Mini-Sensoren zur sanften Kontrolle von Wildschweinen

Beschleunigungsmesser sind als Ohrmarken im Handel erhältlich. Grundsätzlich ist so eine automatisierte, störungsarme Erfassung des Tierverhaltens möglich – ein großer Nutzen für Verhaltensstudien, aber auch für das Wildtiermanagement.

Oft tasten diese Sensoren aber nur mit geringer Frequenz, z. B. ein Hertz, ab. Eine aktuelle Studie am Forschungsinstitut für Wildtierkunde und Ökologie (FIWI) der Veterinärmedizinischen Universität Wien prüfte deshalb nun, inwieweit diese sehr niedrigen Datenerfassungsrate bei Wildschweinen eine Kalibrierung von verschiedenen Verhaltensweisen zulässt.

In ihrer Studie klassifizierten die Wissenschafter das Verhalten von weiblichen Wildschweinen, die unter halbnatürlichen Bedingungen in einem großen Außengehege gehalten wurden, anhand von Beschleunigungsdaten. Die Verhaltensprognosen basierten auf einem Algorithmus für maschinelles Lernen, insbesondere auf dem Random-Forest-Modell in der Open Source-Software h2o. Eine Kombination, die sich laut Studien-Erstautor Thomas Ruf vom Forschungsinstitut für Wildtierkunde und Ökologie (FIWI) der Vetmeduni bezahlt macht: „Bemerkenswerterweise war die Kalibrierung und damit auch die Vorhersage vieler Verhaltensweisen mit den winzigen Beschleunigungssensoren an den Ohrmarken möglich, obwohl diese die Daten nur mit einer niedrigen Frequenz abtasten.“ Diese Mini-Messgeräte eignen sich laut Ruf vor allem dazu, die Haltbarkeit der Batterie in der Ohrmarke deutlich zu verlängern und somit jene potenziell schädlichen Auswirkungen zu minimieren, die durch das wiederholte Einfangen von Wildtieren zum Austausch von Batterien entstehen.

Populationskontrolle von Wildschweinen als mögliches Anwendungsgebiet

Die lange Batterielebensdauer der Mini-Sensoren wird laut den Forschenden auch dazu beitragen, langfristige Beschleunigungsdaten zu sammeln, etwa zur Erforschung saisonaler Trends. Gut erkannt wurden Futtersuche, Ruhen und Säugen von Jungtieren, während beispielsweise Stehen und Gehen nicht zuverlässig erkannt wurden. Dazu Studien-Letztautor Sebastian G. Vetter: „Die Genauigkeit hing von der Art des Verhaltens ab und reichte von 50 % beim Gehen bis 97 % beim seitlichen Ruhen. Für die Vorhersage des Verhaltens verwendete der Algorithmus statische Merkmale der ungefilterten Beschleunigungsdaten sowie der gefilterten Gravitations- und Orientierungsdaten. Die Wellenform bestimmter Verhaltensweisen im abgetasteten Frequenzbereich spielte hingegen keine wichtige Rolle.“

Maschinelles Lernen revolutioniert den Einsatz von Beschleunigungsmessern

Größere Varianten von Beschleunigungsmessern werden bereits seit einigen Jahrzehnten bei vielen Tierarten eingesetzt, um ihr Verhalten zu quantifizieren. Der Zweck der Messungen in bis zu drei Achsen besteht darin, Tiere als aktiv oder ruhend zu identifizieren, Näherungswerte für ihren Energieverbrauch zu berechnen oder das Verhalten von Tieren beispielsweise als Futtersuche oder Laufen zu klassifizieren. Die Identifizierung von Verhalten anhand der Körperbeschleunigung erfordert fortgeschrittene Analysetechniken wie die Hauptkomponentenanalyse, die Diskriminanzanalyse oder – besonders in letzter Zeit – Algorithmen des maschinellen Lernens (ML). Dazu Thomas Ruf: „Das Aufkommen von ML hat die Verwendung von Beschleunigungsmessungsdaten zur Klassifizierung von Verhalten sehr erleichtert. Gerade für den Einsatz von Mini-Sensoren ist das eine echte Revolution.“