Vortragender: Teil 1: Dr. Marco Gauger (Bundesanstalt für Gewässerkunde (BfG))

Passiv-akustisches Monitoring von Schweinswalen an Deutschen Flüssen und die Nutzung von Machine Learning zur Unterstützung der manuellen Validierung

Der Schweinswal (Phocoena phocoena) ist die einzige einheimische Walart der deutschen Küstengewässer und je nach Jahreszeit schwimmen Individuen in die Mündungen von Ems, Weser und Elbe. Schweinswale sind als streng geschützte Tierart gelistet und werden durch FFH-Gebiete und den Speziellen Artenschutz geschützt. Zu ihrer Erfassung werden meistens Cetacean Porpoise Detectors (C-POD) eingesetzt. C-PODs sind Klickdetektoren, die für das passiv-akustische Monitoring von Schweinswal Klick-trains, das heißt Folgen aus hochfrequenten Klicks (100 bis 150 kHz), im Meer entwickelt wurden. In Mündungen und Flüssen kommen aber im Vergleich zum Meer mehr natürliche und anthropogene Geräusche im relevanten Frequenzbereich vor, was die Erkennung von Klick-trains negativ beeinflusst (Präzision 0,642) und eine manuelle und zeitintensive Validation erfordert. Um den Validierungsprozess zu unterstützen wurde ein Validierungstool mittels Machine Learning (ML) entwickelt, dass mit den Parametern von 235.529 markierten Klick-trains trainiert und getestet, sowie mit einem unabhängigen Datensatz validiert wurde. Das Validierungstool (POD VAL, Genauigkeit der Testdaten: 0,979) kann zwar gut generalisieren (Monitoring Datensatz 2018 - 2024, Genauigkeit: 0,849), Klick-trains wurden jedoch vermehrt inkorrekt bestimmt, wenn sie vereinzelt (Anzahl an Klick-trains im selben zehn-Minuten Intervall gleich 1) anstatt aggregiert vorkamen (das heißt Hinweis auf zeitliche Autokorrelation). Eine Kombination aus POD VAL und einer partiellen manuellen Validierung aller Intervalle mit nur einem Klick-train konnte zur Verringerung des Fehlers (36,8 auf 4,5 %) und zur Reduktion des Validierungsaufwandes auf 46,3 % führen. Vier weitere Modelle, die zum Teil auf verschiedenen Daten aufbauten und die die Anzahl an Klick-trains von Schweinswalen in demselben zehn Minuten Intervall berücksichtigten, ergaben ähnliche und zum Teil genauere Ergebnisse als POD VAL. Durch die kombinierte Anwendung dieser Modelle wird es also in Zukunft möglich sein mit deutlich reduziertem Zeitaufwand qualitativ hochwertige Daten zum Vorkommen von Schweinswalen in Flüssen zu erhalten.

Vortragender Teil 2: Dr. Stefan Kahl (Technische Universität Chemnitz, K. Lisa Yang Center for Conservation Bioaocustics am Cornell Lab of Ornithology)

BirdNET im Biodiversitätsmonitoring: KI-Potenziale und methodische Qualitätssicherung

Mit Deep-Learning-Algorithmen wie BirdNET skaliert das terrestrische passiv-akustische Monitoring (PAM) rasant – von landschaftsweiten Sensornetzwerken und mobilen Transekt- und Punktzählungen per App bis zum vernetzten Echtzeit-Monitoring von Indikatorarten wie dem Auerhuhn im Nationalpark Bayerischer Wald. Die entscheidende Herausforderung für ein wissenschaftlich valides Monitoring ist jedoch die Datenqualität: KI-Klassifikationen müssen kalibriert und gegen Falsch-Positive abgesichert werden. Analog zum aquatischen PAM ist ein stringenter Human-in-the-Loop-Ansatz unverzichtbar. Die KI fungiert als Filter für Big Data; die abschließende Validierung verbleibt bei taxonomischen Expert:innen, um rechtssichere und methodisch belastbare Ergebnisse zu gewährleisten. Der Vortrag gibt einen praxisnahen Einblick in bestehende Werkzeuge, neue Einsatzmöglichkeiten und Best Practices für eine wissenschaftlich valide, KI-gestützte Artenerfassung.