Ein Forscherteam der University of Michigan hat einen maschinenlernbasierten Algorithmus entwickelt, der die automatische Vermessung von Blattmerkmalen aus digitalisierten Herbarbelegen ermöglicht. Das Tool ist Teil der Pipeline LeafMachine2 und wurde von William Weaver, Fellow des Schmidt AI in Science-Programms, gemeinsam mit weiteren Wissenschaftlerinnen und Wissenschaftlern der Uni Michigan erarbeitet. Die Veröffentlichung der Ergebnisse erfolgte 2025 im Fachjournal New Phytologist. Zur Trainierung und Validierung des Modells analysierten die Entwickler über 22.000 digitale Aufnahmen von Blättern und Blattstielen aus 1.580 Arten holziger Bedecktsamer. Der Algorithmus identifiziert automatisch die Blattfläche und bestimmt die Breite des Blattstiels, was manuell auf Fotografien nur durch aufwändige Pixelberechnungen möglich wäre. Aufgrund der physikalischen Notwendigkeit, die Blattfläche zu stützen, dient die Stiellänge als präziser Proxy für die berechnete Blattmasse pro Fläche. Die großflächige Datenanalyse offenbart einen klaren klimatischen Zusammenhang: Die Blattmasse pro Fläche korreliert weltweit deutlich stärker mit Temperaturfaktoren und Sonnenstrahlung als mit Niederschlagsmengen. Diese Erkenntnis bestätigt frühere Studien und untermauert die Eignung automatisierter Herbar-Daten für die Modellierung breiter Merkmal-Umwelt-Pfade. Die digitale Erfassung historischer Proben, die bis ins 19. Jahrhundert zurückreichen, eröffnet zudem neue Perspektiven für die Paläobotanik. Da Blattstärken bei fossilen Abdrücken nicht direkt messbar sind, ermöglichen die aus modernen Arten abgeleiteten Proxy-Modelle die Rekonstruktion vergangener Klimazustände. Ähnliche morphologische Muster in fossilen Probenlagen lassen so auf spezifische historische Klimabedingungen schließen. Die Studie wird im Rahmen des State of the World’s Plants and Fungi-Berichts des Royal Botanic Gardens, Kew, vorgestellt. Die für 2026 vorgesehene Ausgabe des Berichts betont, wie digitale Technologien die Wissenschaft zunehmend dabei unterstützen, den Klimawandel und den Biodiversitätsverlust besser zu verstehen, Wissenslücken aufzudecken und Handlungsfelder für den Schutz von Pflanzen und Pilzen priorisieren zu können. Die Integration von LeafMachine2 in die wissenschaftliche Infrastruktur demonstriert, wie künstliche Intelligenz historische Sammlungen in wertvolle Datenquellen für die ökologische Modellierung und globale Umweltbeobachtung verwandelt.