
Auf der Spur unbekannter Pollen
Wie erkennt ein Messgerät Pollenarten, die es noch nie gesehen hat? Im Projekt MARVEL erforschte die FHNW gemeinsam mit Swisens und der Universität Bern, wie künstliche Intelligenz auch noch ungesehene Pollenarten erkennt, ohne dafür aufwendig neue Trainingsdaten sammeln zu müssen.
Die Augen jucken, die Nase läuft, das Atmen fällt schwer: Wer unter einer Pollenallergie leidet, möchte möglichst genau wissen, was gerade durch die Luft fliegt. Automatische Messgeräte liefern dafür laufend aktuelle Daten. In der Schweiz kommen sie vom automatischen Pollenmessnetz SwissPollen. Es entstand aus einer Zusammenarbeit von MeteoSchweiz mit der Firma Swisens AG. Die Daten helfen Betroffenen, rechtzeitig Vorsichtsmassnahmen zu treffen. Doch während die automatische Pollenerkennung in Mitteleuropa bereits zuverlässig funktioniert, stösst sie in anderen Regionen oft an ihre Grenzen.
Die Rolle der FHNW
Damit automatische Messgeräte Pollenarten erkennen können, kommt künstliche Intelligenz (KI) zum Einsatz. Diese muss jedoch zuerst lernen, wie die verschiedenen Pollenarten aussehen. Bisher wurden dafür Proben bekannter Pollenarten im Labor aufbereitet und dem Poleno-Pollenmessgerät der Swisens AG zugeführt. Dieses erstellt holografische Bilder, anhand derer die KI lernt, die verschiedenen Arten zu unterscheiden.
Im Betrieb erfasst das Messgerät Pollenpartikel direkt aus der Luft. Die eingebaute KI analysiert die Aufnahmen und ordnet sie den verschiedenen Pollenarten zu. Das funktioniert gut, solange genügend Trainingsdaten für die jeweiligen Arten vorliegen. Trifft das System jedoch auf noch nicht gesehene Arten, müssen dafür erst neue Trainingsbilder erstellt und die KI muss entsprechend trainiert werden.
Das Forschungsprojekt MARVEL suchte deshalb nach einem einfacheren Weg. Das Institut für Data Science der Hochschule für Informatik FHNW untersuchte unter der Leitung von Prof. Dr. Martin Melchior gemeinsam mit der Swisens AG und der Universität Bern, wie sich die automatische Pollenerkennung mit wenigen oder ganz ohne zusätzliche Trainingsdaten auf neue Pollenarten und Regionen übertragen lässt.

Mehrstufiges Verfahren als Schlüssel zum Erfolg
Die Forschenden stellten fest, dass sich gängige KI-Ansätze nicht einfach auf die Erkennung unbekannter Pollen übertragen lassen. Der Grund liegt unter anderem in den besonderen Bilddaten: Das Messgerät von Swisens erstellt holografische Aufnahmen, die weniger Details zeigen als gewöhnliche Mikroskopbilder und teilweise verrauscht sind. Dadurch lassen sich gewisse charakteristische Merkmale einzelner Pollenarten nur schwer erkennen. Zwar ist bekannt, welche Eigenschaften verschiedene Pollenarten besitzen. Dieses biologische Wissen, das die Universität Bern ins Projekt einbrachte, lässt sich jedoch nicht ohne Weiteres mit den Messbildern verknüpfen. «Die gängige KI funktioniert in einem solchen Nischenbereich meistens nicht», sagt Martin Melchior, Professor am Institut für Data Science der FHNW.
Das Forschungsteam entwickelte deshalb ein mehrstufiges Verfahren, bei dem verschiedene spezialisierte KI-Methoden zusammenarbeiten. Zunächst werden Partikel aussortiert, bei denen es sich nicht um Pollen handelt. Anschliessend unterscheidet das System zwischen bekannten und unbekannten Pollenarten. Für Letztere entwickelte die FHNW einen neuen Ansatz, der biologische Beschreibungen der Pollen nutzt, um die verschiedenen Arten voneinander zu unterscheiden. In den bisherigen Versuchen gelang dies, wobei die Zuverlässigkeit je nach Pollenart stark variierte.

Auch Umwege gehören zur Forschung
Nicht jeder untersuchte Ansatz führte zum Ziel. So versuchte das Team beispielsweise, aus zwei Aufnahmen eines Pollenkorns mithilfe holografischer Muster eine dreidimensionale Darstellung zu rekonstruieren. Daraus wollten die Forschenden zusätzliche Merkmale wie das Volumen eines Pollenkorns gewinnen und für die automatische Erkennung der Pollenarten nutzen.
3D-Darstellungen liessen sich zwar rekonstruieren, allerdings nicht mit der gewünschten Genauigkeit, sodass die zusätzlichen Merkmale keinen ausreichenden Zusatznutzen brachten. Deshalb verfolgten die Forschenden diesen Ansatz nicht weiter. Dennoch könnten die 3D-Darstellungen in Zukunft Fachleuten helfen, unbekannte Pollen besser zu beurteilen.
Solche Erfahrungen gehören für Martin Melchior zum Forschungsalltag. Gerade bei neuartigen Fragestellungen ist oft nicht von Anfang an klar, welche Ansätze funktionieren und welche wieder verworfen werden müssen. «Nicht alles funktionierte auf Anhieb. Genau das macht Forschung aus. Denn auch zu wissen, was nicht funktioniert, liefert in der Forschung einen Mehrwert», sagt er.

Von der Forschung zur Anwendung
MARVEL liefert keine fertige Lösung für Allergikerinnen und Allergiker. Das Projekt schafft jedoch wichtige Grundlagen für die Weiterentwicklung der automatischen Pollenerkennung. Bereits während des Projekts begann Swisens, sein Verfahren zur Pollenerkennung umzubauen und den mehrstufigen Ansatz der FHNW zu integrieren. Dieser macht das System robuster.
«Wir haben technologische Grundlagen erarbeiten können, um das Messgerät in neue Regionen zu bringen», sagt Martin Melchior. Wie gut die neuen Methoden unter realen Bedingungen funktionieren, untersuchte das Team unter anderem anhand von Messdaten aus Córdoba in Südspanien.
Mehr Pollen, mehr Bedarf an Echtzeitdaten
Die Bedeutung solcher Lösungen dürfte in Zukunft weiter zunehmen. Durch den Klimawandel verlängern sich Pollensaisons, Pflanzen blühen früher und teilweise länger, und die Belastung durch Allergene verändert sich. Damit wächst auch der Bedarf an zuverlässigen Informationen zur Pollenbelastung.
Anders als die vielerorts noch übliche manuelle Pollenauszählung liefern automatische Messsysteme Daten nahezu in Echtzeit. Projekte wie MARVEL tragen dazu bei, dass solche Systeme künftig auch dort eingesetzt werden, wo andere Pollenarten vorkommen als in der Schweiz. Langfristig könnte das den Weg zu aktuelleren und verlässlicheren Polleninformationen für Allergikerinnen und Allergiker weltweit ebnen. Der Firma Swisens hilft dies, ihr Instrument einfacher in neue Regionen zu exportieren.
Future Health – eines von drei Zukunftsfeldern der FHNW
Im Rahmen ihrer Strategie FHNW 2035 wird die FHNW in den drei Zukunftsfeldern Future Health, Zero Emission und New Work ihre multidisziplinären Kompetenzen in den kommenden Jahren bündeln und ausbauen. Damit möchte sie in den gesellschaftlich relevanten Themenfeldern Arbeit, Gesundheit sowie Umwelt und Nachhaltigkeit neue Impulse für Lösungen zu aktuellen Problemfeldern der Wirtschaft und der Gesellschaft geben.





