Internationale Studien

Mit KI, Smartphones und Satelliten Ökosysteme verstehen

Zwei internationale Studien unter Leitung der Universität Freiburg zeigen, wie Citizen-Science-Daten genutzt werden können, um Eigenschaften von Pflanzen und Ökosystemen weltweit besser zu verstehen. Die Forschenden nutzten Millionen von Pflanzenbeobachtungen aus der Bevölkerung in Kombination mit Satelliten-, Klima- und Bodendaten. Damit gelang es ihnen, KI-Modelle zu trainieren, die Pflanzeneigenschaften direkt aus Fotos erkennen. Außerdem erstellten sie die bisher zuverlässigsten und detailliertesten Karten der globalen Pflanzenwelt.

von Albert-Ludwigs-Universität Freiburg/Redaktion erschienen am 19.02.2026

Mithilfe neuer Methoden erstellten die Forschenden die bislang detailliertesten Karten wichtiger Pflanzenmerkmale. (Grafik aus Lusk et al. 2026, erschienen in Nature Communications). © Daniel Lusk

Artikel teilen:

Neue Methode liefert hochauflösende Weltkarten der Pflanzenwelt

Für die in der Fachzeitschrift Nature Communications veröffentlichte Studie „Crowdsourced biodiversity monitoring fills gaps in global trait mapping“ kombinierten die Forschenden Millionen von Artbeobachtungen aus Citizen-Science-Plattformen wie iNaturalist mit professionellen Vegetationsaufnahmen. Hinzu kamen Messdaten zu Pflanzenmerkmalen aus internationalen Datenbanken sowie hochauflösende Informationen aus der Erdbeobachtung, etwa zu Klima, Böden und Vegetationsstruktur.

Mithilfe Maschinellen Lernens erlaubte dieser Big-Data-Ansatz, aus den Daten abzuleiten, wie Eigenschaften wie Blattgröße, Nährstoffgehalt oder Wuchshöhe von Pflanzengemeinschaften weltweit verteilt sind. Das Ergebnis: Die kombinierten Daten liefern deutlich zuverlässigere, flächendeckendere und räumlich detailliertere Karten als bisherige Verfahren, insbesondere in Regionen, in denen bislang kaum Messungen vorlagen.

„Für die meisten Pflanzeneigenschaften konnten wir so die ersten globalen Karten überhaupt erstellen", erklärt Daniel Lusk, Erstautor der Studie und wissenschaftlicher Mitarbeiter an der Professur für Sensorgestützte Geoinformatik der Universität Freiburg. „Besonders in Regionen, in denen bisher kaum Messungen vorliegen, zeigt unser Ansatz deutliche Verbesserungen. Damit schaffen wir eine wichtige Grundlage, um globale Vegetations- und Klimamodelle weiterzuentwickeln.“

Die Karten können auf der Plattform Global Trait Maps online eingesehen werden.

KI wertet Smartphone-Fotos aus

Einen komplementären, stärker KI-basierten Ansatz verfolgt die Studie „PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data“. Die Forschenden entwickelten ein Verfahren, das funktionelle Pflanzeneigenschaften direkt aus Smartphone-Fotos ableitet, die Bürgerinnen und Bürger weltweit aufgenommen und auf Plattformen wie iNaturalist oder Pl@ntNet hochgeladen haben. Ein KI-Programm erkennt Muster in den Bildern und schätzt daraus Merkmale wie Pflanzenhöhe, Blattfläche, spezifische Blattfläche und den Stickstoffgehalt der Pflanzen. Zudem ruft die KI automatisch Klimainformationen auf Grundlage der in den Fotos eingebetteten GPS-Koordinaten ab. Die Einzelvorhersagen aus tausenden Fotos werden anschließend räumlich zusammengefasst, sodass globale Karten wichtiger Pflanzenmerkmale entstehen. Das KI-System berücksichtigt dabei auch Bildqualität und andere Unsicherheitsfaktoren, um die einzelnen Beobachtungen unterschiedlich zu gewichten.

„Unsere Ergebnisse zeigen, dass sich ökologische Informationen tatsächlich in Alltagsfotos erkennen lassen“, sagt Ayushi Sharma, Erstautorin der Studie und wissenschaftliche Mitarbeiterin an der Professur für Sensorgestützte Geoinformatik der Universität Freiburg. „Wenn viele Menschen Pflanzen fotografieren, entsteht daraus ein gemeinsamer Datensatz, der neue Einblicke in die globale Vegetation ermöglicht.“

Für diesen Ansatz erhielt die Studie internationale Anerkennung: Auf der 40. Annual AAAI Conference on Artificial Intelligence (AAAI-26) wurde sie in der Kategorie Social Impact mit dem Best Paper Award ausgezeichnet.