Neues Flora Incognita Update

Unser neues Relase bringt euch ein modernes und vereinfachtes Nutzererlebnis, und eine ganze Reihe neuer Funktionen, mit denen ihr noch mehr Freude an euren Pflanzenfunden haben könnt:

Pflanzen bestimmen:

  • Die neue Benutzeroberfläche ist moderner und übersichtlicher.
  • Es ist jetzt einfacher, eine Pflanze in der Natur aufzunehmen und zu bestimmen.
  • Ihr könnt mit einer neuen Kamerafunktion den Autofokus deaktivieren, um viel einfacher kleine Objekte scharf zu fotografieren.

Pflanzenfunde sammeln:

  • Ihr könnt nachträglich Bilder zu einer Beobachtung hinzufügen.
  • Ihr könnt mit eigenen Schlagworten eure Pflanzenfunde leichter sortieren und filtern.
  • Ihr könnt eure Pflanzenfunde jetzt auf einer Karte ansehen und filtern.
  • Ihr könnt durch zahlreiche Filter die allgemeine Artenliste leichter ansehen.

Verfügbarkeit:

  • Auch ohne ein persönliches Profil könnt Ihr eure Daten auf ein neues Gerät übertragen.
  • Ihr könnt Flora-Incognita-Bilder in eurer Galerie speichern.

Steckbriefe:

  • Wir haben umfangreiche Informationen zu invasiven Arten in Mitteleuropa ergänzt.

Zier- und Kulturpflanzen: Die Grenzen der Bestimmbarkeit

In der Beschreibung von Flora Incognita weisen wir an mehreren Stellen darauf hin, dass die App „nur“ Wildpflanzen bestimmen kann. Warum beschränken wir uns eigentlich darauf? Weltweit geht man von etwa 300.000 „natürlichen“ Blütenpflanzenarten aus. Bedenkt man, dass aus fast jeder wilden Art eine Vielzahl von Variationen gezüchtet werden kann, gibt das einen ersten Eindruck, warum das Beschränken sinnvoll ist.

Was sind Wildpflanzen?

Sich darauf festzulegen, wie viele Arten allein in Deutschland „wild“ vorkommen ist nicht so einfach. Selbst Experten und Expertinnen der Taxonomie sind sich nicht immer einig, welche Art denn nun wirklich Artstatus besitzt und welche lediglich Unterarten einer Art sind.

In der Standardliste der Farn- und Blütenpflanzen Deutschlands (Wisskirchen & Haeupler, 1998) werden über 4000 Arten (ohne Algen und pflanzliche Einzeller)  angegeben.

Einige Gattungen (z.B. Brombeeren oder Habichtskräuter) bilden regelrechte Artenschwärme, welche eine große Anzahl von ineinander übergehenden Kleinarten umfassen.  Wohlweißlich bestimmen wir diese Gattungen mit Flora Incognita aktuell nicht genauer als bis zur Gattung.

Zudem gibt es bei einer Reihe von Arten sogenannte Hybride, welche Übergangsformen zwischen zwei Arten bilden. Bekannt sind hier vor allem die Orchideen. Hybride können letztlich häufiger sein als die Elternarten selbst. Auch diese vielfältigen Hybriden berücksichtigen wir vorerst nicht.

Zu Unterarten, Hybriden und Artenschwärmen heimischer Arten kommen jedoch auch Zuwanderer aus anderen Regionen dieser Erde. Sie breiten sich entlang von Eisenbahnlinien aus, sind an Wasser- und Flughäfen zu finden – oder entstammen Versandhauskatalogen und verbreiten sich fleißig aus Gartenanlagen. Manche dieser Arten können hier gut gedeihen. Sie können sogar sehr häufig werden.

Seit 1492 dürften mehrere zehntausend gebietsfremde Zier- und Nutzpflanzen nach Deutschland beabsichtigt eingeführt worden sein. Von diesen konnten sich bisher ca. 220 Arten fest etablieren und weitere 1600 Arten kommen unbeständig vor.

Ein weiterer Aspekt kommt zur Anzahl heimischer Wildpflanzen hinzu: In Deutschland sterben auch Arten aus. Bislang sind bereits 47 Pflanzenarten ausgestorben (außerdem sind 291 gefährdet, 118 stark gefährdet und 89 extrem selten).

Wie viele Arten gibt es also in Deutschland?  Aufgrund all dieser Schwierigkeiten beziehen wir uns auf die oben genannte Standardliste der Pflanzen Deutschlands. ALLE Arten auf dieser Liste soll Flora Incognita sicher bestimmen können.

Was sind Zierpflanzen?

Zier- und Kulturpflanzen sind Pflanzen, die von Menschen angebaut, kultiviert und züchterisch bearbeitet werden.

Wir wissen, dass viele Nutzer Flora Incognita voller Enthusiasmus zunächst an dem ausprobieren, was sie als erstes die Linse bekommen: ihre Zimmerpflanzen.

Aus diesem Grund haben wir auch ein paar der häufigsten Zierpflanzen mit in unserer Liste erfasst. Allerdings ist „die häufigsten“ nicht das, was wir mit dem Flora Incognita Projekt anstreben. Wir streben nach Vollständigkeit.

Wenden wir dieses Ziel auf Zier- und Kulturpflanzen an, gibt es ein großes Problem: Prinzipiell kann ein Großteil der weltweit vorkommenden Pflanzen unter geeigneten Bedingungen als Zierpflanze kultiviert werden. Der Standortfaktor als Teil der Bestimmungsgenauigkeit fiele dann weg.

Durch Züchtung werden zudem ursprünglich einheitlich aussehende Arten sehr stark verändert. Allein die Anzahl verschiedener Rosensorten  geht in die Tausende – jede sieht anders aus und muss von den zahlreichen Wildarten (und -hybriden) abgegrenzt werden. Beispiele für kultivierte Nutzpflanzen sind z.B. Brokoli und Kohlrabi – beide gehören zur Art Brassica oleracea. Durch züchterische Auslese kann also innerhalb einer Art eine enorme visuelle Vielfalt erzeugt werden (siehe Abbildung)!

 

 

 

Wir erinnern uns: Die  über hundert Arten der Gattung Brombeere sind für ungeübte Augen fast nicht unterscheidbar.

Das biologische Artkonzept ist bei Züchtungen und vielfachen künstlichen Hybridisierungen wenig hilfreich und wird die Erwartungen der Nutzer in vielen Fällen vermutlich auch enttäuschen. Ein Beispiel:

In der letzten Saison erreichten uns zahlreiche empörte Anfragen, dass der auffällige „Rotdorn“, so oft er auch fotografiert wurde, immer wieder als Weißdorn erkannt wurde. Dass Rotdorn lediglich eine Züchtungsform des Weißdorns (Crataegus laevigata) darstellt, und gar keine eigene Art ist, bedarf während seiner Blühzeit einiges an Überzeugungsarbeit auf jedem Kommunikationskanal.

 

Wir können mit Sicherheit sagen: Flora Incognita kennt ALLE in Deutschland wild vorkommenden Arten (mit Ausnahme einiger schwieriger Artkomplexe, die wir aktuell wissentlich nicht bis auf die Art bestimmen). Um sagen zu können, dass Flora Incognita auch die Pflanzen in allen Botanische Gärten, Tropenhäusern, alle Kakteensammlungen, Dahliensorten und Rosenzüchtungen in Deutschlands bestimmen kann, müssten wir die gesamte Flora der Welt trainieren. Alle etwa 300.000 Arten, davon viele mit ungeklärter oder widersprüchlicher Taxonomie. Hinzu kommt eine unbekannte Zahl an Züchtungen. Wie viele Zuchtsorten es gibt können wir nur schätzen – sicherlich noch einmal so viele – und jedes Jahr kommen neue hinzu.

Wie kann ich als Laie Wild- von Zierpflanzen unterscheiden?

Das ist in der Tat oftmals nicht ganz einfach, aber ein paar Anhaltspunkte, Zierpflanzen zu erkennen, gibt es doch:

  • Die Pflanze wächst in einem Blumentopf.
  • Die Pflanze wurde angepflanzt, z.B. in einer Rabatte.
  • Die Pflanze steht in einem Garten.
  • Die Pflanzen wächst im Haus
  • Die Pflanze ist Teil eines künstlich angesäten Ackerrandstreifens.

Natürlich können Sie unsere App auch gern an diesen Pflanzen ausprobieren.

Die Ergebnisse sollten Sie allerdings mit Vorsicht betrachten. Auch unser Algorithmus kann nur erkennen, was er schon einmal (oder 3 Millionen Mal) gesehen hat.

Fazit

Flora incognita kann auch viele Zier- und Kulturpflanzen erkennen.

Aber bei weitem noch nicht alle. Denn an diesem Punkt müssten alle Pflanzen dieser Welt bestimmbar sein. Aber wir werden mit kommenden Updates den Arten-Pool weiter vergrößern und häufige Zier- und Kulturpflanzen mit berücksichtigen. Aktuell trainieren wir mit 1.7 Mio. hoch vertrauenswürdigen Bildern von knapp 5000 Arten. Wollten wir die gleiche Qualität auch für ALLE Zierpflanzen erreichen, bräuchten wir ca. 1 Milliarde wenigstens einigermaßen balancierter Trainingsbilder, sowie die Expertise, alle 300.000 potenziell in Frage kommenden Arten auf diesen Bildern korrekt bestimmt zu haben.

P.S.: Übrigens, gekaufte Küchenkräuter sind meist keine Wildpflanzen. (Nein, auch Rosmarin nicht.)

[Neues Paper veröffentlicht] Deep Learning in der phänologischen Pflanzenforschung: Eine systematische Literaturübersicht

Negin Katal hat gemeinsam mit ihrem Team einen Übersichtsartikel über aktuelle Forschungsansätze welche tiefe Lernverfahren (Deep Learning) in der Pflanzenphänologieforschung verwenden verfasst. Die Veröffentlichung gibt einen Überblick über die wichtigsten Ergebnisse aus 24 ausgewählten, von Experten begutachteten Studien, die in den letzten fünf Jahren (2016-2021) veröffentlicht wurden.

Die Phänologie von Pflanzen befasst sich mit der Veränderung des im Jahreverlauf periodisch wiederkehrenden Entwicklungsstufen von Pflanzen (z.B.: Blüte, Blattaustrieb, Blattfall, etc.). Forschungsarbeiten zur Phänologie haben zunehmend an Bedeutung gewonnen, da Klima-schwankungen und -veränderungen Einfluss auf die Phänologie von Pflanzen nehmen. Eine der größten Herausforderungen dabei ist die Entwicklung von Werkzeugen zur effizienten Analyse großer Datenmengen. Tiefe neuronale Netze können bei der Bildverarbeitung massiv unterstützen, dabei helfen Muster zu erkennen und machen es überhaupt erst möglich große Mengen an Bildmaterial effizient auszuwerten.

„[…]Deep Learning soll vor allem die bisher sehr zeit- und kostenintensiven, direkten phänologischen Messungen und Beobachtungen vereinfachen.“

Unser Artikel beschreibt die verwendeteten Methoden, die nach den untersuchten phänologischen Stadien, dem Vegetationstyp, dem räumlichen Maßstab und der Datenerfassung kategorisiert sind.

Einzelbeobachtungen sind beispielsweise menschliche Beobachtungen von Pflanzen, unter dem Kronendach installierte Kameras oder auch Herbarmaterial welches über Jahrhunderte und rund um den Globus gesammelt wurde.

Oberflächennahe Messungen beispielsweise mit PhenoCams, oberflächennahen Digitalkameras, die knapp über dem Kronendach angebracht sind oder mit Drohnen durchgeführt. Über Satelliten-Fernerkundung werden beispielsweiseIndices wie der Spektrale Vegetationsindex (VI) oder der erweiterten Vegetationsindex (EVI) bestimmt.

Außerdem werden Forschungstrends aufgezeigt und diskutiert sowie  vielversprechende zukünftige Richtungen aufgezeigt. Der Artikel  ist hier frei verfügbar: https://www.frontiersin.org/articles/10.3389/fpls.2022.805738/full

Die wichtigsten Ergebnisse:

Die untersuchten Studien wurden in elf verschiedenen Ländern und in verschiedenen Vegetationstypen (Grasland, Wald, Buschland, landwirtschaftliche Flächen) durchgeführt. Die überwiegende Mehrheit der Primärstudien untersucht phänologische Stadien an einzelnen Individuen. Zehn Studien untersuchten die Phänologie auf regionaler Ebene. Keine einzige Studie arbeitet auf globaler Ebene. Tiefe Lernverfahren sollen in erster Linie die bisher sehr zeit- und kostenintensiven direkten phänologischen Messungen vereinfachen.

Im Allgemeinen sind die wichtigsten phänologischen Stadien das Aufbrechen der Blattknospen, Austrieb der Blätter, Blühbeginn, Erscheinen der Früchte, Seneszenz (Laubfärbung) und das Abwerfen der Blätter. Unter den untersuchten Studien beschäftigte sich mehr als die Hälfte entweder mit den Blattaustrieb oder mit dem Blühbeginn.

Dabei wurden unterschiedliche Methoden verwendet, um Trainingsmaterial für die Lernalgorhitmen zu gewinnen. Zwölf Studien verwendeten Bilder aus digitalen Wiederholungsaufnahmen und analysierten diese. Die Publikation enthält ausführliche Informationen über verschiedenen Arten von digitaler Fotografie, die sich besonders für die Bereitstellung dieser Trainingsdaten eignen.

Darüber hinaus in unserem Paper die Deep-Learning-Methoden, welche beim phänologischen Monitoring eingesetzt werden, kategorisiert, verglichen und diskutiert. Wir haben  festgestellt, dass Klassifizierungs- und Segmentierungsmethoden sich als sehr vorteilhaft erwiesen haben und am häufigsten angewendet werden, insbesondere weil sie mühsame und fehleranfällige manuelle Aufgaben ersetzen oder unterstützen können.

Es gibt unterschiedliche Methoden die Phänologie der Pflanzen zu beobachten.

Zukünftige Trends in der phänologischen Forschung durch den Einsatz von Deep Learning

Methoden des maschinellen Lernens benötigen große Datenmengen, um trainiert zu werden. Daher ist die Erhöhung der absoluten Zahl an gesammelten Daten eine der größten Herausforderungen – insbesondere in Regionen oder Ländern, in denen es bisher keine traditionellen phänologischen Beobachtungsnetze gibt. In dem Papier werden Methoden und Instrumente beschrieben, die sich als wichtige Hebel zur Unterstützung dieser Art von Forschung erweisen werden, zum Beispiel:

Die Installation von Kameras unter dem Kronendach, die automatisch Bilder aufnehmen und über lange Zeiträume hinweg übermitteln.

PhenoCams erweisen sich als neuer und vielversprechender Weg, um die Forschung voranzutreiben: Über indirekte Methoden, welche die Veränderungen in Bildern nachverfolgen, indem sie beispielsweise Veränderung der grünen oder roten Farbkoordinaten aus PhenoCam-Bildern bestimmen und dann dann mittels Algorithmen den Zeitpunkt phänologischer Ereignisse abzuleiten. Wir erwarten, dass in Zukunft viele weitere Studien erscheinen werden, die PhenoCam-Bilder über die bisher berechneten Vegetationsfarbindizes hinaus auswerten.

Citizen Science-Daten aus Pflanzenbestimmungs-Apps wie Flora Incognita erweisen sich als langfristige Quelle für Vegetationsdaten. Diese Bilder sind mit einem Zeitstempel und Standortinformationen versehen und können daher ähnlich wie Herbarmaterial wichtige Informationen, z. B. über Blütezeiten, liefern.

Es wird deutlich, dass Deep-Learning-Methoden in der Phänologieforschung erfolgreich angewendet und genutzt können und die traditionelle Erfassung und Auswertung von Daten verbessern und beschleunige können. Wir, als Forschungsteam, freuen uns darüber, ein Teil davon zu sein und laden Sie herzlich dazu ein, selbst eine wichtige Rolle zu spielen – indem Sie Flora Incognita nutzen, um die Vielfalt und den Wandel der Biodiversität um Sie herum zu beobachten und zu dokumentieren.

Wenn Sie Fragen zu unserer Forschung haben, zögern Sie nicht, uns zu kontaktieren! Sie finden Negin Katal zum Beispiel auf Researchgate und Twitter (@katalnegin).

 

Publikation

Katal, N., Rzanny, M., Mäder, P., & Wäldchen, J. (2022). Deep learning in plant phenological research: A systematic literature review. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.805738