Wie hoch Pflanzen wachsen, wie groß ihre Blätter sind oder wie viel Stickstoff sie enthalten, beeinflusst zentrale Prozesse in Ökosystemen wie die Speicherung von Kohlenstoff oder die Widerstandsfähigkeit der Vegetation gegenüber dem Klimawandel. Solche Pflanzeneigenschaften, die Forschende als „funktionelle Merkmale“ bezeichnen, werden bisher meist nur an einzelnen Orten direkt im Gelände gemessen. Zwei neue internationale Studien unter Leitung einer Forschungsgruppe an der Fakultät für Umwelt und Natürliche Ressourcen (UNR) der Universität Freiburg zeigen nun, wie sich diese Wissenslücken mithilfe von sogenannten Citizen Science-Daten schließen lassen. Beide Arbeiten nutzen von Bürger*innen gemachte Beobachtungen und Smartphone-Fotos, verfolgen dabei aber unterschiedliche, sich ergänzende Ansätze.
„Bürger*innenforschung eröffnet uns neue Möglichkeiten, Pflanzenmerkmale weltweit und vergleichbar zu erfassen“, sagt Prof. Dr. Teja Kattenborn, Professor für Sensorgestützte Geoinformatik an der Universität Freiburg sowie Initiator und Ko-Autor beider Studien. „Wenn wir Beobachtungen aus der Bevölkerung systematisch mit Umwelt- und Fernerkundungsdaten oder mit Methoden der Künstlichen Intelligenz verbinden, können wir ökologische Muster sichtbar machen, die mit klassischen Feldstudien allein kaum zu erfassen sind. Das ist eine wichtige Grundlage, um terrestrische Ökosysteme weltweit besser zu verstehen und verlässlicher zu modellieren.“
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 (https://global-traits.projects.earthengine.app/view/global-traits) online eingesehen werden.
KI wertet Smartphone-Fotos von Bürger*innen 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 Bürger*innen 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.
Universität Freiburg
Originalpublikationen:
Lusk, D. et al. (2026) Crowdsourced biodiversity monitoring fills gaps in global trait mapping. Nature Communications. DOI: 10.1038/s41467-026-68996-y
Global Trait Maps: https://global-traits.projects.earthengine.app/view/global-traits
Sharma, A. et al. (2026) PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data. AAAI 2026. DOI: https://doi.org/10.48550/arXiv.2511.06943
