Marvel: Echtzeit-Polleninformationen
Zusammen mit Partnern entwickeln wir Zero-Shot-Learning und andere Machine-Learning-Tools zur Erkennung von Pollen weltweit. So wird es einfacher, zuverlässige Pollenprognosen zu erstellen.
Schätzungen zufolge leiden 10-40 % der Weltbevölkerung an Pollenallergien, und die Zahl wird voraussichtlich weiter steigen, da sich das Klima erwärmt. In der Schweiz hilft MeteoSchweiz Allergikern mit seiner Echtzeit-Pollenprognose. Unser Forschungspartner Swisens hat dies möglich gemacht, indem er MeteoSchweiz Technologien zur Erfassung und Erkennung von Pollenpartikeln bereitstellt. Diese Technologien sind hervorragend darin, gängige Pollenarten in Mitteleuropa zu identifizieren, aber die Ausweitung auf neue geografische Regionen mit unterschiedlichen Pflanzenarten ist mit den derzeitigen Methoden mühsam. Schätzungen zufolge leiden 10-40 % der Weltbevölkerung an Pollenallergien, und die Zahl wird voraussichtlich weiter steigen, da sich das Klima erwärmt. In der Schweiz hilft MeteoSchweiz Allergikern mit seiner Echtzeit-Pollenprognose. Unser Forschungspartner Swisens hat dies möglich gemacht, indem er MeteoSchweiz Technologien zur Erfassung und Erkennung von Pollenpartikeln bereitstellt. Diese Technologien sind hervorragend darin, gängige Pollenarten in Mitteleuropa zu identifizieren, aber die Ausweitung auf neue geografische Regionen mit unterschiedlichen Pflanzenarten ist mit den derzeitigen Methoden mühsam.
Um ein Pollenerkennungssystem zu entwickeln, das weltweit eingesetzt werden kann, arbeitet das Institut für Data Science FHNW mit Swisens zusammen. Der Aufbau des derzeitigen Systems in der Schweiz erforderte viel manuelle Arbeit zur Vorbereitung eines beschrifteten Trainingsdatensatzes. Für eine globale Skalierung ist diese Methode ungeeignet. Deshalb wird unser Projekt ein Machine-Learning-Modell aufbauen. Dieses Modell wird in der Lage sein, ein neues Pollenpartikel zu identifizieren, auch wenn es dieses noch nie zuvor gesehen hat. Swisens wird dieses Modell in ein nützliches Pollenprognosetool und in ein marktfähiges Produkt für Menschen mit Pollenallergien auf der ganzen Welt umwandeln können.
Der Beitrag unseres Instituts zum Projekt konzentriert sich auf Machine Learning und Artificial Intelligence. Wir setzen Deep Learning ein und erweitern uns in Richtung Few-Shot-Learning mit Active Learning, während wir immer mehr Pollendaten sammeln und validieren.
Das Marvel-Projekt ist ein gutes Beispiel dafür, wie eine Fachhochschule arbeitet: Wir nutzen modernste Technologien und finden praktische Anwendungen für sie. Dadurch hat unser Industriepartner eine Lösung, die sofort kommerziell genutzt werden kann. Und Pollenallergiker*innen auf der ganzen Welt werden bald Zugang zu noch besseren Vorhersagen und Warnungen haben.
Informationen
Auftraggeber | |
Ausführung | |
Partner | Universität Bern, Institut für Pflanzenwissenschaften |
Dauer | Januar 2024 – Dezember 2025 |
Förderung | |
Projektteam | Martin Melchior (Institut für Data Science FHNW) |
