Quantified Trees
BMUKN
Intelligente Bewässerungsvorhersage
für Stadtbäume
Wir haben in Zusammenarbeit mit dem CityLAB der Technologiestiftung Berlin und zwei Berliner Grünflächenämtern ein KI-gestütztes Vorhersagemodell zur intelligenten Bewässerung von Berliner Stadtbäumen entwickelt und in eine Web-Applikation integriert. Die Anwendung hat das Ziel, die lokalen Grünflächenämter aus Mitte und Neukölln in der Baumpflege zu unterstützen. Unter Einbeziehung vielfältiger Datenbestände kann der Wasserbedarf von Stadtbäumen dank QTrees nun spezifischer bestimmt werden, was wiederum einen effizienteren Umgang mit Wasser als knapper Ressource ermöglicht.
Quantified Trees ist offiziell Teil der deutschen Anpassungsstrategie an den Klimawandel und wurde nach einem Beschluss des Deutschen Bundestages vom Bundesministeriums für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit (BMUKN) gefördert.
Quantified Trees ist offiziell Teil der deutschen Anpassungsstrategie an den Klimawandel und wurde nach einem Beschluss des Deutschen Bundestages vom Bundesministeriums für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit (BMUKN) gefördert.
Mehrwerte
- KI-gestützte Optimierung der Wassernutzung: Prognosebasierte Bewässerung ermöglicht einen effizienteren Umgang mit der Ressource Wasser und wirkt dem Baumsterben gezielt entgegen.
- Digitale Teilhabe der Zivilgesellschaft: Mit Baumblick wurde als Teil von QTrees eine App für interessierte Bürger*innen zur transparenten Information und Beteiligung entwickelt.
- Fundierte Entscheidungsgrundlagen für Expert*innen: Ein spezialisiertes Dashboard unterstützt die Optimierung von Bewässerungsstrategien auf Basis datengetriebener Prognosen.
Leistungen
- Datenintegration & Modellierung: Zusammenführung heterogener Datenquellen und Entwicklung eines tragfähigen Datenbankmodells.
- Cloud-Setup (AWS): Aufbau einer skalierbaren technischen Cloud-Umgebung.
- Vorhersagemodell-Entwicklung: Umsetzung eines Proof of Concept und MVP für KI-gestützte Prognosen.
- Zeitreihen & Machine Learning: Modellierung mit klassischen Zeitreihenverfahren und modernen ML-Methoden.
- MLOps & Betrieb: Aufbau eines Machine-Learning-Backends inklusive Pipeline und Monitoring für den stabilen Betrieb des MVPs.
- Open-Source-Veröffentlichung: Bereitstellung des vollständigen Solution Stacks als schlüsselfertiges Open-Source-Projekt.
