Mit Smartphones den ökologischen Wandel erfassen

Smartphone-Apps zur Pflanzenbestimmung wie „Flora Incognita“ können nicht nur Pflanzenarten erkennen, sie erfassen auch großräumige ökologische Muster. Diese Muster stimmen mit Langzeit-Kartierungen der deutschen Flora erstaunlich gut überein, obwohl sie in kürzester Zeit gewonnen wurden und stark vom Verhalten der App-Nutzer beeinflusst werden. Damit eröffnen sich neue Perspektiven für die schnelle Erfassung von Veränderungen der Biodiversität. Das sind die wesentlichen Erkenntnisse einer Studie, die von einem Forscherteam aus Mitteldeutschland durchgeführt und in der Zeitschrift Ecography veröffentlicht wurde.

Mit Hilfe von Künstlicher Intelligenz können Pflanzenarten heute mit hoher Genauigkeit bestimmt werden. Smartphone-Apps nutzen diese Technologie, um eine unkomplizierte Bestimmung von Pflanzen vor Ort zu ermöglichen. Auch Laien können sich so schnell einen Zugang zur biologischen Vielfalt (Biodiversität) verschaffen. Doch vor dem Hintergrund von Klimawandel, dem Verlust von Lebensräumen und veränderter Landnutzung könnten solche Applikationen noch einen weiteren Nutzen haben: Durch die Erfassung der Standorte der Pflanzenarten entstehen wertvolle Datensätze, die Forschenden Aufschluss darüber geben können, wie sich verschiedene Umweltbedingungen verändern.

Doch wie zuverlässig sind die so gesammelten Informationen – und können sie es mit langfristig angelegten Datensätzen aufnehmen? Genau dieser Frage ist ein Forschungsteam des Deutschen Zentrums für Biodiversitätsforschung (iDiv), des Remote Sensing Center for Earth System Research (RSC4Earth) der Universität Leipzig (UL) und des Helmholtz-Zentrums für Umweltforschung (UFZ), des Max-Planck-Instituts für Biogeochemie (MPI-BGC) und der Technischen Universität Ilmenau gemeinsam nachgegangen. Das Team untersuchte Daten, die zwischen 2018 und 2019 mithilfe der App „Flora Incognita“ in Deutschland erfasst wurden und verglich diese mit der Datenbank FlorKart des Bundesamtes für Naturschutz (BfN). Dabei handelt es sich um eine herkömmliche Langzeit-Kartierung, die mit der Unterstützung von über 5000 Pflanzenexperten über einen Zeitraum von über 70 Jahren erstellt wurde.

App erlaubt Rückschlüsse auf ökologische Muster in Deutschland

Die Forschenden konnten zeigen, dass sich mit den Daten, die in nur zwei Jahren mithilfe der App „Flora Incognita“ gewonnen wurden, ökologische Muster in Deutschland ableiten lassen, die mit einer langfristigen Kartierung der Flora Deutschlands vergleichbar sind. Die Daten spiegelten damit auch wider, welchen Einfluss verschiedene Umweltfaktoren auf die Verbreitung verschiedener Pflanzenarten haben.

Ein direkter Vergleich der beiden Datensätze zeigte jedoch auch, dass die Datensätze aus der App insbesondere dort von denen der herkömmlichen Langzeit-Kartierung abwichen, wo eine geringere Bevölkerungsdichte vorliegt. „Wie viele Daten in einer bestimmten Region mit einer App gesammelt werden, ist natürlich stark davon abhängig, wie viele Smartphone-Nutzende es dort gibt“, sagt Dr. Jana Wäldchen vom MPI-BGC, Mitautorin der Studie und Mitentwicklerin der App. In ländlichen Regionen waren die Abweichungen daher stärker – es sei denn, es handelte sich um beliebte touristische Ziele, wie beispielsweise an der Zugspitze oder auf der Nordsee-Insel Amrum.

Auch die Interessen der Nutzerinnen und Nutzer haben einen Einfluss auf die erfassten Pflanzenarten. „Die mit der App gesammelten Pflanzenobservationen geben das wieder, was die Menschen in der Natur sehen und wofür sie sich interessieren”, sagt Wäldchen. So werden häufige und auffällige Arten öfter bestimmt als die seltenen und unauffälligen Arten. Trotz solcher Besonderheiten hilft die schiere Menge der gesammelten Pflanzenbeobachtungen, bekannte biogeographische Muster zu rekonstruieren. Für ihre Studie konnten die Forschenden auf mehr als 900.000 Observationsdaten zurückgreifen, die während der ersten beiden Jahre seit dem Erscheinen der App entstanden sind.

Automatische Arterkennung birgt große Potentiale

Die Studie zeigt das Potential dieser Art von Datenerfassung für die Biodiversitäts- und Umweltforschung, die schon bald in Strategien zur Langzeit-Kartierung integriert werden könnte. „Wir sind überzeugt, dass die automatische Arterkennung in Zukunft noch viel größere Potentiale hat als bisher angenommen und eine schnelle Erfassung von Änderungen der Biodiversität ermöglichen könnte“, sagt Prof. Miguel Mahecha von der Universität Leipzig, Erstautor und Mitglied des iDiv. Mit einer steigenden Nutzerzahl von Apps wie „Flora Incognita“ könnten Veränderungen der Ökosysteme weltweit in Echtzeit erfasst und analysiert werden.

Die App „Flora Incognita“ wurde gemeinsam von den Gruppen von Dr. Wäldchen am MPI-BGC und von Prof. Patrick Mäder an der TU Ilmenau entwickelt. Sie ist die erste in Deutschland angewandte App zur Pflanzenbestimmung, die tiefe künstliche neuronale Netze (Deep Learning) in diesem Kontext nutzt. Trainiert mit Tausenden von Pflanzenbildern, die von Experten bestimmt wurden, erkennt „Flora Incognita“ mittlerweile über 4800 Pflanzenarten weit über die Landesgrenzen hinaus.

„Bei der Entwicklung von Flora Incognita haben wir festgestellt, dass es einen großen Bedarf und ein großes Interesse an besseren Technologien zur Erfassung von Biodiversitätsdaten gibt. Für uns als Informatiker ist es erfreulich zu sehen, dass die von uns entwickelten Technologien einen wichtigen Beitrag zur Biodiversitätsforschung leisten”, sagt Co-Autor Prof. Patrick Mäder von der TU Ilmenau.

(Kati Kietzmann, iDiv)

Originalpublikation
Miguel D. Mahecha, Michael Rzanny, Guido Kraemer, Patrick Mäder, Marco Seeland, Jana Wäldchen (2021). Crowd-sourced plant occurrence data provide a reliable description of macroecological gradients. Ecography, DOI: 10.1111/ecog.0549

Blütenpollen effizient bestimmen

Ob Pollenflugvorhersage, Honiganalyse oder das Verstehen klimabedingter Veränderungen von Pflanzen-Bestäuber-Interaktionen – die Analyse von Blütenpollen spielt in vielen Forschungsbereichen eine wichtige Rolle. Goldstandard ist dabei nach wie vor die Mikroskopie, die jedoch viel Zeit und Expertise erfordert. Wissenschaftlerinnen und Wissenschaftler des Helmholtz-Zentrums für Umweltforschung (UFZ) und des Deutschen Zentrums für integrative Biodiversitätsforschung (iDiv) haben in Kooperation mit der Technischen Universität (TU) Ilmenau nun ein Verfahren entwickelt, mit dem sie die Pollenanalyse automatisieren können. Ihre Studie ist im Fachmagazin New Phytologist veröffentlicht.

Pollen wird in den Staubblättern einer Blüte produziert und besteht aus vielen winzigen Pollenkörnern, die das männliche Erbgut einer Pflanze für deren Fortpflanzung beherbergen. Die Pollenkörner verfangen sich in den Härchen vorbeistreifender nektarsaugender Insekten und werden so von Blüte zu Blüte transportiert. Dort bleibt er im besten Fall an der klebrigen Narbe derselben Pflanzenart hängen, und es kann zu einer Befruchtung kommen. „Die bestäubenden Insekten machen diesen Pollen-Kurierdienst zwar ganz nebenbei, doch ist er von unschätzbar hohem ökologischen und auch wirtschaftlichen Wert“, sagt Dr. Susanne Dunker, Leiterin der Arbeitsgruppe Bildbasierte Zytometrie im Department Physiologische Diversität an UFZ und iDiv. „Insbesondere vor dem Hintergrund des Klimawandels und dem zunehmenden Verlust von Arten ist es wichtig, diese Pflanzen-Bestäuber-Interaktionen besser zu verstehen.“ Die Pollenanalyse ist dafür ein entscheidendes Instrument.

Pollenkörner haben eine für die jeweilige Pflanzenart charakteristische Form, Oberflächenstruktur und Größe. Um die zwischen 10 und 180 Mikrometer großen Pollenkörner einer Probe zu bestimmen und zu zählen, galt bislang die Mikroskopie als Goldstandard. Die Arbeit am Mikroskop erfordert jedoch eine große Expertise und ist sehr zeitaufwendig. „Zwar gibt es bereits verschiedene Ansätze zur Automatisierung der Pollenanalyse, doch können diese Methoden entweder nah verwandte Arten nicht unterscheiden oder keine quantitativen Aussagen über die Anzahl der in einer Probe enthaltenen Pollenkörner treffen“, sagt die UFZ-Biologin Dunker. Doch genau das ist für viele Fragestellungen in der Forschung, etwa zur Interaktion zwischen Pflanzen und Bestäubern, wichtig.

In ihrer aktuellen Studie hat das Forscherteam  ein neuartiges Automatisierungsverfahren für die Pollenanalyse entwickelt. Dafür kombinierte es den Hochdurchsatz der bildbasierten Durchflusszytometrie, ein Verfahren der Partikelanalyse, mit einer Form der künstlichen Intelligenz (KI), dem sogenannten Deep Learning – und entwarf damit ein hocheffizientes Analyse-Tool, das neben der exakten Artbestimmung auch eine Quantifizierung der in einer Probe enthaltenen Pollenkörner möglich macht. Die bildbasierte Durchflusszytometrie ist ein vorwiegend in der Medizin angewandtes Verfahren zur Analyse von Blutzellen, das nun auch der Pollenanalyse dient. „Eine zu untersuchende Pollenprobe wird zunächst in eine Trägerflüssigkeit gegeben, die dann einen enger werdenden Kanal durchfließt“, erklärt Susanne Dunker dieses Verfahren. „Durch die Verengung, werden die Pollenkörner separiert und wie auf einer Perlenschnur aufgereiht. So wandert jedes Pollenkorn einzeln durch das eingebaute Mikroskop-Element – bis zu 2.000 Pollen pro Sekunde können das sein.“ Zwei normale mikroskopische Bilder werden mit zehn fluoreszenzmikroskopischen Aufnahmen pro Pollen ergänzt. Dabei senden die Pollen, nachdem sie durch Laser mit Licht bestimmter Wellenlängen angeregt wurden, selbst Licht aus. „In welchem Bereich des Farbspektrums und wo genau die Pollen fluoreszieren, ist teilweise sehr spezifisch. Damit erhalten wir weitere Merkmale, die zur Identifizierung der jeweiligen Pflanzenart beitragen können“, sagt Susanne Dunker. Beim Deep learning abstrahiert ein Algorithmus in aufeinanderfolgenden Schritten die ursprünglichen Pixel eines Bildes immer stärker, um letztendlich die für eine Art spezifischen Eigenschaften zu extrahieren. „Die kombinierte Nutzung von mikroskopischen Aufnahmen, Fluoreszenzeigenschaften und Hochdurchsatz gab es in der Pollenanalyse bislang noch nicht – das ist tatsächlich ein absolutes Novum.“ Die Analyse einer wenig komplexen Probe dauert beispielsweise vier Stunden am Mikroskop, mit dem neuen Verfahren sind es nur noch 20 Minuten.

Die in der New Phytologist-Studie untersuchten Pollenproben stammten von 35 Wiesenpflanzenarten, darunter zum Beispiel Schafgarbe, Salbei, Thymian und verschiedene Klee-Arten wie Weiß-, Berg- und Wiesenklee. Insgesamt fertigten die Forscher rund 430.000 Bilder an, die den Grundstock für eine Datenbank bildeten. Diese wurde in Kooperation mit der TU Ilmenau mittels Deep Learning in ein hocheffizientes Werkzeug zur Pollenidentifizierung überführt. In anschließenden Untersuchungen testeten die Forscher die Treffsicherheit ihrer neuen Methode: Aus den 35 Pflanzenarten haben sie unbekannte Pollenproben mit der Datenbank verglichen. „Das Ergebnis war mehr als zufriedenstellend, die Genauigkeit lag bei 96 Prozent“, sagt Susanne Dunker. Dabei konnten sogar Arten, die selbst für Experten am Mikroskop schwer zu unterscheiden sind, sicher identifiziert werden. Die neue Methode ist also nicht nur extrem schnell, sondern auch hochpräzise.

Das neue Verfahren der automatisierten Pollenanalyse wird künftig bei wichtigen Forschungsfragen rund um die Pflanzen-Bestäuber-Interaktionen eine zentrale Rolle spielen. Wie wichtig sind bestimmte Bestäuber wie Biene, Fliege oder Hummel für eine Pflanzenart? Welche Konsequenzen hätte ein Verlust einer bestäubenden Insekten-Art oder einer Pflanze? „Wir sind nun in der Lage, in großem Umfang Pollenproben qualitativ und gleichzeitig quantitativ auszuwerten. Unsere Pollen-Datenbank insektenbestäubter Pflanzen erweitern wir dafür stetig“, sagt Susanne Dunker. Sie will die Datenbank auf mindestens jene 500 Pflanzenarten erweitern, deren Pollen für die Honigbiene als Nahrung relevant sind.

Publikation:
Susanne Dunker, Elena Motivans, Demetra Rakosy, David Boho, Patrick Mäder, Thomas Hornick, Tiffany M. Knight: Pollen analysis using multispectral imaging flow cytometry and deep learning. New Phytologist https://doi.org/10.1111/nph.16882