FKZ 3523 82 0100

Hintergrund

Die Erfassung mariner Vogel- und Säugetierpopulationen ist ein zentraler Bestandteil des marinen Biodiversitätsmonitorings in der deutschen Nord- und Ostsee. Bisher erfolgt die Auswertung der dazu erhobenen Luftbilddaten manuell – ein sehr zeit- und ressourcenintensiver Prozess. Mit der Zunahme von Offshore-Windkraftprojekten wächst der Bedarf an präzisen, belastbaren und aktuellen Daten zur Verbreitung und Dichte mariner Tierpopulationen, um mögliche Auswirkungen auf marine Ökosysteme zu bewerten. Automatisierte KI-basierte Verfahren versprechen hier eine deutliche Effizienzsteigerung sowie objektivere und flächendeckendere Ergebnisse, insbesondere bei großen Datenmengen und unter variablen Umweltbedingungen.

Projekt

Im Projekt EVERLASTING wird eine KI-gestützte Methode zur automatisierten Auswertung von Luftbildsequenzen entwickelt, um Seevögel und Meeressäuger zuverlässig zu erfassen und taxonomisch einzuordnen. Ziel ist die deutliche Reduktion des Aufwands manueller Bildauswertungen bei gleichzeitig gesteigerter Genauigkeit und Reproduzierbarkeit. Dafür werden Methoden des Deep Learning mit geografischen und bildbasierten Metadaten kombiniert, um Tiere unter realen, heterogenen Aufnahmebedingungen zuverlässig zu identifizieren.

Das Projekt gliedert sich in mehrere aufeinander abgestimmte Arbeitspakete. Zunächst erfolgt die automatisierte Vorverarbeitung der Luftbilder: Sequenzen werden ausgewählt, maskiert, georeferenziert und mit Zusatzdaten wie GPS-Positionen, Wetter- und Fluginformationen versehen. Anschließend werden auf Basis vorhandener Annotationen aus früheren Auswertungen zusätzliche Trainingsdaten generiert, indem Tierindividuen in mehreren aufeinanderfolgenden Frames verfolgt werden. Darauf aufbauend entwickelt das Team Algorithmen zur automatischen Erkennung und Verfolgung von Tierkandidaten. Es werden verschiedene Architekturen (z.B. CNNs, YOLO, R-CNN) getestet und bewertet. Die Tiere werden über Zeitreihen hinweg verfolgt und im letzten Schritt klassifiziert, wobei auch Nicht-Tier-Objekte wie Wellen oder Schiffe ausgeschlossen werden sollen.

Ein weiteres Arbeitspaket widmet sich der taxonomischen Differenzierung: Ziel ist die Einordnung der erkannten Individuen bis auf Familien- oder Artebene, sofern möglich. Super-Resolution-Ansätze und aktuelle Deep-Learning-Modelle (z.B. Vision Transformers) werden eingesetzt, um die Klassifikation zu verbessern. Alle Projektkomponenten münden in einen lauffähigen, scriptbasierten Demonstrator, der – soweit rechtlich möglich – offen bereitgestellt wird.

Ausblick

Das Projekt legt die Grundlage für ein skalierbares, KI-gestütztes Monitoring mariner Wirbeltiere. Die entwickelten Routinen und Algorithmen können in zukünftige Softwaresysteme eingebettet und weiterentwickelt werden. Zudem liefert EVERLASTING wichtige wissenschaftliche Impulse und schafft neue Anknüpfungspunkte für Anschlussprojekte, etwa zur Integration moderner Sensortechnik oder zur Auswertung globaler Biodiversitätsdaten. Das Open-Source-Modell erleichtert die Nachnutzung in Forschung und Verwaltung und stärkt die Position der beteiligten Einrichtungen in der internationalen Umwelt- und KI-Forschung.