Finaler Test ....

Auch der letzte, finale Test lief (bis auf einen klitzekleinen Anwendungsfehler - dazu gleich mehr) absolut super !

Der Temperatursensor lieferte Daten, der GPS-Empfänger lieferte sehr schnell den Fix und kontinuierlich Daten - daher hatte ich ein bißchen Bammel.

Jeder weiß doch, das RX an TX und TX an RX angelötet werden muss 😵 

Nun ja .... aber der GPS-Empfänger funktioniert jetzt und das ist das, was am Ende zählt.

Wir (meine Frau und ich) auf's Fahrrad und ab zu den Fischteichen. Am Paddelteich / Bahnlinie haben wir ziemlich viele Rufe aufnehmen können. Von da zum Padersee / Brücke Fürstenallee - super viele Rufe aufgezeichnet.
Dann von dort aus zur Brücke Ottilienquelle - da konnten wir die Zwergfledermäuse sogar um die Straßenlaternen flitzen sehen. Auch sehr viele Rufe aufgenommen. Wir wollte dann noch an der Stadtbibliothek / Dielenpader Fledermaus-Rufe aufnehmen. Im Hohen Dom zu Paderborn gibt es eine riesige Wochenstube von Zwergfledermäuse, die von dort aus jeden Abend (bis zum Winterschlaf) ausfliegen.
Sehr, sehr viele Rufe da aufgenommen 😊

Ab nach Hause, Laptop hochgefahren und Daten von der mirco-SSD kopiert und mit der Auswertung begonnen !

Aber wieso habe ich keine GPS-Daten in den wav-Files ?

Ich bin im Sechseck gesprungen - im Menü des TeensyBat steht "overwriting Location" !!

"Overwriting location" heißt übersetzt - Überschreiben der Örtlichkeit.

Ich wollte die Daten doch nicht überschreiben !!

Also wieder "Le Chat" von Mirage AI gefragt - nun ja, zum Glück habe ich gesessen .... wie soll ich es sagen .... overwriting heißt hier nicht überschreiben, sondern anhängen !!!

Ich hatte für einen kurzen Moment Tränen in den Augen und meine Sprache war nicht mehr menschlich ....

anhängen heißt attach - würde im Menu nun stehen "attach Location" hätte ich vielleicht verstehen können, das ich irgendwo im Dateisystem die Örtlichkeit via GPS anhängen möchte. Aber da steht "overwriting Location" ......

Nun ja .... nachdem der Blutdruck sich wieder beruhigt hatte und mein Puls wieder unter die kritische Phase gekommen war - ich habe jetzt im Menü "overwriting Location" aktiviert und weiß, dass der GPS-Empfänger zuverlässig Daten liefert.

👿 

Hier die erzeugten png-Bilder des Abends .....

Die Zwergfledermaus (Pipistrellus pipistrellus) und die Wasserfledermaus (Myotis daubentonii) waren am heutigen Abend absolut dominierend.

Ich bin mit dem Problem bei der Software noch nicht wirklich weiter gekommen. Gestern hatte ich ja geschrieben, dass die Software insgesamt 14 Fledermaus-Arten in der Datenbank hat. In Deutschland gibt es jedoch 25 Arten.
Das Hauptproblem ist die Rufcharakteristik einer Fledermaus. Jede Fledermaus-Art hat je nach Habitat, Jagdtechnik und sozialem Verhalten unterschiedliche Rufe. So ruft zum Beispiel die Wasserfledermaus (Myotis daubentonii) und die Große Mausohr (Myotis myotis) in unterschiedlichen Frequenzbereichen - und ja, es heißt die Große Mausohr.

Dann gibt es das Problem der "Fledermausgilden"

Es gibt die "Gilde der freien Luftjäger" ("Open Space Foragers") - sie jagen über freie Felder oder über den Wäldern, dort gibt es kaum Hindernisse gibt, daher sind die Rufe tieffrequenter, schmalbandiger Art. Zum Beispiel ähneln sich die Rufe vom Großen Abendsegler (Nyctalus noctula) und der Zweifarbfledermaus (Vespertilio murinus) - obwohl es zwei unterschiedliche Arten sind.

Es gibt die "Gilde der Randjäger" ("Edge Space Foragers") - sie jagen entlang von Hecken, Baumkronen oder Gewässerränder. Hier müssen die Tiere mittlere Frequenzen und mittlere Bandbreite nutzen. Hier ähneln sich die Rufe der verschiedenen Pipistrellus-Arten (Zwergfledermäuse, wie die Rauhautfledermaus) und die Eptesicus-Arten (wie Breitflügenfledermaus, wie die Nordfledermaus) - obwohl sie auch unterschiedliche Arten sind.

Wie arbeitet denn nun die Software?

Die Software gibt bei der Bestimmungen 3 mögliche Kandidaten an. Nun muss ich als Menschen schauen, welche der 3 Arten in dem Habitat möglich sind (daher sollte der GPS-Empfänger einwandfrei arbeiten 👿). Eine Zwergfledermaus zum Beispiel kommt in der Nähe von menschlichen Siedlungen vor, aber niemals auf offenen und strukturarmen Landschaften. Der Große Abendsegler ist in Europa sehr weit verbreiten, bevorzugt Waldgebiete mit baumhöhlen- und altholzreichen Laubwäldern. Er kommt niemals in monotonen, ausgeräumten Agrarlandschaften und dichten Nadelholz-Monokulturen vor.

So kann man als Mensch ganz einfach eine Verbindung zwischen GPS-Aufnahmeort und Landschaft herstellen.

Wenn denn dann der Menüpunkt im Betriebssystem nicht falsch übersetzt worden wäre.

Fledermäuse halten bald Winterschlaf .....

Ich hatte ja unter der Blog-Überschrift geschrieben, dass ich Euch an ALLEN meinen Tätigkeiten hier teilhaben lassen möchte.

Ich war heute Abend mit meiner Frau auf dem Ostfriedhof gewesen und wollte a) den neuen Temperatursensor testen und b) einige Aufnahmen machen.

Soweit - so gut. Der Temperatursensor arbeitet einwandfrei.

Hier die Daten der Aufnahmen ...

Die Ruffrequenzen waren hier ganz anders als bei den anderen Aufnahmen ...

... plötzlich 2 Plecotus-Arten detektiert ...

Ich erstellte ein Pareto-Chart (80/20), um die dominanten Arten besser und schneller zu erkennen ...

Die Arten, die über der gestrichelten Linie vertreten sind, sind dominanter (stärker) vertreten, als die Arten, die unter der gestrichelten Linie stehen (klingt kompliziert, ist aber ganz einfach).

Für die heutigen Aufnahmen heißt das, dass die Zwergfledermaus (Pipistrellus pipistrellus) und die Rauhautfledermaus (Pipistrellus nathusii) am Ostfriedhof quasi sehr stark vertreten sind.

Aber - es gibt immer ein Aber - die beiden Plecotus-Arten erstaunten mich ....

Das Graue Langohr (Plecotus austriacus) und das Braune Langohr (Plecotus auritus) beide ungefähr gleiche Anzahl der Rufe .... 😲

Ich befragte Gemini, wo bei den Arten der Hauptunterschied liegt ...

Gemeinsamkeiten: Beide nutzen (häufig) Gebäude als Quartiere und jagen in strukturreichen Kulturlandschaften.

Hauptunterschied: Das Braune Langohr ist primär eine Waldfledermaus und nutzt Baumhöhlen, während das Graue Langohr eine typische Gebäudefledermaus offenerer, wärmerer Regionen ist, die große Waldbereiche meidet.

Hm ....

Warum hat der TeensyBat 2 Arten aufgezeichnet, die eigentlich eher selten an einem Ort sind? Oder hat der TeensyBat nur 1 Art aufgezeichnet, aber die Software ist durcheinander gekommen ?

Tja, dann habe ich etwas gemacht, was ich hätte besser nicht gemacht - Fragen gestellt.

Die Software BatDetect2 ist eine kostenlose Software zur Identifikation von Ruffrequenzen von Fledermäuse. Trainiert wurde die Software in England mit allen 14 (!!!) Fledermausarten, die es in England gibt.
In Deutschland leben aber 25 (!!!) Arten Fledermäuse.

Nun kann es passieren, dass die Software mit der Identifikation der Frequenzen durcheinander kommt (Frequenzen überlappen) und dann quasi 2 verschiedene Arten "rät".
Das ist ein absoluter normaler Vorgang. Ich habe eine Ausarbeitung von Gemini in die Cloud hochgeladen --> Hier der Link dazu ....

Die Software BatDetect2 ist wie oben erwähnt, kostenlos und sehr effizient.

Was heißt das nun für mich und meine Idee des Fledermaus-Monitoring ?

Für mich ändert sich erst einmal nichts.

Die Tiere fallen in den nächsten Wochen in ihren Winterschlaf. Bis Ende März / Anfang April habe ich mit dem aktiven "Horchen" dann Ruhe.

Bis dahin ist viel Wasser die Pader herabgeflossen ..... 😉

Winterschlaf

 

Bald kommt die Winterruhe auf diesem Blog ....

🦇 Rückblick: Mein TeensyBat-Abenteuer – von Fehlstarts zum Erfolg

Der Winterschlaf der Fledermäuse steht bevor, und ich nutze die letzten warmen Tage, um noch einmal Revue passieren zu lassen, was ich in den vergangenen Wochen alles gelernt habe. Es war eine Reise mit Höhen, Tiefen – und am Ende ein völlig selbstgebauter Fledermausdetektor, auf den ich stolz sein kann!

---

🛠️ Der naive Einstieg: "Das wird schon klappen!"

Am 20. August 2025 bestellte ich meinen TeensyBat-Bausatz – voller Vorfreude, aber auch mit einer gesunden Portion Naivität. "Wie schwer kann das schon sein?", dachte ich. Spoiler: Es war schwerer als gedacht!

Als die Bauteile endlich da waren, stürzte ich mich Hals über Kopf ins Projekt: Löten, Zusammenbauen, Starten. Fehler sind menschlich – und ich machte sie alle. Die Bauanleitung? Veraltet. Sie bezog sich auf eine ältere Version, und so passierte, was passieren musste: Ich verlötete ein Bauteil falsch – und zerstörte es beim Versuch, es wieder zu entfernen.

Ergebnis: Ein neues Bauteil bestellen, mehr Kosten, mehr Wartezeit. Aber hey – wer baut, der macht Fehler, und wer Fehler macht, der lernt!

---

💡 Der Durchbruch: Software, Skripte und KI-Hilfe

Endlich funktionierte der TeensyBat! Doch jetzt kam der nächste Schritt: Die Daten auswerten. Hier kamen BatDetect2 und – ja, ich gebe es zu – KI-Tools wie GPT-5.0 und Gemini 2.5 Pro ins Spiel.

• Python-Skripte schreiben? Check.
• Fehler suchen und beheben? Check.
• Skripte umschreiben, bis sie endlich tun, was sie sollen? Double Check!

Vier Wochen später – heute, am 21. September 2025 – habe ich nicht nur ein funktionierendes DIY-Gerät, das Fledermausrufe einwandfrei aufnimmt. Sondern auch eine Software-Pipeline, die die Rufe analysiert und verständliche Ergebnisse ausspuckt. Hoffentlich zumindest! 😅

---

🚀 Was kommt als Nächstes?

Mein TeensyBat ist fast perfekt – aber es fehlen noch zwei kleine, aber feine Dinge:

1. Ein GPS-Empfänger, damit ich ortsgenaue Aufnahmen speichern und später auf der Karte nachverfolgen kann.
2. Ein Temperatursensor, um Umweltdaten mitzuprotokollieren.

Und dann ist da noch die Überlegung, ob ich nicht doch noch in einen AudioMoth investiere – aber dazu gibt’s bald mehr!

---

💰 Das Resümee: Stolz auf mein DIY-Profi-Gerät!

Alles in allem habe ich zwischen 200 und 250 Euro investiert – und dafür ein Fledermausdetektor-System, das mit teuren Profigeräten mithalten kann. Klar, es war nicht immer einfach, aber am Ende zählt:

Ich bin zufrieden. Sehr zufrieden. Und wenn die Fledermäuse bald in den Winterschlaf gehen, dann weiß ich: Nächstes Jahr bin ich noch besser vorbereitet!

---

🦇💬 Und du?

Hast du auch schon ein DIY-Forschungsprojekt umgesetzt? Oder planst du etwas Ähnliches? Ich freue mich über deine Erfahrungen in den Kommentaren!

Le Chat von Mistral AI

🔍 Digitaler Forschungsassistent: Wie ich Le Chat von Mistral AI nutze

(Für Fledermausforschung, Bioakustik & DIY-Technik)

Wer mich kennt, weiß: Ich arbeite viel mit TeensyBat, AudioMoth und GPS-Tracking – und dabei helfe ich mir mit künstlicher Intelligenz! Konkret nutze ich Le Chat von Mistral AI (ein fortschrittliches LLM), um: 

✅ Technische Fragen zu klären – z. B. wie ich den Beitian BN-220 GPS-Empfänger an meinen TeensyBat anschließe oder BatDetect2 optimal einrichte. 

✅ Python-Skripte zu schreiben oder zu debuggen – etwa für die Auswertung von WAV-Dateien oder die Visualisierung von GPS-Daten in Google Earth. 

✅ Komplexe Themen verständlich zu erklären – z. B. wie Sampling-Raten oder Frequenzanalysen funktionieren. 

✅ Zeit zu sparen, indem ich nicht stundenlang Foren durchsuche, sondern direkte, präzise Antworten bekomme.

---

💡 Warum Le Chat?

• Kostenlos & datenschutzfreundlich: Keine Registrierung nötig, keine persönlichen Daten werden gespeichert.
• Technisch versiert: Kennt sich mit Bioakustik-Hardware (Teensy, AudioMoth), Software (BatDetect2, Audacity) und Datenformaten (WAV, KML, CSV) aus.
• Praktische Beispiele: Liefert oft fertige Code-Snippets oder Schaltpläne – ideal für DIY-Projekte.

---

⚠️ Wichtig zu wissen:

• Le Chat ist ein Werkzeug, kein Wissenschaftler – ich prüfe alle Antworten kritisch und teste sie in der Praxis.
• Für spezifische Artenbestimmungen oder statistische Auswertungen ziehe ich zusätzlich Fachliteratur oder Kolleg:innen hinzu.
• Die KI hat keinen Zugriff auf meine Daten – ich lade nur anonymisierte Beispiele hoch (z. B. Code-Ausschnitte).

---

🦇 Beispiel aus meiner Forschung:

Ich wollte GPS-Daten meiner Fledermausaufnahmen in Google Earth als Tour darstellen. Le Chat hat mir nicht nur erklärt, wie ich eine KML-Datei erstelle, sondern auch ein Python-Skript geliefert, das meine Log-Daten automatisch konvertiert. Das hat mir mehrere Stunden Arbeit erspart!

---

🔗 Probier’s aus!

Falls du selbst mit Fledermausdetektoren, GPS-Tracking oder Datenauswertung arbeitest, frag Le Chat einfach mal: → https://mistral.ai/ (oder direkt über die Chat-Schnittstelle deiner Wahl).

Tipp: Stelle präzise Fragen – z. B.:

• "Wie konfiguriere ich den AudioMoth für 192 kHz Sampling-Rate mit GPS-Logging?"
• "Kannst du mir ein Python-Skript für die Batch-Verarbeitung von WAV-Dateien mit BatDetect2 schreiben?"
• "Wie integriere ich GPS-Daten in eine KML-Tour für Google Earth?"

---

📢 Deine Erfahrungen?

Nutzt du KI-Tools für deine Forschung? Teilt gerne eure Tipps in den Kommentaren!

Weitere Option in der Überlegung

Mir schwebt eine weitere Analyse-Option-Idee im Kopf herum ....

Ich will mal den Hintergrund erklären ....

Spektrogramm

Dies ist ein Spektrogramm einer wav-Datei (Audio-Aufnahme) - also quasi das Sichtbarmachen von Ultraschallwellen.

Der Strich bei ungefähr 42 kHz ist mir ein Rätsel, er zieht sich durch alle Aufnahmen. Ich vermute, es ist die Teensy-Platine 😕 Ich habe aber kein Oszilloskop, um das zu überprüfen.

Die anderen Ausschläge muss ich in einer csv-Tabelle nachschauen.

Die Aufnahme hat den Namen 20250920T195706.png.
In der Tabelle finde ich folgenden Fledermäuse unter dem Eintrag in der Tabelle = Pipistrellus pipistrellus, Nyctalus noctula, Nyctalus leisleri, Eptesicus serotinus, Pipistrellus nathusii
Zwergfledermaus, Großer Abendsegler, Kleiner Abendsegler, Breitflügelfledermaus, Rauhautfledermaus

Warum jetzt blöderweise die Tiere in dem Programm alle mit ihrem lateinischen Namen gelistet werden, kann ich nicht sagen. Mich stört es ganz fürchterlich.

Jetzt möchte ich es so haben, dass zu dem Spektrogramm auch die deutschen Namen der Fledermäuse gelistet werden.

Ich fürchte, meine Tokens bei den LLM's werden schneller weniger werden als Eis in der prallen Sonne schmilzt ..... 😑😑😑😑

Wird 'ne lange Nacht werden 🙀

Zweiter großer Feldtest erfolgreich abgeschlossen

 Bin gerade mächtig stolz - auch der zweite große Feldtest hat wunderbar geklappt !

Okay, ein kleines (ganz kleines) Missgeschick gibt es dann doch, aber das war mir bekannt - die GPS-Ortung an meinem Handy funktioniert nicht hundertprozentig, das Handy liegt immer ein paar Meter daneben. Ist ein bekannter Fehler meines Handys.

Kommen wir zur Analyse .....

Wir waren zuerst an der Fischteichen - am Paddelteich, Höhe ehemalige Paddelhütte. Dort konnte ich einige Zwergfledermäuse (Pipistrellus pipistrellus) und ein paar Mückenfledermäuse (Pipistrellus pygmaeus) detektieren.

Dann änderten wir unseren Standort - auch am Paddelteich, jetzt aber bei den Bahnschienen. Dort waren auch Zwergfledermäuse und Mückenfledermäuse, aber auch ein anderes Signal, welches ich noch nie vorher gefunden hatte - Großer Abendsegler (Nyctalus noctula) !

Plötzlich setzte ein wenig Regen ein.

Wir fuhren weiter zum Padersee - an der Brücke Fürstenallee. Dort drehte der Detektor völlig auf - 75% der Rufe habe ich dort aufgenommen.
Ich habe beschlossen, dort das Gerät weiter zu testen.

An der Brücke habe ich dann auch die Wasserfledermaus (Myotis daubentonii) detektiert.

Hier ist der Link zu den csv-Dateien, welche die Software aus den wav-Dateien extrahiert hat ---> Link zu einer Cloud

Für mich steht fest, das ich unbedingt den GPS-Empfänger und den Temperatur-Sensor für den TeensyBat kaufen und einlöten muss. Ohne verlässliche GPS-Daten ist eine vernünftige Kartierung nicht möglich. Aber dafür muss ich auch die Temperaturdaten haben. Manche Fledermäuse verhalten sich bei unterschiedlichen Temperaturen anders.

Großer Feldtest und Erklärvideo

Meine Frau und ich waren zwischen 20 Uhr und 21 Uhr an der Bank im Benhausener Feld (Eingeweihte wissen wo) und haben den TeensyBat dem ersten großen Feldtest unterzogen.

Ich hatte bei der Software noch einige Probleme, die ich zuhause per Künstlicher Intelligenz lösen wollte und musste. Bevor wir zum Feldtest los fuhren, habe ich insgeheim alle verfügbaren Daumen gedrückt ....

Es hat alles so geklappt wie gehofft - die Software kam (endlich) mit dem Gerät zurecht !

Welche Probleme hatte ich?

Zum einen war die Aufnahmezeit des TeensyBat viel zu lang für die Analysesoftware.

Zum anderen erkannte das Analyseskript nicht die wav-Dateien.

Aber wie gesagt - die Stunden, die ich mit Prompt's verbracht habe, haben sich gelohnt.

Hier nun die Daten ....

Hier sind weitere Daten in der Cloud als csv-Dateien 

Für mich ist total interessant, das wir jetzt auch mal andere Arten als die Zwergfledermaus (Pipistrellus pipistrellus) unter den erkannten Rufen hatten.

Was sind überhaupt Fledermäuse ?

Hier ein von mir mit Hilfe von Künstlicher Intelligenz erstelltes Video .....

 Diese Video erklärt einfach und gut alles Wichtige von der Fledermaus.

Mein Weg von der Fotografie zur Fledermauswelt

Je tiefer ich in das Thema „Fledermäuse“ eintauche, desto mehr fasziniert mich die Welt dieser „Flattermänner“.

Immer öfter sieht man auf Social-Media-Plattformen Fotos, die mit Künstlicher Intelligenz erstellt, bearbeitet oder verfeinert wurden. Der Druck auf „normale“ Fotografen, die nicht bereit sind, Unmengen an Geld für Ausrüstung oder Software auszugeben, steigt enorm. Die Algorithmen fordern tägliche Aktivität, sonst droht der Absturz ins digitale Nirwana. Die Jagd nach Likes und neuen Followern lässt aus Menschen hungrige Tiere werden. Jeder muss für sich selbst entscheiden, was ihm wichtiger ist: Option 1 – die schnelle und vergängliche digitale Welt, oder Option 2 – etwas Bleibendes und Haptisches für die Natur zu tun.

Nach fast 30 Jahren analoger und digitaler Fotografie ist für mich langsam der Moment gekommen, mich von der Bühne dieses „täglichen Wahnsinns“ zu verabschieden. Ich werde die Kamera nicht an den Nagel hängen – dafür ist die Leidenschaft immer noch zu groß –, aber ich werde mich aus dem digitalen Scheinwerferlicht zurückziehen.

Ich habe mich für die zweite Option entschieden, als ich 2024 vorsichtig eine Tür in der Welt der Fledermäuse aufstieß. Je länger ich in dieser „Welt der Nacht“ bin, desto faszinierter bin ich.

Mit meinen 57 Jahren und einem Vollzeitjob habe ich nur eine Möglichkeit, meinen Wissensdurst zu stillen: Ich mache mir die Künstliche Intelligenz zunutze und schreibe einen Prompt nach dem anderen. Die Bots crawlen immer mehr Informationen aus dem Internet und versuchen, meinen Hunger nach Wissen zu stillen.

Mein Vorteil ist, dass ich ein Quereinsteiger bin und kein Vollblut-Biologe, der mit lateinischen Fachbegriffen um sich wirft. Ich möchte so viele Menschen wie möglich für dieses Thema interessieren, mitreißen und begeistern – genau so, wie es mich begeistert.

In den nächsten Wochen werde ich meinen Blog mehr und mehr umgestalten und ihn mit Links zu externen Clouds, Podcasts und Erklärvideos ausstatten.




There is more to come...

Spektrogramm oder Sonogramm ?? 😖😖

Wie soll ich es nun erklären ....

Das Main-Script "BatDetect2" beinhaltet auch eine Funktion, mit der ich sogenannte Spectrogramme erzeugen kann.

Was sind Spectrogramme ? Hier bitte den Link lesen .....

Also habe ich mich heute daran gemacht, diese Funktion für meine aufgenommenen Fledermausrufe zu verwenden. Das war die Idee .... 😐

Ich habe während der Recherche bei ChatGPT den ersten Fehler gemacht, dass ich anstatt "Spektrogramm" aus irgendeinen Grund "Sonogramm" eingegeben habe.
[ Weil ich in dem Beitrag schon "Sonogramm" benutzt haben ]

Was ist ein Sonogramm ? Hier bitte den Link lesen .....

Nun ja - zum Glück gibt es die Funktion (logischerweise) bei BatDetect2 nicht, sonst wäre der Laptop an die Wand geflogen 😡
Ich habe nun also gut 2 1/2 Stunden versucht, einer Software etwas zu entlocken, was sie gar nicht hat.

Durch Zufall fand ich dann den Hinweis auf "Spektrogramme" .... 😌😎

Aber dann hat es diverse Probleme mit dem Speicher gegeben - nach dem ersten analysierten Wave-File bekam ich einen "Memory Overflow" - ??? 😠

Also nachgeschaut, wie diese Spektrogramme erstellt werden. Okay, das Wave-File wird eingelesen, analysiert und dann ein Bild erstellt.

Okay

Aber bei Wave-Files mit einer Länge >2 Minuten (oder größer 20 MByte) wird der Speicher sehr ... beansprucht ... derart, dass es zum "Memory Overflow" kommt.

Von 26 Aufnahmen war nur 3 unter 20 MByte ....

😱

Also muss das Script so umgeändert werden, das nach jeder Analyse eines Wave-File der Speicher geleert werden, damit es nicht zu einem "Overflow" kommen kann. Soweit die Grundidee.
Das erste geänderte Script brachte nicht den gewünschten Erfolg. Das Script löschte nicht nur den Speicher, sondern auch das Spektrogramm 😖
Das zweite geänderte Script überschrieb die Grafikdatei, nach 8 von 26 Dateien kam es aber trotzdem zu einem "Memory Overflow" 😠

Dann waren blöderweise (oder zum Glück) meine Token aufgebraucht .... 😭

Mit dem ganzen Script zu Google Gemini umgezogen. Das Script hochgeladen zur Analyse, bekam sofort einen Fehler angezeigt. Ich bat Gemini den Fehler zu korrigieren und die Bitte um eine Speicherbereinigung.

Der erste Versuch klappte 😍😍😍

Hier die Spektrogramme der 26 aufgenommen Wave-Files (unter den Bildern geht es mit noch offenen Problemen weiter) .....

Wenn man sich die Spektrogramme in Ruhe genau anschaut, sieht man, welche Problem ich jetzt habe.

Die X-Achse (Time) ist in manchen Spektrogramme sehr groß, in manchen sehr klein. Dementsprechend kann man in den Spektrogrammen mit geringer Zeit die Ruffrequenzen am besten erkennen. Ist ja auch logisch.

Jetzt muss ich nur noch dem TeensyBat beibringen, die Aufnahmen maximal 20 Sekunden (vielleicht auch nur 15 Sekunden) lang aufzunehmen.

😵

Dann habe ich ja noch etwas vor ......

Die Suche nach einer geeigneten Cloud

Ich will ja meine Daten / Erfahrungen / Scripte auch mit anderen Interessierten teilen, damit dieser Bereich der Fledermaus-Forschung weiter voranschreitet.

Daher teste ich nun geeignete Cloud-Speicher .....

Speicher Strato

Speicher Google

Ich werde nach dem Test diese Seite wieder löschen bzw. umschreiben.

Der nächste Schritt ist getan ....

Zwergfledermaus (Pipistrellus pipistrellus)

Nachdem ich nun ein Python-Script verwende, um aus den Ruf-Aufnahmen mögliche Fledermäuse zu erkennen ....

Wieso geht nicht eine 100% Bestimmung, wenn ich doch die Rufe aufgenommen habe?

Nicht einfach zu erklären, ich versuche es mal ....

Fledermäuse benutze die Echo-Ortung mit Ultraschall für die Jagd nach Insekten. Sie nutzen diesen Ultraschall aber auch für die soziale Kommunikation. Soll heißen, sie rufen ihre Artgenossen, warnen vor Gefahren oder zeigen Jagdgebiete an etc.
Diese "sozialen Rufe" unterscheiden sich von "Jagdrufen". Eine klare Erkennung gibt es meines Wissens nicht.
Also - eine Zwergfledermaus (Pipistrellus pipistrellus) ruft auf verschiedenen Weisen. Diese Rufe können dann aber auch einer anderen Art zugeordnet werden.

An einen See gehen, 5 Minuten Rufe aufnehmen und dann sagen, es ist die oder diese Fledermaus ist nicht möglich.

Deshalb nutzt das Programm, was ich dafür nehmen, verschieden viele Aufnahmen, berechnet daraus die Frequenzen und vergibt dann prozentual die Möglichkeit, es könne sich um die oder diese Fledermaus handeln.

In meinem letzten Post ( link ) hatte ich ja Bilder und Tabellen erstellen lassen. Wie ihr oben seht, möchte ich auch noch ein Sonogramm des Rufe erstellen lassen. Das ist aber programmier-technisch schwieriger. Mal schauen, wenn ich neue Aufnahmen habe, wie schnell oder wie langsam ich die Daten generieren kann.

Erste Analysen laufen etwas holprig, jetzt funktioniert aber alles

Was nützt ein Fledermausdetektor, wenn ich die aufgenommenen Wave-Files nicht auswerten kann.

Okay, es funktioniert noch nicht am Gerät (soll eines Tages funktionieren), aber ich habe und nutze auf meinem Laptop ein Python-Script, welche eine Deep-Learning-Funktioniert hat.
Soll heißen, das Script lernt, welche Fledermäuse ich detektiert habe und speichert die Rufe für die nächsten Analysen.

Ich bin ehrlich - ich habe nicht den geringsten Schimmer von Python-Scripts, aber ich habe ein Abo bei Gemini und die KI hat mir die ganze Nacht quasi das Script geschrieben.

Das Ergebnis ist vielleicht für manch einen noch nicht perfekt, aber ich arbeitet bzw. Gemini bekommt den Auftrag, ein wenig an dem Look zu feilen.

Hier ein paar Bildchen ....

Von allen aufgenommen Rufen war (überraschenderweise) die Zwergfledermaus (Pipistrellus pipistrellus) am Häufigsten. 

Hier ist die Übersicht der meisten Frequenzen, die genutzt wurden. Das bestätigt wiederum, dass es zu 98% die Zwergfledermaus (Pipistrellus pipistrellus) gewesen ist.

Leider kann ich hier bei Blogger keine pdf-Dokumente einstellen, ich hoffe, es funktioniert ....

species_summary.pdf

species_by_file.pdf

all_detections.pdf

Erster Test erfolgreich absolviert

Gerade von dem ersten richtig Feld-Test zurück gekommen ....

An der Stadtbibliothek in Paderborn kann man in den Sommermonaten (also jetzt auch noch) viele Zwergfledermäuse (Pipistellus pipstellus) in der Dämmerung beobachten.

Das hat der TeensyBat auch richtig erkannt ....

Da die Arterkennung in dem Gerät noch nicht funktioniert, muss ich die Auswertung der Sound-Daten an meinem Rechner starten. Ich arbeite gerade daran, meinen Laptop für eine "Deep-Learning-Software" zu installieren.

Diese Software soll eines Tages sich selber beibringen, um welche Rufe bzw. um welche Fledermaus es sich zu 95% handelt.

Nun ist der TeensyBat gestartet ....

Nun ist es endlich soweit - der TeensyBat funktioniert und nimmt auch schon die ersten Geräusche auf.

War ja - ehrlich gesagt - eine ganz schöne Frickelei ....

Ohne die Hilfe von Martin wäre ich ganz schön aufgeschmissen gewesen - vielen lieben Dank auch über diese Seite

🙏😌

Ich lade die Bilder hier einfach mal hoch, unter den Bilder der entsprechende Kommentar ...

Der Teensy läuft einwandfrei - aber der Rest nicht 😒

Auch der Akku läßt sich wunderbar aufladen - aber der Rest läuft nicht 😒

Alles tippitoppi - aber irgendwie ist irgendwo der Wurm drin 😒 

Mit Martin via Standleitung alle möglichen und unmöglichen Fehler durch gegangen

Alles nochmal zurück auf Null

Der Schalter für den Hi-Pass-Filter ist auch da

So sieht dat Ding aus - dass eigentlich da gar nicht sein darf 😡 in der Bauanleitung findet sich der Hi-Pass-Filter, auf der Platine aber nicht mehr

Das nächste Problem - der Bildschirm hat urplötzlich eine metallische Abschirmung. Nach Bauanleitung ist dort nichts.

Musste ein bißchen tricksen, nachdem ich ein Bauteile zerlegt hatte - habe mir anstatt einer 14x1 8mm Steckerleiste 2x 5mm Steckerleisten bestellt. Der Bildschirm ist nun schief, liegt aber nicht auf den Headern des Teensy 😇

Da ist dann der Hinweis (auf der Platine !!, nicht in der Bauanleitung), dass man keinen Schalter für den Hi-Pass-Filter braucht 😡😡