Bestimmung von Pollen mit KI – Einblick in das OCELI-Projekt

Im Projekt OCELI wurde eine Technologie entwickelt, die mithilfe einer Kamera am Bienenstock das Ein- und Ausfliegen von Bienen beobachtet. Mit Hilfe von künstlicher Intelligenz (KI) können Veränderungen durch Umwelteinflüsse analysiert werden. Ein weiteres Ziel war die Untersuchung des von Honigbienen eingetragenen Pollens, um anhand der Pollenfarbe Rückschlüsse auf die Vielfalt der Nahrungsquellen in der Umgebung zu ziehen. Die Ergebnisse wurden 2024 im ISPRS Open Journal of Photogrammetry and Remote Sensing veröffentlicht (Borlinghaus et al. 2024).

KI-gestützte Pollenanalyse

Um ein KI-Modell zu trainieren, wurden zunächst mit Hilfe von Pollenfallen 86 Proben aus verschiedenen Regionen Deutschlands mit einer eigens entwickelten Kamera-Lichtkuppel digitalisiert und die Pflanzenart bzw.-gattung der Pollen von Expertinnen und Experten mikroskopisch bestimmt. Anschließend erfolgte die Kalibrierung und Klassifizierung der Pollenfarben mit der Pollenyzer App. Die Zusammenhänge zwischen Pollenfarbe und Pflanzenart/-gattung wurden mithilfe eines Gaussian Mixture Models (GMM) modelliert. Zusätzlich analysierte eine Hauptkomponentenanalyse (PCA) die Farbabweichungen und ermöglichte die Bildung von Farbclustern. Auf diese Weise konnten 253 Pollenvarianten insgesamt 30 Pflanzenarten bzw.-gattungen zugeordnet werden.

Herausforderungen bei der Bestimmung

Selbst die Pollenarten mit der geringsten Farbvariation, wie z.B. Brassica T., zeigten eine bemerkenswerte Farbdispersion. Diese Variabilität erschwert die eindeutige Klassifikation einzelner Pollen allein anhand ihrer Farbe. Erschwerend kommt hinzu, dass Pollen ihre Farbe durch Trocknung und Lagerung verändern können.

Mit dem entwickelten KI-Modell konnten Pollen mit einer Genauigkeit von bis zu 67% einer Pflanze zugeordnet werden. Phacelia oder Pflanzen der Gattung Brassicaceae (z.B. Raps, verschiedene Kohlarten), konnten dabei besser identifiziert werden als Pollen der Edelkastanie oder Pflanzen der Gattung Anemonen.

Erweiterung durch Kameratechnologie

Zusätzlich wurde im Projekt OCELI untersucht, ob mit der Kameratechnologie von apic.ai der Pollen direkt in den Pollenhöschen der Honigbienen bestimmt werden kann, ohne dass der Pollen abgestreift werden muss (Tausch et al. 2023). Eine Bestimmung der Pflanzenart war mit dieser Methode jedoch nicht möglich.

Ausblick: Neue Technologien für eine verbesserte Pollenanalyse

Die Ergebnisse zeigen, dass die Bestimmung der Pflanzenart allein anhand der Pollenfarbe unzuverlässig ist. Zukünftig könnten innovative Technologien wie multispektrale Bildgebung und molekulare Techniken die Pollenbestimmung präzisieren und mit KI-Modellen die Analyse von Pollenproben beschleunigen. Ein effizienteres Monitoring der Pollenvielfalt, könnte es ermöglichen zukünftig Veränderungen der Pflanzenvielfalt in der Umgebung von Bienenstöcken noch besser zu erfassen. Eine vielfältige Pollenversorgung wirkt sich positiv auf die Gesundheit der Bienen aus, sodass diverse Lebensräume für Bestäuberinsekten von Vorteil sind. 

Veröffentlichungen aus dem Projekt:

🔗 Borlinghaus, Parzival, Frederic Tausch, und Richard Odemer. 2024. „Natural color dispersion of corbicular pollen limits color-based classification“. ISPRS Open Journal of Photogrammetry and Remote Sensing 12 (April):100063.

🔗 Tausch, Frederic, Jan Wagner, und Simon Klaus. 2023. „Pollinators as Data Collectors: Estimating Floral Diversity with Bees and Computer Vision“. In 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), 643–50. Paris, France: IEEE.