KI nutzen, um die Stadtplanung für saisonale Allergien neu zu überdenken

Wenn der kalte Winter zurückweicht, erfreut uns der Frühling mit einem Farbschwall, dem Gesang der Vögel, wärmeren Temperaturen, längeren Tageslichtstunden und einer insgesamt lebendigen Energie. 

Doch diese Frische bringt ihre eigenen Herausforderungen mit sich, wie Pollenallergien. Sie treten am häufigsten im Frühling auf, aber auch im Sommer, weil viele Pflanzen, Bäume, Gräser und Unkräuter zu dieser Zeit bestäuben und Pollen in die Luft freisetzen. 

Während die Pollenkonzentrationen in wärmeren Jahreszeiten tendenziell höher sind, bestäuben einige Pflanzen das ganze Jahr über.

Dann gibt es den Klimawandel, der ebenfalls die Pollenverbreitung beeinflussen kann. Durch Veränderungen von Temperatur, atmosphärischem Kohlendioxid (CO₂) und Niederschlag kann der Klimawandel die Dauer der Pollensaison, die Pollenmenge, die Allergenität von Pollen und das Risiko von Allergiesymptomen beeinflussen.

Pollen ist ein luftgetragenes Allergen, das verschiedene allergische Reaktionen auslöst. Dazu gehören allergische Rhinitis oder Heuschnupfen, die auftreten, wenn Pollen in den Körper gelangt, das Immunsystem ihn fälschlicherweise als Bedrohung erkennt und dann reagiert.

Pollenallergien sind tatsächlich ziemlich verbreitet; schätzungsweise 10 % bis 30 % der Weltbevölkerung sind davon betroffen. In den USA erleben etwa 7,8 % der Menschen ab 18 Jahren Heuschnupfen.

Die Exposition gegenüber Pollen kann auch Symptome einer allergischen Konjunktivitis auslösen, einer Entzündung der Augenoberfläche. Etwa 30 % der normalen Bevölkerung erleben Augenallergien, die rote, tränende oder juckende Augen umfassen, während bei 70 % der Menschen mit allergischer Rhinitis diese Symptome auftreten.

Personen mit Atemwegserkrankungen wie Asthma können gegenüber Pollen noch empfindlicher sein, und die Exposition kann Asthmaanfälle, Atemprobleme und verringerte Produktivität am Arbeitsplatz und in der Schule verursachen.

Es entstehen auch massive medizinische Kosten, wobei pollenbezogene Ausgaben jährlich über 3 Milliarden $ überschreiten. Die Hälfte davon entfällt auf verschreibungspflichtige Medikamente.

Die Bewältigung dieses bedeutenden öffentlichen Gesundheitsproblems erfordert die genaue Identifizierung von Pollenkörnern, den winzigen „Samen“, die von blühenden Pflanzen und Bäumen verbreitet werden. Ihre korrekte Identifizierung ist wichtig, um Wechselwirkungen zwischen Mensch und Umwelt zu verstehen und Landschaften sowie Umgebungen zu rekonstruieren.

„Mit detaillierteren Daten darüber, welche Baumarten am allergensten sind und wann sie Pollen freisetzen, können Stadtplaner intelligentere Entscheidungen darüber treffen, was wo gepflanzt wird.“

– Studienmitautorin Behnaz Balmaki, Assistenzprofessorin für Biologie an der UT Arlington

Sie betonte zudem die Bedeutung von Auswahl und Platzierung in stark frequentierten Bereichen wie Parks, Schulen, Krankenhäusern und Wohnvierteln. 

Allerdings stellt die Unterscheidung von Pollenkörnern koniferer Gattungen, insbesondere von Abies (Tanne), Pinus (Kiefer) und Picea (Fichte), aufgrund ihrer morphologischen Ähnlichkeiten eine Herausforderung für die Palynologie, das Studium von Pollen und Sporen, dar.

Hohe Ähnlichkeiten erschweren die Unterscheidung von Pollen 

Forscher nutzen Pollendaten, um historische und aktuelle Umweltanalysen durchzuführen und Städte zu planen.

Die Analyse von in Sedimenten und Mooren erhaltenen Pollenkörnern ermöglicht Paläoökologen, die Vegetationstypen zu identifizieren, die zu verschiedenen Zeiten an einem bestimmten Ort existierten. Dies hilft ihnen, frühere Vegetationsmuster und historische Klimabedingungen zu rekonstruieren, da die Pflanzenverteilung eng mit spezifischen Klimaparametern wie Niederschlag und Temperatur verknüpft ist.

Auf diese Weise können Forscher Veränderungen in Landschaften nachvollziehen und die ökologischen Auswirkungen von Klimaschwankungen über Jahrhunderte hinweg nachverfolgen. Das liefert Einblicke, wie Ökosysteme auf Umweltveränderungen reagieren, und unterstützt Vorhersagen über zukünftige ökologische Reaktionen auf den Klimawandel.

Pollenkörner helfen zudem, die Wechselwirkungen zwischen menschlichen Aktivitäten und Umweltfaktoren zu identifizieren, die diese Landschaftsmuster maßgeblich prägen.

Hier sind koniferartige Gattungen wichtig, weil sie spezifische ökologische und klimatische Anpassungen repräsentieren. Zum Beispiel sind Kiefern für ihre Widerstandsfähigkeit gegenüber Umweltstress wie Feuer bekannt. Fichten sind an kalte Umgebungen angepasst, und Tannen sind empfindlich gegenüber Feuchtigkeitsänderungen.

Daten zu diesen Pflanzenarten können uns ein umfassendes Verständnis von Feuerregimen, Klimaschwankungen, Niederschlagsmustern und historischer Luftfeuchtigkeit vermitteln. Sie können auch eine Schlüsselrolle bei der Behandlung von Allergenen und dem Management der öffentlichen Gesundheit spielen.

Insbesondere kann die Pollenanalyse helfen, allergene Arten zu identifizieren und damit verbundene Gesundheitsprobleme vorherzusagen, was für die Allergie‑ und Gesundheitsforschung von Nutzen ist. 

Natürlich entsteht das Problem hier durch die morphologischen Ähnlichkeiten koniferer Gattungen. Forscher stützen sich auf morphologische Merkmale von Pollenkörnern – Größe, Form, Symmetrie, Polarität, Öffnungen und Ornamentik – um Pollen zu untersuchen. 

Bei eng verwandten Pollenkörnern sind die morphologischen Unterschiede sehr subtil, was es schwierig macht, Arten schnell und exakt zu unterscheiden.

Zum Beispiel ist die Identifizierung von Pollenkörnern unter dem Mikroskop ein ressourcenintensiver Prozess. Er ist nicht nur teuer und zeitaufwendig, sondern auch von subjektiven Kriterien abhängig, was Fehlerraten von bis zu 33 % zur Folge haben kann. 

Pollenkörner koniferer Arten wurden besonders als schwer zu identifizieren dokumentiert, da ihre morphologischen Unterschiede gering sind. Alle Körner der Gruppe teilen hohe Ähnlichkeiten, besitzen zwei Luftsäcke mit einem zentralen Körper. Daher ist selbst die genaue Erkennung dieser Arten unter dem Mikroskop herausfordernd.

Forscher haben digitale Bildgebungstechniken und grafische Software eingesetzt, um die Analyse zu verbessern. Dennoch bleibt dies weitgehend von menschlicher visueller Inspektion abhängig, die zu Klassifikationsfehlern führen kann, insbesondere wenn unerfahrene Palynologen beteiligt sind. 

Diese Einschränkungen erfordern objektivere, effizientere und präzisere Techniken zur Identifizierung von Pollenkörnern. Diese schwierige Aufgabe verlangt Fachwissen, hochauflösende Mikrografien und eine große Anzahl von Referenzpräparaten, um genaue Vergleiche anzustellen und anschließend zu identifizieren. 

„Selbst mit hochauflösenden Mikroskopen sind die Unterschiede zwischen den Pollenkörnern sehr subtil.“

– Dr. Balmaki

KI kann helfen, das für Allergien verantwortliche Pollen zu finden

Künstliche Intelligenz (KI) trägt in fast allen Branchen zu Fortschritten bei. Sie nutzt enorme Datenmengen, lernt daraus und verbessert sich, sodass die Technologie Muster und Zusammenhänge erkennt, die Menschen übersehen könnten. 

Wie wir kürzlich teilten, ermöglicht KI Wissenschaftlern, die besten Festkörper‑Elektrolyt‑Kandidaten (SSE) zu finden, indem sie auf eine riesige Datenbank früherer Studien zurückgreift. Diese schnelle Durchsuchung aller potenziellen Optionen beschleunigt die Entdeckung optimierter SSE‑Optionen, um Hochleistungs‑Festkörperbatterien (SSBs) für nachhaltige Energiebedarfe voranzutreiben.

Jetzt nutzen Forscher der University of Texas at Arlington (UTA) die Technologie, um die Pollenanalyse zu verbessern¹, indem sie Arten aus einem Deep‑Learning‑Modell identifizieren, das mit Tausenden von Bildern trainiert wurde.

Sie fanden Deep Learning als hervorragende Technik für diesen Zweck und stellten fest, dass dieser Ansatz die Klassifizierungsgenauigkeit von Pollen erheblich steigern und die für die Identifizierung benötigte Zeit dramatisch reduzieren kann.

Traditionelle Methoden, wie das manuelle Identifizieren einer einzelnen Pollenprobe, können je nach Komplexität der Probe und Fachkenntnis der Person Stunden dauern. 

Im Gegensatz dazu können Machine‑Learning‑ (ML) und Deep‑Learning‑Modelle (DL) nach dem Training Tausende von Bildern in Sekunden verarbeiten. Die „exponentielle Geschwindigkeitsverbesserung“ macht DL besonders wertvoll für groß angelegte ökologische und umweltbezogene Studien.

Auf diese Weise kann ein trainiertes Modell die Artenidentifikation verbessern und gleichzeitig den Bedarf an umfangreichem morphologischem Training in der Palynologie verringern.

„Unsere Studie zeigt, dass Deep‑Learning‑Werkzeuge die Geschwindigkeit und Genauigkeit der Pollenklassifizierung signifikant erhöhen können. Das eröffnet die Möglichkeit einer großflächigen Umweltüberwachung und detaillierteren Rekonstruktionen ökologischer Veränderungen. Es birgt zudem das Potenzial, das Allergen‑Tracking zu verbessern, indem genau identifiziert wird, welche Arten wann Pollen freisetzen.“

– Dr. Balmaki

Um tiefer in die von den Forschern an der UT in Zusammenarbeit mit der University of Nevada und Virginia Tech eingesetzte Technologie einzutauchen, nutzten sie fortgeschrittene Deep‑Learning‑Techniken, insbesondere Transfer‑Learning‑Modelle.

Diese Modelle beinhalten die Wiederverwendung eines vortrainierten Modells für eine andere, aber verwandte Aufgabe. So verhindert Transfer‑Learning den Neuaufbau von Grund auf und reduziert Zeit‑ und Ressourcenaufwand für das Training neuer Modelle, selbst bei begrenzten Daten.

Laut Studie sind die Transfer‑Modelle effektiv darin, Ähnlichkeiten in detaillierten Merkmalen zu erkennen. Sie können tatsächlich helfen, Modelle zur Identifizierung schwieriger Arten zu erstellen, insbesondere bei der Klassifizierung koniferer Arten, und die Analyse von Pollenkörnern zu verbessern.

Forscher nutzten tatsächlich neun Transfer‑Learning‑Modelle — VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 und Xception. 

Sie trainierten und validierten jedes Modell mit einem Datensatz von Pollenkorn‑Bildern, die aus Proben des Museums für Naturgeschichte der University of Nevada entnommen wurden.

Die Modelle wurden zudem anhand verschiedener Leistungskennzahlen bewertet, darunter Präzision, Genauigkeit, Recall und F1‑Score über Trainings‑, Test‑ und Validierungsphasen. Basierend auf den Ergebnissen jedes Modells erwies sich ResNet101 als das leistungsstärkste. Es erreichte eine Test‑Genauigkeit von 99 % bei ebenso hoher Präzision, Recall und F1‑Score. Laut Balmaki:

„Das zeigt, dass Deep Learning traditionelle Identifikationsmethoden sowohl in Geschwindigkeit als auch in Genauigkeit erfolgreich unterstützen und sogar übertreffen kann.“ 

Trotz seiner Leistungsfähigkeit eliminiert KI nicht den Bedarf an der Expertise ausgebildeter Palynologen. Tatsächlich bestätigt sie, „wie essenziell menschliche Expertise weiterhin ist“, fügte sie hinzu. Schließlich benötigen wir für die Erstellung notwendiger Datensätze „gut vorbereitete Proben und ein starkes Verständnis des ökologischen Kontextes. Das geht über Maschinen hinaus – es ist eine Zusammenarbeit zwischen Technologie und Wissenschaft.“

Mit diesem neuen KI‑System wollen die Forscher Stadtplanern ein Werkzeug an die Hand geben, um fundiertere Entscheidungen bei der Baumauswahl zu treffen und gesündere Landschaften zu gestalten – ein großer Gewinn für Allergiker. Dr. Balmaki bemerkte:

„Gesundheitsdienste könnten diese Informationen nutzen, um Allergiewarnungen, öffentliche Gesundheitskommunikation und Behandlungsempfehlungen während der Hochpollenzeiten besser zu timen.“ 

Auch Landwirte können stark von dieser Studie profitieren, da „Pollen ein starker Indikator für die Gesundheit eines Ökosystems ist.“ Wie Dr. Balmaki erklärte:

„Verschiebungen in der Pollen­zusammensetzung können Veränderungen in Vegetation, Feuchtigkeitsniveaus und sogar vergangene Feueraktivitäten signalisieren. Landwirte könnten diese Informationen nutzen, um langfristige Umwelttendenzen zu verfolgen, die die Ertragsfähigkeit von Nutzpflanzen, Bodenbedingungen oder regionale Klimamuster beeinflussen.“

Darüber hinaus kann die Studie für den Schutz von Wildtieren und Bestäubern nützlich sein.

Insekten wie Bienen und Schmetterlinge sind auf bestimmte Pflanzen für Nahrung und Lebensraum angewiesen. Durch die Identifizierung der in einem Gebiet vorhandenen oder zurückgehenden Pflanzenarten können wir besser verstehen, wie solche Veränderungen das gesamte Nahrungsnetz beeinflussen, und geeignete Maßnahmen zum Schutz kritischer Beziehungen zwischen Pflanzen und Bestäubern ergreifen.

Die Forschung plant, das System auf ein breiteres Spektrum von Pflanzenarten auszudehnen. Ziel ist es, ein umfassendes Pollenerkennungssystem zu entwickeln, das in den gesamten USA angewendet werden kann, um besser zu verstehen, wie Pflanzen auf extreme Wetterereignisse reagieren.

Klicken Sie hier, um zu erfahren, ob robotische Bestäuber eine Schlüsselrolle in der vertikalen Landwirtschaft spielen.

Investitionen in Künstliche Intelligenz (KI)

Im Bereich KI ist Nvidia (NVDA ) der größte Name. Dieser Halbleiter‑Gigant hat viele Deep‑Learning‑Modelle mit seinen GPU‑Technologien und KI‑Hardware angetrieben. Tatsächlich wurden alle Modelle dieser Studie auf einer NVIDIA GeForce RTX 3060 mit 12 GB Speicher unter Python 3.10.6 und TensorFlow trainiert und getestet. 

NVIDIA Corporation (NVDA )

Nvidias GeForce RTX 3060 wurde Anfang Januar 2021 von Nvidia vorgestellt als zweite Generation der NVIDIA RTX™‑Reihe, die bis zu das Zehnfache der Ray‑Tracing‑Leistung der GTX 1060 mit Unterstützung für NVIDIA DLSS liefert.

Sie basiert auf der NVIDIA Ampere‑Architektur, die mit 54 Milliarden Transistoren gebaut wurde und der größte 7‑nm‑Chip überhaupt ist. Die Architektur bietet bahnbrechende Innovationen, darunter Tensor‑Cores der dritten Generation zur Beschleunigung und Vereinfachung der KI‑Einführung, Multi‑Instance‑GPU (MIG) zur gemeinsamen Nutzung der GPU, eine GPU‑zu‑GPU‑Direktbandbreite von 600 GB/s, strukturelle Sparsamkeit zur Verbesserung der Modell‑Training‑Performance, zweite‑Generation‑RT‑Cores zur Beschleunigung von Workloads und 2 TB/s Speicherbandbreite.

Derzeit stehlen Nvidias Hopper (H100) GPU und die nächste Generation der Blackwell‑GPU‑Architektur alle Aufmerksamkeit und sind die bevorzugten Chips für Unternehmen, die KI‑Innovation anführen wollen.

Durch seine fortschrittlichen Lösungen und mehrere Top‑Kunden ist Nvidia zu einer KI‑Lieblingsaktie geworden, deren Preis von knapp 30 $ vor genau zwei Jahren auf das aktuelle Niveau von 119 $ gestiegen ist. Dieser Anstieg von 296 % wurde hauptsächlich durch die KI‑Manie getrieben, die dazu führte, dass NVDA‑Aktien im November 2024 fast 150 $ erreichten, kurz nach dem US‑Präsidentschaftswahl‑Abschluss.

Seitdem haben NVDA‑Aktien 20,66 % ihres Wertes verloren und verzeichneten in diesem Jahr einen Rückgang von 12,83 %, da Zölle und ein Handelskrieg den Aktienmarkt stören. Letzten Monat hat Nvidia tatsächlich gemeldet und rechnet mit 5,5 Mrd. $ an Kosten im Zusammenhang mit dem Export von H20 nach China. 

Vor diesem Hintergrund kündigte der führende KI‑Chip‑Hersteller an, in den nächsten vier Jahren Hunderte Milliarden Dollar in die US‑Lieferkette zu investieren. „Die Unterstützung einer Verwaltung, die den Erfolg dieser Branche fördert und Energie nicht zum Hindernis werden lässt, ist ein phänomenales Ergebnis für KI in den USA“, sagte CEO Jensen Huan der FT vor einigen Monaten.

Die Trump‑Administration ist zudem bereit, die „AI‑Diffusion‑Regel“ aufzuheben, die effektiv ein Set von KI‑Chip‑Kontrollen später in diesem Monat verhindern würde. Die Regel ordnete Länder in drei Stufen ein, wobei jede Stufe unterschiedliche Beschränkungen für Chips von Nvidia und anderen hatte, die dort ohne Lizenz versendet werden dürfen. 

Nvidia hat sich gegen die Regel ausgesprochen; Huang sagte Anfang dieser Woche, dass der Ausschluss vom chinesischen KI‑Markt, der 50 Mrd. $ wert sein könnte, ein „enormer Verlust“ wäre.

Was die Rentabilität angeht, hat Nvidia ein EPS (TTM) von 2,94, ein KGV (TTM) von 39,82 und eine Eigenkapitalrendite (ROE) (TTM) von 119,18 %. Nvidia zahlt zudem eine Dividende, jedoch nur 0,03 %. Die Marktkapitalisierung liegt bei satten 2,85 Billionen $, was das Unternehmen zum drittgrößten der Welt macht.

Für das vierte Quartal, das am 26. Januar 2025 endete, meldete Nvidia einen Rekord‑Quartalsumsatz von 39,3 Mrd. $, ein Anstieg von 12 % gegenüber dem Vorquartal und von 78 % gegenüber dem Vorjahr. 

Im gesamten Geschäftsjahr 2025 betrug der Umsatz 130,5 Mrd. $, ein massiver Anstieg von 114 % gegenüber dem Vorjahr. Der GAAP‑Gewinn je verwässerter Aktie sprang um 147 % auf 2,94 $, während der Non‑GAAP‑Gewinn je verwässerter Aktie um 130 % auf 2,99 $ stieg.

Diese starken Finanzzahlen resultieren aus Nvidias neuer GPU‑Mikroarchitektur Blackwell, die für Generative AI und beschleunigtes Computing konzipiert ist und eine „erstaunliche“ Nachfrage erfährt. Während der Ergebnispräsentation im Februar sagte Huang, dass sie die umfangreiche Produktion von Blackwell‑AI‑Supercomputern hochfahren und bereits im ersten Quartal Milliarden‑Dollar‑Umsatz generieren.

Neueste Nachrichten zu NVIDIA Corporation

Fazit

Deep‑Learning‑Techniken sind dafür bekannt, Effizienz und Genauigkeit zu steigern und Fehler sowie manuellen Aufwand bei Objekterkennung, Bildklassifizierung und Aufgaben­erkennung zu reduzieren. Sie haben sich auch als äußerst effektiv bei der Klassifizierung von Pollen erwiesen. Die Studie nutzte insbesondere Transfer‑Learning und stellte fest, dass es kostengünstig und zeitsparend ist, während es gleichzeitig die Herausforderungen von Datenknappheit bei der Unterstützung koniferer Arten adressiert.

Durch den Einsatz von KI haben Forscher ein Werkzeug bereitgestellt, das Allergikern Erleichterung verschafft und Landwirten sowie Stadtplanern hilft. Mit skalierbarer, schneller und genauer Pollenerkennung können städtische Umgebungen so gestaltet werden, dass die Allergenexposition reduziert und öffentliche Gesundheitsreaktionen verbessert werden.

Darüber hinaus wird, angesichts der Auswirkungen des Klimawandels auf die Umwelt, die Kombination ökologischer Wissenschaft mit KI nicht nur eine gesundheitsbewusstere Planung unserer Städte und Landschaften vorantreiben, sondern auch den Schutz von Wildtieren und Bestäubern sichern und höhere Ernteerträge ermöglichen.

Klicken Sie hier, um alles über Investitionen in Künstliche Intelligenz zu erfahren.

Studienreferenzen:

1. Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Deep Learning zur genauen Klassifizierung von Koniferen‑Pollen: Verbesserung der Artenidentifikation in der Palynologie. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036 in artificial intelligence. Studies Referenced: 1. Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Deep learning for accurate classification of conifer pollen grains: enhancing species identification in palynology. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036