TreeQuest - Entdecke und erfasse die Bäume deiner Stadt

TreeQuest.app ist eine gamifizierte mobile Anwendung für die crowdsourcierte Erfassung von Baumdaten im städtischen Raum. Sie wurde speziell für den Innovationswettbewerb München entwickelt. Das Projekt kombiniert pädagogischen Wert mit echtem Nutzen für die städtische Verwaltung.

Was macht das Projekt?

Mit TreeQuest können Nutzer (z.B. Schüler und Studenten) Bäume auf einer interaktiven Karte markieren, verifizieren und zusätzliche Daten erfassen. Die App bietet folgende Kernfunktionen: - Baumerfassung & Verifizierung: Nutzer können neue Bäume markieren oder bestehende Daten überprüfen. - KI-basierte Artenbestimmung: Ein integriertes Machine-Learning-Modell hilft bei der Identifizierung der Baumart anhand von Fotos. - Zustandserfassung: Meldung des aktuellen Zustands der Bäume. - Gamification: Für ihre Arbeit sammeln die Nutzer Punkte, schalten Badges frei, bauen "Streaks" (Aktivitätssträhnen) auf und entdecken neue Zonen in der Stadt.

Welches Problem löst TreeQuest?

Städte benötigen genaue und aktuelle Daten über ihren Baumbestand (z.B. für die Stadtplanung, Klimaanpassung und Pflege). Die manuelle Erfassung durch städtische Mitarbeiter ist jedoch extrem zeitaufwändig und teuer. TreeQuest löst dieses Problem durch Crowdsourcing: Es motiviert Bürger – insbesondere eine junge Zielgruppe –, diese Daten spielerisch bei Spaziergängen oder als Schulprojekt zu sammeln. Die Gamification-Elemente sorgen für eine hohe Motivation und regelmäßige Teilnahme. Gleichzeitig hat die App einen starken pädagogischen Wert, da Nutzer lernen, heimische Baumarten zu erkennen und sich mit ihrer Umwelt auseinanderzusetzen.

Fachlicher und Technischer Wert

Fachlicher Wert: - Kosteneffiziente Datenerhebung: Aktualisierung städtischer Geodaten durch die Community. - Umweltbildung: Sensibilisierung für die städtische Natur. - Datenqualität: Durch Verifizierungsmechanismen (Nutzer überprüfen Einträge anderer) wird eine hohe Datenqualität sichergestellt.

Technischer Wert: - Moderne Full-Stack Architektur: Die Lösung zeigt ein sauberes Zusammenspiel aus Mobile-Frontend (React Native), performantem Backend (FastAPI) und einer Geodatenbank (PostgreSQL + PostGIS). - Edge AI / Machine Learning: Integration eines Python-nativen ML-Modells zur Bilderkennung direkt im Backend ohne komplexe Microservice-Overheads. - Geodaten-Verarbeitung: Professioneller Umgang mit räumlichen Daten (OGC-Standards, GeoJSON, PostGIS). - Stateless & Scalable: Die zustandslose JWT-Authentifizierung und Container-Architektur machen das System leicht skalierbar und robust.

Diese Dokumentation dient sowohl als technischer Einstieg für neue Entwickler als auch als Referenz für die Architektur und das Setup des Systems.