Vielfalt entdecken

An einem sonnigen Nachmittag bei einem Waldspaziergang fällt zwischen den Bäumen eine Pflanze auf, die ich noch nie zuvor gesehen habe. Die Blätter wirken ungewöhnlich, die Blüten erinnern an eine andere Art, die ich bereits kenne. Statt in einem Bestimmungsbuch nachzuschlagen, greife ich zum Smartphone. Ein Foto später erscheint bereits ein Vorschlag.

Doch wie kommt die App eigentlich zu dieser Einschätzung? Und warum gelingt die Bestimmung heute innerhalb weniger Sekunden, obwohl dafür früher häufig Expertenwissen erforderlich war?

Solche Situationen sind heute keine Seltenheit mehr. Anwendungen wie iNaturalist unterstützen Nutzer dabei, Pflanzen, Tiere oder Pilze zu bestimmen. Was früher oft Fachwissen oder umfangreiche Literatur erforderte, gelingt heute innerhalb weniger Sekunden. Möglich wird das durch die Kombination aus Citizen Science und künstlicher Intelligenz.

Gemeinsam Arten erfassen

Die Erfassung biologischer Vielfalt ist eine gewaltige Aufgabe. Wissenschaftlerinnen und Wissenschaftler können nicht überall gleichzeitig sein. Deshalb gewinnen Projekte an Bedeutung, die auf die Unterstützung der Bevölkerung setzen.

Dieser Ansatz wird als Citizen Science bezeichnet. Dabei beteiligen sich Bürgerinnen und Bürger aktiv an wissenschaftlichen Projekten, indem sie Beobachtungen dokumentieren, Daten sammeln oder bei deren Auswertung helfen. Jede Beobachtung einer Pflanze, eines Tieres oder eines Pilzes kann dabei wertvolle Informationen liefern. Werden diese Beobachtungen systematisch gesammelt, entstehen Datensätze, die Forschenden helfen, Veränderungen in Ökosystemen besser zu verstehen.

Eine der bekanntesten Plattformen in diesem Bereich ist **iNaturalist**. Nutzer können Beobachtungen direkt mit dem Smartphone erfassen, Fotos hochladen und ihre Funde dokumentieren. Gleichzeitig hilft eine große Community bei der Bestimmung der Arten. So entsteht ein Kreislauf aus Datensammlung, gemeinsamer Bestimmung und wissenschaftlicher Nutzung.

Die Anwendungen liefern dabei meist einen Artvorschlag und zeigen häufig ähnliche Beobachtungen oder Referenzbilder an. Dadurch können Nutzer die Einschätzung mit ihrem eigenen Foto vergleichen. Die Plattform dient dabei nicht nur als digitales Nachschlagewerk. Die gesammelten Beobachtungen liefern auch wichtige Daten für Forschung und Naturschutz. Je mehr Menschen ihre Beobachtungen teilen, desto umfassender wird das Bild der biologischen Vielfalt.

Die angezeigten Vergleichsbilder können Nutzern helfen, die Einschätzung besser einzuordnen. Welche Merkmale das KI-Modell tatsächlich erkannt und für seine Entscheidung verwendet hat, bleibt jedoch meist verborgen. Genau diese Frage steht im Mittelpunkt des nächsten Artikels.

Abbildung 1: Beispiel einer KI-gestützten Pflanzenbestimmung in iNaturalist.

Wie die KI Pflanzen und Tiere erkennt

Die automatische Artbestimmung basiert auf Verfahren der Bildklassifikation. Vereinfacht gesagt wird eine KI mit einer großen Anzahl bereits bestimmter Bilder trainiert. Während dieses Trainings lernt das Modell typische Merkmale verschiedener Arten kennen.

Dazu gehören beispielsweise Formen, Farben, Oberflächenstrukturen oder andere wiederkehrende Muster. Trifft die KI später auf ein neues Bild, nutzt sie die während des Trainings gelernten Muster, um die wahrscheinlichste Art vorherzusagen.

Dabei ist wichtig zu verstehen, dass die KI keine biologische Bedeutung erkennt. Sie weiß nicht, was eine Pflanze oder ein Pilz tatsächlich ist. Stattdessen lernt sie statistische Zusammenhänge zwischen bestimmten Bildmerkmalen und den Arten, die in den Trainingsdaten hinterlegt sind. Die Systeme sind deshalb keine digitalen Biologen, sondern hochentwickelte Mustererkenner.

Damit solche Modelle zuverlässig funktionieren, benötigen sie große Mengen an Trainingsdaten. Genau hier zeigt sich erneut die Bedeutung von Citizen Science. Jede dokumentierte Beobachtung kann dazu beitragen, die Datengrundlage zu verbessern. Menschen sammeln also nicht nur Informationen für die Forschung, sondern schaffen gleichzeitig die Basis für leistungsfähigere KI-Systeme.

Gleichzeitig hängt die Qualität der Vorhersagen stark von der Qualität der Trainingsdaten ab. Falsch bestimmte oder unvollständige Beobachtungen können sich daher auch auf die Leistungsfähigkeit der Modelle auswirken.

Warum die Technologie nicht unfehlbar ist

So beeindruckend die Ergebnisse moderner Bilderkennung auch sein mögen – fehlerfrei sind die Systeme nicht.

Viele Arten ähneln sich äußerlich stark. Besonders bei Pilzen oder bestimmten Pflanzenfamilien können kleine Unterschiede entscheidend sein. Diese Merkmale sind auf Fotos nicht immer eindeutig sichtbar. Hinzu kommen praktische Probleme wie schlechte Lichtverhältnisse, unscharfe Aufnahmen oder verdeckte Pflanzenteile. Fehlen wichtige Informationen, kann selbst ein gut trainiertes Modell keine sichere Vorhersage treffen.

Außerdem zeigt ein einzelnes Foto oft nur einen Teil der relevanten Merkmale. Für eine eindeutige Bestimmung wären möglicherweise weitere Perspektiven oder zusätzliche Informationen notwendig. Deshalb sollte die Vorhersage einer KI immer als Unterstützung verstanden werden und nicht als endgültige Gewissheit.

Trotz dieser Einschränkungen bietet die Technologie großes Potenzial. Die automatische Bestimmung erleichtert vielen Menschen den Einstieg in die Beschäftigung mit der Natur. Wer schnell eine erste Einschätzung erhält, dokumentiert häufig weitere Beobachtungen und setzt sich intensiver mit Artenvielfalt auseinander. Dadurch entstehen wiederum mehr Daten, die der Forschung zugutekommen.

Fazit

Citizen Science und künstliche Intelligenz ergänzen sich auf bemerkenswerte Weise. Plattformen wie iNaturalist zeigen, wie freiwillige Beobachtungen und moderne Bilderkennung gemeinsam zur Dokumentation biologischer Vielfalt beitragen können.

Gleichzeitig wird deutlich, dass eine hohe Vorhersagegenauigkeit allein nicht ausreicht. Nutzer möchten verstehen, warum eine KI zu einer bestimmten Entscheidung gelangt und wie zuverlässig diese Einschätzung tatsächlich ist. Die Frage lautet deshalb nicht nur, wie präzise eine KI Arten bestimmen kann, sondern auch, wie nachvollziehbar ihre Entscheidungen für Menschen sind. Genau mit dieser Herausforderung beschäftigt sich Explainable Artificial Intelligence (XAI).

Die unbekannte Pflanze aus dem Botanischen Garten konnte innerhalb weniger Sekunden identifiziert werden. Hinter diesem scheinbar einfachen Ergebnis steckt jedoch ein komplexes Zusammenspiel aus Nutzern, KI-Systemen, wissenschaftlichen Datensätzen und der Unterstützung durch die Community. Abbildung 2 fasst dieses Zusammenspiel nochmals zusammen.