Automated AI image recognition tools improve the efficiency of aerial wildlife counts: A multi-species case study on breeding seabirds and pinnipeds at the sub-Antarctic Bounty Islands.

Diese Studie zeigt, dass die Kombination aus Luftaufnahmen und KI-gestützter Bildanalyse die Zählung von Brutvögeln und Robben auf den subantarktischen Bounty-Inseln im Vergleich zu manuellen Methoden erheblich beschleunigt und dabei eine hohe Genauigkeit sowie die gleichzeitige Erfassung mehrerer Arten ermöglicht.

Das Wesentliche

Titel: Der digitale Zähler: Wie KI hilft, Vögel am Ende der Welt zu zählen

Stellen Sie sich vor, Sie müssten alle Vögel auf einer winzigen, steinigen Insel im fernen Südpazifik zählen. Diese Inseln, die Bounty-Inseln vor Neuseeland, sind so abgelegen, dass man tagelang mit dem Schiff braucht, um sie zu erreichen. Dort brüten Tausende von Salvin-Albatrossen, aber auch Pinguine und Robben.

Früher war das Zählen dieser Tiere ein echter Albtraum für Forscher:

• Der Weg: Man musste wochenlang auf die Inseln reisen.
• Die Arbeit: Man musste sich durch den Schlamm und die Steine kämpfen, um die Vögel von Hand zu zählen. Das war mühsam, teuer und störte die Tiere.
• Die Alternative: Man flog mit einem Flugzeug über die Inseln und machte Tausende von Fotos. Aber dann kam das eigentliche Problem: Jemand musste diese Fotos ausdrucken oder auf den Bildschirm schauen und jeden einzelnen Vogel mit einem Stift markieren. Das dauerte für ein einziges Foto-Set etwa 66 Stunden – fast zwei volle Arbeitswochen!

Die Lösung: Ein digitaler Super-Helfer

In dieser Studie haben die Forscher eine neue Methode ausprobiert, die sich wie ein digitaler Super-Helfer anhört. Sie haben ein künstliches Intelligenz-Programm (KI) entwickelt, das wie ein extrem aufmerksamer, aber unermüdlicher Schüler funktioniert.

Hier ist, wie es funktioniert, einfach erklärt:

1. Das Training (Die Schule):
   Die Forscher haben dem KI-Programm Tausende von Beispielen gezeigt. Man kann sich das vorstellen wie einen Lehrer, der einem Schüler 1.000 Bilder von Albatrossen zeigt und sagt: „Das ist ein Albatross!" und „Das ist kein Albatross!"

   • Für die Albatrosse gab es genug Beispiele (über 1.000).
   • Für die anderen Tiere (Pinguine, Robben) gab es weniger Beispiele, da sie auf den Fotos seltener waren.

2. Die Prüfung (Der Test):
   Als die KI fertig gelernt hatte, durften die Forscher sie testen. Das Ergebnis war beeindruckend:

   • Die KI erkannte die Albatrosse zu 93 % korrekt.
   • Sie konnte sogar gleichzeitig Pinguine und Robben zählen, auch wenn sie nicht perfekt darin war (weil sie weniger „Schulzeit" für diese Tiere hatte).

3. Der große Vergleich (Der Geschwindigkeitswettlauf):
   Jetzt kam der spannende Teil. Die Forscher gaben der KI die gleichen Fotos, die ein menschlicher Experte zuvor stundenlang gezählt hatte.

   • Der Mensch: Brauchte 66 Stunden.
   • Die KI: Brauchte 4 Minuten und 24 Sekunden.
   • Das Ergebnis: Die KI war 963-mal schneller! Und die Anzahl der gezählten Vögel war fast identisch (nur 3 % Unterschied).

Warum ist das so wichtig?

Stellen Sie sich vor, Sie müssten einen riesigen Haufen Sandkörner zählen.

• Der alte Weg: Ein Mensch nimmt sich ein Körnchen nach dem anderen und zählt es. Das dauert ewig.
• Der neue Weg: Die KI ist wie ein riesiger Magnet, der den ganzen Haufen in Sekunden durchsiebt und sagt: „Hier sind 30.000 Körner!"

Die Vorteile für die Natur:

• Schnelligkeit: Forscher können die Daten sofort haben, statt Wochen zu warten.
• Weniger Störung: Da man nicht mehr wochenlang auf den Inseln campieren muss, werden die Tiere weniger gestresst.
• Mehr Tiere auf einmal: Die KI kann nicht nur Albatrosse zählen, sondern auch Pinguine und Robben im selben Bild. Das ist wie ein Alles-in-einem-Scanner für die Tierwelt.

Fazit

Diese Studie zeigt, dass wir nicht mehr auf mühsame Handarbeit angewiesen sind, um die Welt zu schützen. Durch die Kombination aus Flugzeugen (die die Fotos machen) und KI (die die Fotos zählt) können wir die Populationen gefährdeter Tiere schnell, genau und ohne Stress für die Tiere überwachen. Es ist wie ein Turbo für den Naturschutz: Was früher zwei Wochen dauerte, geht jetzt in einem Kaffee-Schluck.

Technische Zusammenfassung

Technische Zusammenfassung: Automatisierte KI-bilderkennung zur Verbesserung von Luftzählungen von Wildtieren

Titel: Automatisierte KI-bilderkennung verbessert die Effizienz von Luftzählungen von Wildtieren: Eine Fallstudie zu mehreren Arten von brütenden Seevögeln und Robben an den subantarktischen Bounty-Inseln.

1. Problemstellung

Die genaue Überwachung von Populationen ist für das Naturschutzmanagement unverzichtbar, insbesondere für gefährdete Arten wie den Salvin-Albatros (Thalassarche salvini). Traditionelle bodengestützte Zählungen in abgelegenen subantarktischen Regionen wie den Bounty-Inseln sind logistisch extrem anspruchsvoll, kostspielig, zeitaufwendig und können die Tierbestände durch menschliche Präsenz stören.
Auch die manuelle Auswertung von Luftbildern, die von Flugzeugen oder Drohnen (UAVs) aufgenommen wurden, ist fehleranfällig und ineffizient. Bisherige KI-Ansätze stützten sich oft auf Satellitenbilder (zu geringe Auflösung) oder Drohnenbilder (eingeschränkte Flugdauer und Auflösung kleinerer Kameras). Es fehlte an einer skalierbaren Lösung, die hochauflösende Aufnahmen von bemannten Flugzeugen mit moderner Deep-Learning-Technologie kombiniert, um große, abgelegene Kolonien schnell und präzise zu erfassen.

2. Methodik

Die Studie evaluierte einen automatisierten Ansatz zur Zählung von Salvin-Albatrossen und anderen Arten auf den Bounty-Inseln (Neuseeland).

• Datenerfassung:

  • Plattform: Ein bemanntes zweimotoriges Turboprop-Flugzeug (Reims F406).
  • Ausrüstung: Vollformat-Digitalkamera (Nikon D800) mit Teleobjektiv (70–200 mm), montiert durch ein Fenster für Nadir-Aufnahmen (senkrecht nach unten).
  • Flugparameter: Flughöhe 1200 ft (ca. 365 m), Geschwindigkeit 120 Knoten, 20% seitliche und 45% frontale Überlappung.
  • Datensatz: 450 Einzelbilder wurden zu neun Orthomosaiken (fotografische Panoramen) verarbeitet, die die gesamte Brutkolonie abdecken.

• Referenzdaten (Manuelle Zählung):

  • Ein erfahrener Beobachter zählte die Vögel manuell in den Mosaiken (ca. 30.899 Albatrosse), markierte sie digital und benötigte dafür ca. 66 Stunden.

• KI-Modell und Architektur:

  • Algorithmus: Ein Faster R-CNN-Modell (Region-based Convolutional Neural Network) mit einem Residual Network (ResNet) als Backbone und einem Feature Pyramid Network (FPN).
  • Inferenz-Methode: Slicing-Aided Hyper-Inference (SAHI) wurde eingesetzt, um die Erkennung in Bildern mit einer hohen Dichte an Individuen zu verbessern.
  • Training: Das Modell wurde mit ca. 1.000 annotierten Beispielen der Hauptart (Albatros) trainiert. Sekundärarten (Pinguine, Robben, Prions) wurden opportunistisch mit den verfügbaren Daten trainiert (weniger Beispiele).
  • Validierung: Die Genauigkeit wurde mittels F1-Score (Harmonisches Mittel aus Precision und Recall) und einer Konfusionsmatrix bewertet. Ein IoU (Intersection over Union) > 0,5 galt als korrekte Detektion.

3. Schlüsselbeiträge

• Integration von bemannter Luftfahrt und KI: Demonstration, dass hochauflösende Aufnahmen aus bemannten Flugzeugen in Kombination mit Deep Learning eine überlegene Alternative zu manuellen Zählungen und UAV-basierten Ansätzen darstellen.
• Multi-Spezies-Erkennung: Das Modell war in der Lage, nicht nur die Zielart (Albatros), sondern gleichzeitig mehrere andere Arten (Erect-crested Pinguine, Fulmar-Prions, Neuseeland-Seehunde) zu detektieren, was die Effizienz zukünftiger Erhebungen steigert.
• Skalierbarkeit und Geschwindigkeit: Der Nachweis, dass die Datenverarbeitung von mehreren Tagen auf wenige Minuten reduziert werden kann, ohne an Genauigkeit zu verlieren.
• Trainingsdaten-Analyse: Identifikation eines Schwellenwerts von ca. 1.000 Trainingsbeispielen pro Art für eine Modellgenauigkeit von über 75%.

4. Ergebnisse

• Genauigkeit:

  • Der KI-Algorithmus erreichte einen F1-Score von 92,8% für die Hauptart (Salvin-Albatros).
  • Für Sekundärarten wurden folgende Scores erzielt: Pinguine (89,4%), Robben (48,0%) und Prions (30,0%). Die geringere Genauigkeit bei Sekundärarten resultierte aus der geringeren Anzahl an Trainingsdaten und schwierigeren Kontrastverhältnissen (z. B. Pinguine in Schattenlöchern).
  • Der Vergleich der Zählzahlen ergab eine Übereinstimmung von 97% zwischen KI und menschlichem Zähler (Differenz von 3 % bzw. 819 Vögeln).
  • Hinweis: Die KI zählte leicht mehr, da sie auch fliegende Vögel erfasste, während der menschliche Zähler nur brütende Vögel (im Nest) zählte.

• Effizienzsteigerung:

  • Verarbeitungszeit: Die manuelle Zählung dauerte 66 Stunden. Die KI-Analyse derselben Datenmenge (ca. die Hälfte des ursprünglichen Bildmaterials) dauerte nur 246 Sekunden (ca. 4,1 Minuten).
  • Geschwindigkeitsfaktor: Die KI war 963-mal schneller als der menschliche Zähler.

• Korrelation Trainingsdaten vs. Genauigkeit: Es zeigte sich ein exponentieller Zusammenhang zwischen der Menge der Trainingsdaten und dem F1-Score. Für eine robuste Modellleistung (>75% Genauigkeit) werden mindestens 1.000 Beispiele pro Art benötigt.

5. Bedeutung und Fazit

Diese Studie belegt, dass die Kombination aus bemannten Luftaufnahmen und fortschrittlicher KI-Bilderkennung eine schnelle, skalierbare und hochpräzise Methode zur Überwachung von Seevogel- und Robbenpopulationen darstellt.

• Naturschutzmanagement: Die drastische Reduktion der Verarbeitungszeit ermöglicht eine schnellere Entscheidungsfindung für den Schutz gefährdeter Arten.
• Logistik: Im Vergleich zu bodengestützten Erhebungen, die Wochen dauern und die Tiere stören können, oder UAV-Einsätzen mit begrenzter Reichweite, bietet dieser Ansatz eine effiziente Lösung für abgelegene Gebiete.
• Zukunftspotenzial: Das System ist flexibel erweiterbar. Durch Nachtraining mit weiteren Daten kann die Genauigkeit für Sekundärarten verbessert und auf andere Tierarten oder sogar Schiffsinteraktionen ausgeweitet werden.

Die Studie schlägt eine neue Standardmethode vor, um die Effizienz von Volkszählungen in der Wildtierforschung zu revolutionieren und gleichzeitig die Genauigkeit und Wiederholbarkeit der Daten zu gewährleisten.