Erkennung von Löwenbrüllen mittels Maschinellem Lernen ohne Mikrofon
Das Brüllen stellt für Löwen eine wesentliche Kommunikationsform über große Distanzen dar. Innerhalb ihres Rudels und gegenüber anderen Tieren verwenden sie charakteristische Lautsequenzen. Forschende der GAIA-Initiative am Leibniz-Institut für Zoo- und Wildtierforschung (Leibniz-IZW) haben einen neuartigen Algorithmus entwickelt, der Brüllen ausschließlich anhand von Beschleunigungsdaten (ACC) von Halsbändern zuverlässig identifiziert – ohne den Einsatz von Mikrofonen oder die Speicherung umfangreicher Audiodateien. Die Ergebnisse wurden in der Fachzeitschrift Ecological Informatics veröffentlicht.
Innovativer Ansatz für die Erkennung von Brüllverhalten
Der entwickelte Algorithmus ist erstmals in der Lage, das Brüllen sowohl bei männlichen als auch weiblichen Löwen zu erkennen, selbst wenn das Brüllen mit anderen Aktivitäten wie Laufen kombiniert auftritt. Das Verfahren basiert auf der Analyse von Beschleunigungsdaten, die kleinste Bewegungen in drei Dimensionen erfassen und so verschiedene Verhaltensweisen differenzieren können. Diese Methode ist energieeffizienter und weniger speicherintensiv als herkömmliche Audiologger.
Kommunikation und Verhalten von Löwen
Löwen leben in sozialen Rudeln, in denen sie durch visuelle, chemische, physische und akustische Signale kommunizieren. Das Brüllen dient als einziges Mittel zur Verständigung über große Entfernungen und spielt eine zentrale Rolle bei der Koordination innerhalb des Rudels sowie der Revierabgrenzung. Während akustische Eigenschaften der Brülllaute bereits untersucht wurden, sind die Funktionen des Brüllens im Kontext der Rudelkommunikation noch unzureichend erforscht. Insbesondere die Langstreckenkommunikation weiblicher Löwen ist bisher kaum untersucht.
Herausforderungen bei der Datenerfassung und Analyse
Konventionelle Tonaufnahmen sind für Langzeitstudien dieser Art nur bedingt geeignet. Handmikrofone erfassen nur punktuell einzelne Vokalisationen aus der Distanz, und Audiologger an den Tieren benötigen hohe Energie- und Speicherressourcen. Die Analyse von Beschleunigungsdaten bietet hier eine praktikable Alternative, da sie kontinuierlich über lange Zeiträume Bewegungsmuster aufzeichnet. Maschinelles Lernen ermöglicht es, aus diesen Daten spezifische Verhaltensweisen wie das Brüllen zu identifizieren, obwohl die Signale im ACC-Datenstrom oft schwach und mit anderen Bewegungen überlagert sind.
Technische Umsetzung: Einsatz eines „U-Net“
Das Forscherteam verwendete ein „Fully Convolutional Neural Network“ in Form eines sogenannten „U-Net“, das ursprünglich für Bild- und Audiodaten entwickelt wurde. Dieses Modell wurde mit Daten von sieben Löwen im Etosha-Nationalpark trainiert, die mit GPS-Sendern, Beschleunigungssensoren und Audiologgern ausgestattet waren. Insgesamt wurden 1.333 Brüllereignisse erfasst und synchronisiert, um die ACC-Signale mit den tatsächlichen Brülllauten abzugleichen.
Das trainierte Modell erreichte eine Erkennungsrate von 90 bis 96 Prozent bei der Identifikation von Brüllen ausschließlich anhand der Beschleunigungsdaten. Die Fehlerrate bei der Nicht-Erkennung (falsch-negativ) war gering, während etwa 81 Prozent der als Brüllen klassifizierten Ereignisse tatsächlich zutrafen (falsch-positiv). Diese Genauigkeit gilt für beide Geschlechter und sowohl für stehende als auch für laufende Tiere. Zusätzliche Filterverfahren verbesserten die Detektion bei kombinierten Verhaltensmustern weiter.
Potenziale und Anwendungsmöglichkeiten
Die KI-basierte Klassifikation von Beschleunigungsdaten eröffnet neue Möglichkeiten für die Verhaltensforschung bei Löwen. Im Vergleich zu Audiologgern sind die Anforderungen an Energie und Speicherplatz deutlich reduziert, was Langzeitstudien erleichtert. Zudem kann die Methode auf bereits vorhandene Datensätze angewandt werden, die ursprünglich nicht für die Analyse von Vokalisationen erstellt wurden.
Das Forscherteam plant, auf Grundlage dieses Ansatzes das Brüllverhalten als Schlüssel zur innerartlichen Kommunikation weiter zu untersuchen. Darüber hinaus wird die Entwicklung eines „akustischen Zauns“ angestrebt, bei dem Sensoren und Lautsprecher an den Grenzen von Schutzgebieten eingesetzt werden, um Löwenkommunikation gezielt zu beeinflussen und so Konflikte mit Menschen zu minimieren.
Kontaktinformationen der Wissenschaftler
- Wanja Rast
Abteilung Evolutionäre Ökologie, Leibniz-IZW
Telefon: +49 (0)30 5168467
E-Mail: rast@izw-berlin.de - Dr. Ortwin Aschenborn
Abteilung Evolutionäre Ökologie, Leibniz-IZW
E-Mail: aschenborn@izw-berlin.de - Dr. Jörg Melzheimer
Abteilung Evolutionäre Ökologie, Leibniz-IZW
Telefon: +49 (0)30 5168462
E-Mail: melzheimer@izw-berlin.de
Originalpublikation
Rast W, Götz T, Cloete C, Berger An, Chamaillé-Jammes S, Krofel M, Portas R, Aschenborn OHK, Melzheimer J (2026): Did U hear that? Working with mixed behaviours when classifying animal behaviour from acceleration data using a U-Net. Ecological Informatics, 103761. DOI: 10.1016/j.ecoinf.2026.103761
Weiterführende Informationen
Fotos und Videos zur Nutzung stehen unter folgendem Link zur Verfügung:
https://hidrive.ionos.com/share/jutslj1xqu
Die Materialien dürfen ausschließlich in Verbindung mit Berichten über diese Forschung verwendet werden. Die Urheber sind entsprechend den Dateinamen zu nennen.
