KI verkürzt die Zeit für die Wildtiererfassung von Monaten auf Tage

Künstliche Intelligenz kann die mühsame Arbeit der Wildtiererfassung mittels Fernkameras dramatisch beschleunigen. Sie verkürzt die Analysezeit von Monaten oder sogar einem ganzen Jahr auf wenige Tage. Dabei liefert sie nahezu dieselben wissenschaftlichen Erkenntnisse wie Menschen.

Dies geht aus einer neuen Studie hervor, die unter der Leitung von Forschenden der Washington State University und von Google erstellt und im Fachjournal „Journal of Applied Ecology“ veröffentlicht wurde.

Das Team untersuchte, ob ein vollautomatisiertes KI-System Menschen bei der Auswertung von Hunderttausenden bis Millionen von Bildern aus Fotofallen ersetzen könnte. Die Aufnahmen wurden in Washington, im Glacier-Nationalpark in Montana sowie im Maya-Biosphärenreservat in Guatemala gesammelt. Dabei stellten die Forschenden fest, dass die auf Basis von KI-identifizierten Bildern erstellten Modelle für die meisten Arten eng mit jenen übereinstimmten, die von menschlichen Experten erstellt worden waren.

Bei zentralen Messgrößen stimmten die Ergebnisse in etwa 85 bis 90 Prozent der Fälle überein. So etwa in Bezug auf das Vorkommen von Tieren und den Umweltfaktoren, die sie beeinflussen. Lediglich bei seltenen oder schwer zu identifizierenden Arten zeigten sich geringfügige Abweichungen.

Auswirkungen auf den Naturschutz könnten beträchtlich sein

Eine schnellere Datenverarbeitung bedeutet, dass Forschende und Wildtiermanager rascher vom Stadium der Datenerhebung zur Entscheidungsfindung übergehen können. Dies könnte künftig eine nahezu in Echtzeit erfolgende Überwachung von Arten wie Jaguaren, Wölfen und Grizzlybären ermöglichen.

„Wir haben nicht vor, Menschen zu ersetzen“, sagte Daniel Thornton, Wildtierökologe an der WSU und Hauptautor der Studie. „Das Ziel ist vielmehr, Forschenden dabei zu helfen, schneller zu Antworten zu gelangen, damit sie fundiertere Entscheidungen für das Management und den Schutz von Wildtieren treffen können.“

Traditionell war dieser Prozess langsam und arbeitsintensiv. Fotofallen – bewegungsaktivierte Kameras, die in Wäldern und anderen Lebensräumen aufgestellt werden – können enorme Datenmengen erzeugen. Ein einzelnes Projekt kann Hunderttausende oder sogar Millionen von Bildern liefern. Diese müssen allesamt gesichtet werden, um festzustellen, welche Tierarten auf den jeweiligen Aufnahmen zu sehen sind. Selbst mit einem Team aus studentischen Hilfskräften und einem Doktoranden, die die Identifizierungen überprüfen, dauert dieser Prozess laut Thornton typischerweise sechs bis sieben Monate – mitunter sogar bis zu einem Jahr –, bevor überhaupt mit der eigentlichen Analyse begonnen werden kann.

Frühe KI-gestützte Tools sorgten bereits für eine gewisse Entlastung, indem sie leere Bilder herausfilterten. Oft machten diese 60 bis 70 Prozent des Gesamtmaterials aus. Doch war nach wie vor der Einsatz von Menschen erforderlich, um die Zehntausenden von Fotos, auf denen Tiere zu sehen waren, manuell zu sichten.

KI verkürzt den monatelangen „Flaschenhals“ auf eine Woche

Die neue Studie untersuchte nun, ob dieser letzte, menschliche Arbeitsschritt vollständig entfallen könnte. Mithilfe eines allgemeinen KI-Modells namens SpeciesNet, das von Google entwickelt wurde, ließen die Forscher Bildmaterial eine vollautomatisierte Verarbeitungspipeline durchlaufen. Dieser Vorgang fand ganz ohne menschliche Überprüfung statt. Die Ergebnisse glichen die Wissenschaftler mit traditionellen, von Experten annotierten Datensätzen ab.

„Die entscheidende Frage war nicht, ob die KI jedes einzelne Bild korrekt identifizierte“, sagte Dan Morris, leitender Wissenschaftler bei Google. Er war an der Entwicklung von SpeciesNet beteiligt und wirkte als Koautor an der Studie mit. „Es ging vielmehr darum, ob die ökologischen Schlussfolgerungen – auf die es letztlich ankommt – im Wesentlichen identisch ausfallen würden.“ Für die meisten Arten traf dies zu. Selbst wenn die KI Fehler machte – etwa indem sie Tiere falsch identifizierte oder Sichtungen übersah –, blieben die Gesamtmodelle robust. Dies liegt daran, dass sogenannte Belegungsmodelle auf wiederholten Beobachtungen über einen längeren Zeitraum hinweg basieren. In der Praxis führt dies zu einer dramatischen Zeitersparnis. Die vollautomatisierte Verarbeitung lässt sich nun innerhalb weniger Tage abschließen, was den monatelangen Engpass auf etwa eine Woche verkürzt. Diese Effizienz könnte eine transformative Wirkung entfalten, insbesondere für kleinere oder finanziell eingeschränkt ausgestattete Naturschutzorganisationen.

Zudem könnte sie es Forschern ermöglichen, ihre Monitoring-Aktivitäten auszuweiten, ohne dabei durch begrenzte Kapazitäten bei der Datenverarbeitung ausgebremst zu werden. Darüber hinaus leistete das Projekt einen Beitrag zur breiteren Gemeinschaft der „KI für den Naturschutz“. Denn ein Teil des Datensatzes wurde öffentlich zugänglich gemacht. Dies unterstützt Tools wie SpeciesNet, die auf geteilten Daten basieren, um ihre Leistungsfähigkeit kontinuierlich zu steigern.

Sind die bereits bekannten KI-Anwendungen ausreichend verlässlich?

Morris betonte, dass der Studie ein pragmatischer Ansatz zugrunde liegt. Anstatt neue KI-Algorithmen zu entwickeln, konzentrierte sich das Team darauf, welche Aufgaben sich bereits mit den heute verfügbaren Werkzeugen bewältigen lassen. „Wir hatten nicht vor, ein völlig neues Modell zu erfinden“, erklärte er. „Vielmehr stellten wir uns die Frage: Können sich Anwender – angesichts des heutigen technologischen Entwicklungsstands – auf diese Technologie verlassen, um genau jene Analysen durchzuführen, die sie ohnehin schon vornehmen?“

Die Antwort – zumindest für viele häufig vorkommende Arten und gängige ökologische Modelle – scheint „Ja“ zu lauten.

Dennoch gibt es nach wie vor Einschränkungen.

Für viele andere Anwendungsbereiche von Kamerfallen-Daten ist nach wie vor eine menschliche Überprüfung erforderlich. Zudem befasste sich die vorliegende Studie lediglich mit einer kleinen Teilmenge jener Arten, die sich mithilfe von Kamerfallen erfassen lassen. So stellen beispielsweise sehr seltene oder leicht zu verwechselnde Arten für die KI-gestützte Erkennung nach wie vor eine Herausforderung dar.

Die Studienergebnisse legen jedoch nahe, dass die Bildverarbeitung in bestimmten Fällen künftig kein wesentliches Hemmnis mehr für groß angelegte Studien mittels Kamerfallen darstellen muss. „Die wichtigste Erkenntnis lautet: Dieser Arbeitsschritt muss künftig keinen Engpass mehr bilden“, resümierte Thornton. „Wenn wir Daten schneller verarbeiten können, sind wir auch in der Lage, schneller zu reagieren – und genau darauf kommt es im Naturschutz letztlich an.“

Zu den weiteren Koautoren der Studie gehören Travis King und Lucy Perera-Romero von der Washington State University. Außerdem Alissa Anderson von der Washington State University und Montana Fish, Wildlife and Parks; Rony Garcia-Anleu vom Guatemala-Programm der Wildlife Conservation Society; Scott Fitkin vom Washington Department of Fish and Wildlife; sowie Carly Vynne von RESOLVE. Sie wirkten an der Datenerhebung, -analyse und der Erstellung des Manuskripts an den verschiedenen Untersuchungsstandorten des Projekts in Washington, Montana und Guatemala mit.