Schweizer KI hilft, das Verhalten von Wildtieren besser zu verstehen

Ein Schweizer KI-Modell ist in der Lage, einzelne Bären anhand von Merkmalen wie ihrer Schnauze zu identifizieren. Beth Rosenberg

Bären in Alaska identifizieren, Hirsche in den Alpen verfolgen – eine in der Schweiz entwickelte künstliche Intelligenz eröffnet neue Horizonte im Artenschutz. Trotzdem sind diese Maschinen auf Menschen angewiesen: auf Forschende, die ihr ganzes Berufsleben in der Natur verbracht haben.

Beth Rosenberg hat die letzten zwanzig Jahre damit verbracht, Bären in abgelegenen Gebieten Alaskas zu beobachten, ohne Strom und fliessendes Wasser. Die Biologin und Ökologin an der Alaska Pacific University kann einzelne Tiere mittlerweile an der Form ihrer Köpfe und Schnauzen sowie an kleinen Narben oder charakteristischen Verhaltensweisen erkennen.

«Manche Bären fischen immer auf eine bestimmte Art und Weise oder spielen gerne miteinander. Wenn man genügend Zeit damit verbringt, sie zu beobachten, werden individuelle Unterschiede schnell offensichtlich», sagt Rosenberg.

Nun teilt die Wissenschaftlerin ihre Erfahrungen mit einem Modell der künstlichen Intelligenz (KI). In Zusammenarbeit mit Forschenden der Eidgenössischen Technischen Hochschule Lausanne (EPFL) half sie, ein KI-System darauf zu trainieren, einzelne Bären zu erkennen.

Das Training stützt sich auf Rosenbergs umfangreiches Wissen und auf Tausende Fotos, die sie über sechs Jahre hinweg am McNeil River gesammelt hat. Dort treffen jedes Jahr Hunderte Braunbären ein, um die flussaufwärts wandernden Lachse zu fangen.

Diese Raubtiere zu erforschen ist zentral, um den Zustand ihres Ökosystems zu verstehen und zu erkennen, wie Arten auf den Klimawandel reagieren. Das jedoch auf nicht-invasive Weise in abgelegenen Gebieten zu tun, ist eine grosse Herausforderung. Genau hier kann KI einen entscheidenden Beitrag leisten.

«KI könnte enorme Möglichkeiten eröffnen, um Wildtiere und Ökosysteme besser zu verstehen und so den Naturschutz und das Lebensraummanagement zu unterstützen», sagt Rosenberg.

Eine KI, die Bären anhand ihrer Schnauzen erkennt

Das gemeinsam mit der EPFL entwickelte KI-Modell kann Bären entlang des McNeil River anhand körperlicher Merkmale wie Kopfform und Profil zuverlässig identifizieren.

Es ist dazu in der Lage, ihre Bewegungen über Zeit und Raum hinweg zu verfolgen, indem es Bilder desselben Tiers verknüpft, die zu unterschiedlichen Zeiten und an verschiedenen Orten aufgenommen wurden.

Das KI-Modell kann sogar neue Bären erkennen, die es noch nie zuvor gesehen hat – ein Ergebnis, das Rosenberg als beispiellos bezeichnet.

Indem die KI eine grosse Anzahl Bilder analysiert, kann sie Forschenden auch dabei helfen, wiederkehrende Muster zu erkennen – etwa wo die Bären fressen, sich ausruhen oder bewegen – und ihr Verhalten zu untersuchen.

«Das hilft uns, Bären und ihre Populationsdynamik besser zu verstehen und viele wichtige ökologische Fragen zu beantworten», so Rosenberg.

Ein Bär beim Fischen im McNeil River in Alaska. Beth Rosenberg

Diesen Punkt zu erreichen, war jedoch alles andere als einfach. Denn im Gegensatz zu Zebras oder Leoparden besitzen Bären keine leicht erkennbaren Fellmuster.

Das macht es für sogenannte Computer-Vision-Systeme – KI-Technologien, die für die Analyse von Bildern und Videos das menschliche Sehen nachahmen – besonders schwierig, sie zu identifizieren.

Hinzu kommt, dass sich das Aussehen der Bären im Lauf des Jahres dramatisch verändert: Vor dem Winterschlaf können sie über 100 Kilogramm zulegen. Und zwischen Sommer und Winter wechseln sie ihr Fell komplett aus.

«Das genügt, um selbst die geschultesten Augen zu verwirren», sagt Rosenberg.

Um das System zu trainieren, kuratierte die Biologin manuell fast 73’000 Bilder von mehr als 100 Bären, die im Regen, zu verschiedenen Tageszeiten und aus unterschiedlichen Blickwinkeln aufgenommen wurden.

Ihr Team konzentrierte sich hauptsächlich auf die Köpfe der Tiere und identifizierte Merkmale, die im Lauf der Zeit relativ stabil bleiben, etwa die Form der Schnauze, die Struktur des Augenbrauenbogens, die Position der Ohren und das Profil.

«KI-Systeme sind sehr gut darin, wiederkehrende Muster zu erkennen», sagt Rosenberg. «Aber es ist viel schwieriger, wenn es um Arten geht, denen offensichtliche Unterscheidungsmerkmale fehlen.»

Es dauerte Jahre, um den Datensatz aufzubereiten. Rosenberg erinnert sich, dass sie 2018 Alexander Mathis, Assistenzprofessor am Brain Mind Institute (BMI) der EPFL, kontaktierte, um eine Zusammenarbeit vorzuschlagen.

«Alexander und ich haben einen Grossteil der Corona-Zeit vor unseren Computern verbracht und ununterbrochen programmiert», erzählt sie.

Laut Rosenberg reichten die acht Jahre, die für den Aufbau des Datensatzes nötig waren, gerade aus, damit das Modell lernen konnte, einzelne Individuen zu identifizieren. «Das sagt viel über die Komplexität des menschlichen Gehirns aus», fügt sie hinzu.

In einem nächsten Schritt wird das System im grösseren Massstab, in anderen Regionen und mit Tieren getestet, die es noch nie gesehen hat.

Von den Wäldern Alaskas bis in die Schweizer Alpen

Rosenberg glaubt, dass das KI-Modell letztlich auch auf andere Arten mit ausgeprägten Schnauzen angewendet werden könnte, etwa Wölfe und Hirsche, die unter anderem in den Schweizer Alpen vorkommen. Modelle von einer Umgebung in eine andere zu übertragen, stellt jedoch eine grosse Herausforderung dar.

«Es ist unwahrscheinlich, dass ein in Alaska trainiertes Modell in der Schweiz gut funktionieren wird», sagt Devis Tuia, Leiter des Labors für Umweltinformatik und Erdbeobachtung (ECEO) an der EPFL.

Tuias Team hat KI-Modelle entwickelt, die alpine Wildtiere erkennen und ihr Verhalten analysieren können, anhand von Bildern und Videos, die Kamerafallen gesammelt haben.

Dafür war jedoch umfangreiche Handarbeit nötig – unter anderem mussten Tausende Einzelbilder beschriftet und Feineinstellungen für Modellparameter vorgenommen werden.

«KI ist keine Zauberei», sagt Tuia. «Ein Modell ist nur so gut wie die Daten, mit denen es trainiert wird – und das hängt davon ab, wie viel Zeit und Mühe Menschen darin investieren.» 

Dieses Video der EPFL zeigt, wie die KI zwei Hirsche erkennen kann, die im Kanton Graubünden an einer Wildkamera vorbeilaufen:

Zusammenleben von Mensch und Wildtieren verbessern

Trotz dieser Einschränkungen glaubt Tuia, dass die Technologie enormes Potenzial besitzt. KI-Systeme können Millionen von Bildern und Videos in Sekundenschnelle automatisch analysieren und so Biolog:innen und Wildhüter:innen helfen, besser zu verstehen, wie Ökosysteme funktionieren und wie sie sich verändern. Das wiederum würde zu fundierteren Entscheiden im Bereich des Naturschutzes führen.

Diese Erkenntnisse könnten auch das Zusammenleben von Menschen und Wildtieren verbessern. «Wenn wir verstehen, wie sich Tiere verhalten, können wir zum Beispiel Wanderwege sicherer und passender planen», sagt Tuia.

In Ländern wie der Schweiz, in denen Debatten über den Umgang mit Wölfen –besonders Angriffe auf Nutztiere – zunehmend hitzig geführt werden, könnten solche Werkzeuge besonders wertvoll sein.

In Zukunft könnten diese Modelle in viel grösserem Umfang und in zahlreichen weiteren Bereichen durch Citizen-Science-Initiativen eingesetzt werden. Hierbei laden Bürger:innen ihre Beobachtungen auf eine gemeinsame Plattform wie zum Beispiel «iNaturalist» hoch.

«Wir bauen einen globalen Datensatz des Planeten auf, ein Foto nach dem anderen», sagt Tuia.

Auch Rosenberg sieht in diesem Ansatz grosses Potenzial. Diesen Sommer werden sie und ihre Kolleg:innen eine Plattform lancieren, um Bilder von Braunbären zu sammeln, die von Menschen auf der ganzen Welt aufgenommen wurden.

«Wir können die Fotos der Leute nutzen, um Karten zu erstellen und zu verstehen, wo sich Tiere in viel grösserem Massstab bewegen», sagt sie. «Die Möglichkeiten, etwas zu lernen – ohne in ihren Lebensraum einzudringen – sind riesig.»

Editiert von Gabe Bullard/ VdV; Übertragung aus dem Italienischen: Aleksandra Hiltmann/raf