (GeoPackage, PostGIS) ermöglichen Datenmigration ohne Vendor Lock-in. Für neue Projekte sollte GeoPackage oder PostGIS die Default-Wahl sein.

Historische Befunddaten verbleiben in der Datenbank. Das ist kein technisches Detail — es ist der Kern der KI-Risikoklassifizierung. Wenn jede Inspektion als neue Datenschicht gespeichert wird (und nicht den alten Datensatz überschreibt), entsteht die Zeitreihe, aus der das Modell lernt.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben das Kataster doch schon in Excel.” Excel ist kein Baumkataster — es ist eine Inventarliste. Was fehlt: Georeferenzierung (welcher Baum steht wo genau?), Fotoprotokoll (wie sah der Baum bei der letzten Kontrolle aus?), Zeitreihen (hat sich der Zustand über drei Inspektionen verschlechtert?), Maßnahmenverfolgung (wurde der Kronenschnitt aus dem Vorjahr durchgeführt?). Im Haftungsfall kann Excel-Dokumentation als mangelhaft gewertet werden, wenn sie keine GPS-Koordinaten und keine Bildbelege enthält. Der Aufwand für die Umstellung ist real — aber er steht gegen das Risiko eines einzigen ungünstigen Gerichtsurteils.

„KI-Modelle machen Fehler bei Hochrisikobäumen.” Das ist richtig — und es ist genau das Argument, warum das System die FLL-Kontrolle nicht ersetzt, sondern unterstützt. Die ISA-Studie von 2022 hat explizit festgestellt, dass KI-Modelle dazu neigen, Hochrisikobäume unterzubewerten. Die richtige Schlussfolgerung ist nicht “dann brauchen wir keine KI” — sondern “dann müssen wir sicherstellen, dass das Modell für Hochrisiko-Falschnegative besonders sensibel konfiguriert ist.” Falsch-Negative (Hochrisiko-Baum als niedrig eingestuft) sind inakzeptabel; Falsch-Positive (Niedrigrisiko-Baum als hoch eingestuft) kosten eine zusätzliche Kontrolle. Das ist der Bias, den ein verantwortungsvolles Risikomodell haben muss.

„Das rechnet sich für unsere kleine Gemeinde nicht.” Für Gemeinden unter 3.000 Bäumen stimmt das wahrscheinlich — der Amortisationshorizont verlängert sich deutlich, und die Pauschalkontrolle ist einfacher zu handhaben. Für GaLaBau-Betriebe, die mehrere Kommunen betreuen, kehrt sich das Bild um: Wer das Kataster und das Risikomodell einmal für eine große Gemeinde aufgebaut hat, kann das System für jede weitere Kommune mit deutlich geringerem Einrichtungsaufwand replizieren. Die erste Gemeinde finanziert die Infrastruktur; die zweite und dritte generieren den Gewinn.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Dein GaLaBau-Betrieb übernimmt Baumkontroll-Aufträge für mehrere Kommunen und möchte diese mit einer einheitlichen digitalen Lösung abwickeln
• Die Gemeinde hat mehr als 3.000–5.000 Bäume im öffentlichen Bestand und zahlt jährlich für Regelkontrolle nach Zeitplan
• Es gibt bereits digitale Inspektionsdaten aus mindestens einem Kontrolljahr (auch wenn sie in Excel liegen und konvertiert werden müssen)
• Das Grünflächenamt hat Interesse daran, Inspektionsintervalle nach FLL-Richtlinie risikoadaptiert zu gestalten — und sucht ein Werkzeug, das das belastbar dokumentiert
• Das GaLaBau-Unternehmen verfügt über GIS-Grundkenntnisse oder ist bereit, sie aufzubauen

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

1. Baumbestand unter ca. 3.000 Bäumen. Die Einrichtungskosten von 40.000–75.000 Euro für Stammdatenerfassung, System und KI-Modul amortisieren sich bei kleinen Beständen nicht innerhalb einer realistischen Projektlaufzeit. Für kleine Gemeinden ist ein professionelles Baumkataster (Green GIS, Baumsicht) ohne KI-Risikomodell der sinnvollere erste Schritt.

2. Keine konsistenten digitalen Inspektionsdaten aus mindestens zwei Jahren. Das KI-Risikomodell braucht Trainingsdaten — und zwar nicht nur Stammdaten, sondern zeitliche Inspektionsreihen mit VTA-Bewertungen. Wer noch nie digital dokumentiert hat und die Kontrolle im ersten Jahr digitalisiert, kann das KI-Modul nicht vor Jahr drei sinnvoll aktivieren. Das ist kein Hinderungsgrund für das Kataster-Aufbauprojekt, aber für den KI-Einsatz.

3. Inspektionsvertrag mit der Gemeinde als Festpreispauschalvertrag ohne Intervallflexibilität. Die eigentliche Kosteneinsparung (weniger Kontrollen bei Niedrigrisikobäumen) ist nur realisierbar, wenn der Vertrag das erlaubt. Wer einen Pauschalvertrag über “1 × jährliche Kontrolle aller Bäume” hat, kann mit dem KI-System nicht die Anzahl der Kontrollbesuche reduzieren — nur die Qualität verbessern. Die Vertragssituation muss vor dem Business-Case-Angebot geklärt sein.

Das kannst du heute noch tun

Bevor du eine Softwareentscheidung triffst, brauchst du ein Bild davon, wie vollständig deine Stammdaten wirklich sind. Das dauert zwei Stunden — kein Budget, kein Dienstleister.

Öffne das vorhandene Baumkataster oder die Excel-Liste der Gemeinde und prüfe für einen Stichprobenbereich (z. B. eine Straße mit 20–30 Bäumen):

• Wie viele Bäume haben GPS-Koordinaten?
• Wie viele haben eine korrekte Artbestimmung?
• Wie viele haben Fotos aus der letzten Kontrolle?
• Für wie viele gibt es zwei oder mehr datierte Inspektionsprotokolle?

Diese vier Fragen zeigen dir, ob du in Wochen oder Monaten bis zum ersten sinnvollen KI-Ansatz entfernt bist.

Für die Risikoklassifizierung einzelner Bäume kannst du heute noch testen, wie ein einfacher Prompt-Assistent dabei hilft, Befunddaten strukturiert auszuwerten:

Quellen & Methodik

• BaKIM-Projekt Bamberg (2022–2024): KI-gestützte Luftbildauswertung nach Drohnenbeflug von Baumkronen — Kooperationsprojekt der Stadt Bamberg und der Otto-Friedrich-Universität Bamberg. Open-Source-Veröffentlichung Herbst 2024. Übertragung auf Lemgo 2024. Quelle: de.digital / Smart-City-Navigator und smartcity.bamberg.de.
• ISA / Arboriculture & Urban Forestry (2022): „Using Artificial Intelligence to Assist Tree Risk Assessment” — Testbericht zum KI-Assistenzsystem Dylogos für visuelle Baumkontrolle. Explizite Einschränkung: KI-Modelle neigen zur Fehlklassifikation bei Hochrisikobäumen. Quelle: auf.isa-arbor.com.
• FLL-Baumkontrollrichtlinien 2020: Forschungsgesellschaft Landschaftsentwicklung Landschaftsbau e.V. — anerkannter Stand der Technik für Baumkontrolle nach §823 BGB. Enthält ausdrücklich die Möglichkeit risikoadaptierter Kontrollintervalle. Aktuelle Fassung veröffentlicht Mai 2020. Quelle: shop.fll.de, galk.de.
• Kontrollkosten 30–50 €/Baum: Erhebung des Baumpflegeportals (baumpflegeportal.de) und gartenbau.org. Bestätigt durch Praxisberichte von GaLaBau-Betrieben; liegt im Bereich des Richtwerts von 45 €/Baum für mittelgroße Kommunen.
• Aachen 125.000 Straßenbäume: Kommune21 — „Straßenbäume exakt dokumentiert” (Praxisbericht Digitales Baumkataster Aachen). Quelle: kommune21.de.
• StraKo Baum — 200+ Kommunen: Sysmo GmbH, veröffentlicht auf sysmo-gmbh.de. Nutzerzahl als Marktindikator für den deutschen Markt zitiert, nicht als Qualitätsbewertung.
• Kostenangaben Green GIS: Veröffentlichtes Preismodell unter app.green-gis.de (Stand Mai 2026).
• Machine Learning für Tree Risk Assessment (2024): „A machine learning-based protocol to support visual tree assessment and risk of failure classification on a university campus.” ScienceDirect, Urban Forestry & Urban Greening (2024). Quelle: sciencedirect.com.

Willst du wissen, welcher Ansatz für deinen spezifischen Baumbestand (Größe, vorhandene Datenlage, kommunale Infrastruktur) am sinnvollsten ist? Schreib uns — das klären wir in einem kurzen Gespräch.