Jedes Mal, wenn jemand eine Wildblume in einem Stadtpark oder einen beerenreichen Strauch am Wegesrand fotografiert, hält er mehr fest, als nur einen Moment der Neugierde. Für die meisten INaturalist Für manche Nutzer mag dieses Foto einfach eine persönliche Erinnerung, eine Wochenendentdeckung oder ein Hilfsmittel zur Identifizierung der abgebildeten Pflanze sein. Doch diese digitale Datei kann auch zu Rohmaterial für die Wissenschaft werden. Mithilfe eines Computer-Vision-Tools namens PhenoVisionGemeinschaftsfotos können in eine riesige Datenbank umgewandelt werden, um zu verfolgen, wie Pflanzen auf Umweltveränderungen reagieren.

Pflanzen besitzen ihre eigene biologische Uhr, und die Phänologie – der Zeitpunkt von Lebenszyklusereignissen wie dem Austrieb der Blattknospen, dem Blattaustrieb, der Blüte und der Fruchtbildung – ist einer der deutlichsten Indikatoren dafür, wie Ökosysteme auf veränderte Bedingungen reagieren. Blühen oder fruchten Pflanzen früher als üblich, geraten sie möglicherweise aus dem Takt mit Bestäubern, Samenverbreitern oder anderen Arten, die von ihnen abhängig sind. Diese Verschiebungen können Wechselwirkungen zwischen Arten beeinflussen und die Struktur und Funktion von Ökosystemen verändern. Um solche Veränderungen zu erkennen und vorherzusagen, benötigen Wissenschaftler detaillierte, qualitativ hochwertige Phänologiedaten aus aller Welt. Historische Phänologieaufzeichnungen sind jedoch oft lückenhaft und geografisch verzerrt, was umfassendere Einblicke in die Veränderungen der Pflanzenwelt erschwert.

Hier werden Daten aus der Bürgerwissenschaft unerlässlich. Plattformen wie iNaturalist erhalten monatlich Millionen von Naturbeobachtungen und erstellen so eine außergewöhnliche Dokumentation darüber, wo und wann Pflanzen und andere Organismen beobachtet wurden. Trotz dieses enormen Zuflusses sind die meisten dieser Bilder nicht mit Informationen darüber versehen, ob eine Pflanze blüht oder Früchte trägt. Die manuelle Annotation ist deutlich langsamer als die Rate neuer Uploads, wodurch eine manuelle Überprüfung von zig Millionen Feldaufnahmen unrealistisch ist. Um diesen Engpass zu beheben, Ein Team unter der Leitung der Forscher Russell Dinnage, Daijiang Li und Robert Guralnick entwickelte PhenoVisionDieses Computer-Vision-Modell automatisiert die Annotation von Blumen und Früchten anhand von Feldaufnahmen und stellt ein leistungsstarkes Framework dar, das auf strengen Forschungsanforderungen basiert.

Bauen PhenoVisionDie Forscher trainierten ein Computermodell auf Basis eines Vision Transformers mit 1.5 Millionen iNaturalist-Bildern, die Nutzer zuvor als Blüten, Früchte oder keines von beidem markiert hatten. Zusätzlich trainierten sie das Modell mit einem umfangreichen Datensatz zur Pflanzenbestimmung, um ihm die visuellen Merkmale beizubringen, die Botaniker und Naturforscher bei der Pflanzenbestimmung verwenden.

Die Fotos von iNaturalist sind jedoch keine Studioaufnahmen. Sie können unscharf, entfernt, schlecht beleuchtet, von anderen Pflanzen überlagert oder aus ungewöhnlichen Winkeln aufgenommen sein. Um dem entgegenzuwirken, legten die Forscher strenge Grenzwerte fest, ab denen das Programm mit Sicherheit sagen konnte, ob eine Blüte oder Frucht vorhanden war, und ab denen ein Bild als mehrdeutig eingestuft werden sollte. Nach diesem Qualitätskontrollschritt PhenoVision Bei Testbildern schnitt das System sehr gut ab und erkannte das Vorhandensein von Blüten mit einer Genauigkeit von 98.5 % und das Vorhandensein von Früchten mit einer Genauigkeit von 95 %.

Nach der Kalibrierung der Modellausgaben wandten die Forschenden PhenoVision auf über 53 Millionen unannotierte Pflanzenbilder von iNaturalist an. Das Ergebnis war eine bedeutende neue Ressource für die digitale Botanik: 30,199,391 standardisierte, für die Forschung nutzbare Phänologiedatensätze, darunter über 25 Millionen Datensätze für Blüten und fast 5 Millionen für Früchte. Dies erweitert die Phänologiedaten erheblich für Regionen, die bisher oft unterrepräsentiert waren, insbesondere im globalen Süden und abseits großer urbaner oder küstennaher Forschungszentren. Das Projekt erweitert zudem die taxonomische Abdeckung durch die Generierung automatisierter Pflanzenphänologie-Labels für 119,340 Arten, die mehr als ein Viertel aller bekannten Pflanzenarten aus 10,406 Gattungen und 408 Familien repräsentieren.

Um diese Daten leichter zusammen mit anderen botanischen Aufzeichnungen nutzen zu können, ordneten die Forscher die resultierenden phänologischen Informationen den entsprechenden Feldern zu. Ontologie der Pflanzenphänologie und hat es dann in eine Webanwendung namens PhenoBaseDadurch lassen sich Aufzeichnungen aus der Bürgerforschung leichter mit physischen Belegexemplaren aus Herbarien und Daten aus In-situ-Überwachungen kombinieren. Gemeinsam ermöglichen diese Quellen Wissenschaftlern einen umfassenderen Überblick darüber, wann Pflanzen blühen und Früchte tragen und wie sich diese Muster in verschiedenen Regionen, Arten und Ökosystemen verändern.

An frühe Forschungsarbeit PhenoBase-Daten zeigen bereits, was sie offenbaren können. Anhand von iNaturalist-Fotos, die mit Blüten- und Fruchtmarkierungen versehen waren, verglichen die Autoren Pflanzen in tropischen Städten mit Pflanzen in nahegelegenen ländlichen Gebieten. Sie stellten fest, dass Stadtpflanzen tendenziell länger blühten oder Früchte trugen und weniger deutliche saisonale Muster aufwiesen. Wenn Städte den üblichen Blüte- und Fruchtzyklus verändern, könnte dies Auswirkungen auf Bestäuber, Samenproduktion, das Überleben der Pflanzen und das gesamte städtische Ökosystem haben.

Für iNaturalist-Nutzer zeigt das Projekt, wie gemeinschaftliche Wissenschaft weit über individuelle Beobachtungen hinausgehen kann. Ein Foto, das während eines Spaziergangs, einer Exkursion oder eines Wochenendausflugs aufgenommen wurde, kann Teil einer globalen Initiative zur Überwachung von Biodiversitätsveränderungen werden. Forschern bietet PhenoVision Open-Source-Modelle, Arbeitsabläufe und standardisierte Qualitätsmetriken, die groß angelegte Phänologiestudien unterstützen. Im Naturschutz können Phänologiedaten in nahezu Echtzeit dazu beitragen, ungewöhnliche Blütezeiten zu erkennen, klimabedingte Veränderungen zu verfolgen und Regionen zu identifizieren, in denen sich der Zeitpunkt der Pflanzenentwicklung am schnellsten verändert.

Digitale Botanik bedeutet nicht, die Faszination der Pflanzen durch Algorithmen oder Datenbanken zu ersetzen. Vielmehr zeigen Frameworks wie PhenoVision, wie maschinelles Lernen die alltägliche menschliche Neugierde verstärken kann. Wenn Sie das nächste Mal eine blühende Pflanze für iNaturalist fotografieren, kann dieses Bild mehr bewirken, als nur eine Erinnerung festzuhalten oder bei der Bestimmung zu helfen. Es kann ein kleiner Beitrag zu einem globalen Bestreben sein, die Veränderungen der Pflanzenwelt zu verstehen.

LESEN SIE DIE ARTIKEL

Dinnage, R., Grady, E., Neal, N., Deck, J., Denny, E., Walls, R., Seltzer, C., Guralnick, R. & Li, D. (2025). PhenoVision: Ein Framework zur Automatisierung und Bereitstellung von forschungsfertigen phänologischen Pflanzendaten aus Feldaufnahmen. Methods in Ecology and Evolution, 16, 1763–1780. https://doi.org/10.1111/2041-210X.70081 

Jha, R.Simha, A., Ita, R., Rao, R., Li, D. und Kandlikar, G. (2026) Urbane Umgebungen verändern die reproduktive Phänologie von Pflanzen in den Tropen. Verfügbar unter: https://doi.org/10.64898/2026.01.28.702306. 

Spanische und portugiesische Übersetzung von Erika Alejandra Chaves-Diaz. 

Titelbild von Zoro (Canva).

Gastautorenprofil

Erika ist eine kolumbianische Biologin und Ökologin mit einer Leidenschaft für tropische Wälder, Primaten und Wissenschaftskommunikation. Sie hat einen Master in Ökologie und Naturschutz und arbeitet mit @cienciatropical zusammen, um Menschen die Biodiversität näherzubringen.