Automatisierte Überwachungstechnologien können die Effizienz der ökologischen Datenerfassung erhöhen und den datengestützten Naturschutz unterstützen. Mit Infrarot-Lichtschranken gekoppelte Fotofallen können zur Überwachung von Fledermausbeständen in unterirdischen Überwinterungsquartieren eingesetzt werden, in denen sich im Winter Tausende von Individuen mehrerer Arten versammeln können. Die breite Anwendung solcher Fotoüberwachungsmethoden wird jedoch durch den zeitaufwändigen Engpass der manuellen Bildverarbeitung eingeschränkt. Ein Forscherteam der Uni Greifswald hat deshalb BatNet entwickelt, ein auf Deep Learning basierendes Open-Source-Tool zur automatischen Identifizierung von 13 europäischen Fledermausarten anhand von Kamerafallenbildern. BatNet verfügt über eine benutzerfreundliche grafische Oberfläche, auf der es neu trainiert werden kann, um neue Fledermausarten zu identifizieren oder um standortspezifische Modelle zu erstellen, um die Erkennungsgenauigkeit an neuen Standorten zu verbessern. Die Genauigkeit des Modells wurde anhand von Bildern von trainierten und untrainierten Standorten sowie in einem ökologischen Kontext bewertet, in dem Metriken auf Gemeinschafts- und Artniveau (Artenvielfalt, relative Häufigkeit und Aktivitätsmuster auf Artniveau) zwischen menschlichen Experten und BatNet verglichen wurden. An trainierten Standorten war die Modellleistung bei allen Arten hoch. An untrainierten Standorten blieb die Gesamtklassifizierungsgenauigkeit hoch, wenn die Kameraplatzierung mit den Trainingsbildern vergleichbar war (<3 m vom Eingang entfernt; <45° Winkel zur Öffnung).Bei atypischen Kameraplatzierungen (>3 m oder >45°-Winkel) wurde durch erneutes Training des Detektormodells mit 500 ortsspezifischen Merkmalen an allen Standorten eine Genauigkeit von über 95 % erreicht. In der ökologischen Fallstudie waren alle untersuchten Metriken zwischen menschlichen Experten und BatNet nahezu identisch. BatNet kann direkt implementiert werden, um den Einsatz von Kamerafallen in Europa zu erhöhen und das Monitoring von Fledermauspopulationen zu verbessern. Darüber hinaus kann das vortrainierte Modell als Grundlage für das Transferlernen dienen, um die bildbasierte Identifizierung von Fledermausarten weltweit zu automatisieren. [frei übersetztes Abstract]
Original-Studie:
Krivek, G., Gillert, A., Harder, M., Fritze, M., Frankowski, K., Timm, L., … & van Schaik, J. (2023). BatNet: a deep learning‐based tool for automated bat species identification from camera trap images. Remote Sensing in Ecology and Conservation.
YouTube Beitrag (Engl.):
