Bei Swisens liegt unser Fokus auf der Weiterentwicklung von Technologien zur Messung von Aerosolpartikeln. Unser SwisensPoleno Jupiter demonstriert unser Engagement in der automatisierten Bioaerosol-Überwachung. Es nutzt die holografische Bildgebung zur Erfassung und Unterscheidung verschiedener Pollentypen unter den einzelnen Aerosolpartikeln.

Frühere Forschungsarbeiten haben gezeigt, dass sich die Klassifizierungsqualität durch die Kombination von Fluoreszenz- und Holografiebildern verbessern kann. Im Jahr 2025 veröffentlichte Swisens erstmals einen multimodalen Klassifikator, um die Herausforderungen von visuell nicht unterscheidbaren Pollen zu bewältigen.

Modellarchitektur

Wir haben einen multimodalen Klassifikator entwickelt, der die Informationen aus den Holographie-Bildern und den Fluoreszenzspektren kombiniert. Die Modellarchitektur ist darauf ausgelegt, multimodale Daten zu verarbeiten und die komplexen Beziehungen zwischen den beiden Datenquellen zu lernen. Damit der Klassifikator auf Jupiter und Mars funktionieren kann, wurde er so trainiert, dass in 50 % der Fälle keine Fluoreszenzdaten verfügbar sind. Dadurch kann das Modell auch dann Vorhersagen treffen, wenn keine Fluoreszenzdaten verfügbar sind.

Die Grafik oben zeigt die Modellarchitektur des multimodalen Klassifikators. Das Modell kombiniert Holographie-Bilder (grüne Spur) und Fluoreszenzspektren (orangefarbene Spur), um die Qualität der Klassifizierung von Pollenpartikeln zu verbessern.

Leistungssteigerung bei EUMETNET Autopollen 2021

Der multimodale Klassifikator wurde an Daten aus der EUMETNET Autopollen-Vergleichskampagne 2021 getestet (Maya-Manzano et al., 2023). Die Ergebnisse zeigen eine signifikante Verbesserung der Klassifizierungsqualität im Vergleich zu dem früheren, nur auf Holografie basierenden Klassifikatoren (in der Veröffentlichung als MSw bezeichnet).

Die wichtigsten Taxa für allergene Pollen wurden in enger Zusammenarbeit mit unseren Kunden evaluiert (Taxa der EUMETNET Autopollen Intercomparison Campaign sind fett dargestellt):

• Alnus
• Ambrosia
• Artemisia
• Betula
• Carpinus
• Corylus
• Cupressus
• Fagus sylvatica
• Fraxinus excelsior
• Ostrya sp.
• Picea
• Pinus
• Plantago lanceolata
• Poaceae
• Populus
• Quercus robur
• Ulmus
• Urtica

Wassererkennung

Die Erkennung von Wassertröpfchen in der Luft ist entscheidend für die genaue Klassifizierung von Pollen in der Luft und war in der Vergangenheit eine Herausforderung. Insbesondere bei Holografie-Bildern können Wassertröpfchen fälschlicherweise als Pollenkörner (hauptsächlich Poaceae) klassifiziert werden, was zu ungenauen Ergebnissen führt.

Der multimodale Klassifizierer wurde darauf trainiert, Wassertröpfchen in der Luft zu erkennen und sie anschließend von der Pollenkategorisierung auszuschließen, was zu genaueren Ergebnissen führt. Insbesondere aufgrund der zusätzlichen Informationen aus der Fluoreszenzspektroskopie kann der Klassifikator zwischen Wassertröpfchen (nicht fluoreszierend) und Pollenkörnern (fluoreszierend) unterscheiden.

Die obige Grafik zeigt die auf das MSw-Modell (Old Model) skalierten Falsch-Positiv-Raten. Die Falsch-Positiv-Rate für Wassertröpfchen ist mit dem multimodalen Klassifikator deutlich reduziert. In Kombination mit dem Wasserunterdrücker (WS) kann der Klassifikator nun nahezu perfekt zwischen Wassertröpfchen und Pollenpartikeln unterscheiden.

Zukünftige Arbeit

Die Leistung des multimodalen Klassifikators wird derzeit an Daten aus ganz Europa getestet. Die Ergebnisse sind vielversprechend und zeigen eine signifikante Verbesserung der Klassifizierungsqualität im Vergleich zu dem früheren Klassifikatoren, der nur Holografiedaten verarbeitet. Es scheint jedoch, dass die Fluoreszenzdaten die Klassifizierungsqualität im Vergleich zur reinen Holografie nur geringfügig verbessern*. Wir arbeiten an der Verbesserung der Modellarchitektur, um die Fluoreszenzdaten noch besser zu nutzen und die Klassifizierungsqualität und Robustheit gegenüber Erfassungen außerhalb der Saison weiter zu verbessern.

* Der neue Klassifikator kann aufgrund der gewählten Trainings-Strategie sowohl ohne, als auch mit Fluoreszenzdaten klassifizieren.