In diesem Blog möchte ich Ideen, Projekte, Erfolge und auch Fehlschläge rund um das Thema Fledermäuse veröffentlichen. Dies ist KEINE Geschäftsseite, es ist ein rein privates Blog !!
Mein Engagement in der Naturfotografie ist stets von der maximalen Ausnutzung technologischer Kapazitäten geleitet. Diese Methodik, welche die Leistungsgrenzen der Ausrüstung evaluiert und ausschöpft, übertrage ich konsequent auf meine bioakustische Forschungsarbeit und die Dokumentation im Fledermaus-Blog.
Heute erfolgte die Initiierung der automatisierten Datenverarbeitungs-Pipeline. Ziel ist die systematische und automatisierte Auswertung des bisher gesammelten Korpus an Aufnahmen des TeensyBat-Detektors zur Artidentifikation und Verhaltensanalyse.
Datenkorpus und Analyseparameter
Die Rohdatenbasis, erfasst über den TeensyBat, umfasst folgende Spezifikationen:
Gesamtdatensatz:569 Audiodateien (Gesamtvolumen von 7,15 GB).
Segmentierung: Aufgeteilt in 6.844 Einzel-Audio-Segmente von jeweils 2 Sekunden Dauer.
Software-Pipeline: Die Artklassifikation erfolgt mittels der Software BatDetect2.
Qualitätssicherung: Als strenger Filter wird ein Detection Threshold (DT) von 0,7 angewendet. Dieser hohe Schwellenwert dient der Eliminierung falsch-positiver Detektionen und gewährleistet die ausschließliche Berücksichtigung hochwertiger, klarer Ultraschallrufe (Call Quality Filtering), was die Validität der bioakustischen Analyseergebnisse sichert.
Ich erwarte gespannt die Ergebnisse dieser qualitätsgesicherten Analyse und werde die gewonnenen Erkenntnisse zeitnah hier dokumentieren.
Musste aus Zeitgründen die Pipeline abbrechen - habe Frühschicht, muss um4:30 Uhr aufstehen. Beginne morgen direkt nach Feierabend den zweiten Durchlauf .....
In den letzten Wochen habe ich gemeinsam mit meinem KI-Partner Gemini intensiv daran gearbeitet, meine Fledermaus-Forschung auf ein neues Level zu heben. Unser Ziel: eine vollautomatische „Fabrikstraße“ im Computer, die stundenlange Aufnahmen meines TeensyBat-Decoders blitzschnell auswertet – und diese Daten mit den Umweltdaten meiner NEXUS-Sensorik verknüpft.
Hier ist die Geschichte, wie wir in sieben Schritten zur finalen Version V8 gelangt sind:
Phase 1: Aufräumen und Basis schaffen (V1–V3)
Ordnung muss sein (V1 – Der Teiler):
Meine Aufnahmen sind oft stundenlang – doch die Spezialsoftware BatDetect2 arbeitet am besten mit kurzen, überschaubaren Clips. Der erste Schritt: Die langen WAV-Dateien in 2-Sekunden-Häppchen zerlegen.
Der kritische Übersetzungsfehler (V3 – Die Korrektur):
Die Software lieferte Detektionslisten – doch es gab ein Problem: Die Rufe wurden manchmal mit der falschen Einheit (kHz statt Hz) ausgezeichnet. Das führte zu falschen Artenzuordnungen! Nach der Code-Korrektur konnte die Pipeline endlich garantieren, dass jede Fledermaus der richtigen Art (z. B. Pipistrellus oder Myotis) nach ihrer Frequenz zugeordnet wurde.
Phase 2: Die Detektive für Statistiken und Bilder (V4–V6)
Wer dominiert? (V4 – Die Pareto-Analyse):
Um schnell zu erkennen, welche Arten am häufigsten unterwegs waren, wandten wir die Pareto-Regel (80/20) an. Das Ergebnis: Ein Diagramm, das sofort zeigt, welche Arten 80 % aller Rufe ausmachen – die „Hauptdarsteller“ des Abends.
Wann ist Jagdzeit? (V5 – Die Aktivitätsanalyse):
Die Pipeline liest die Uhrzeit aus den Dateinamen und erstellt einen stündlichen Aktivitäts-Plot. So sehen wir, zu welcher Uhrzeit welche Art die höchste Ruffrequenz hatte – entscheidend, um die tatsächliche Aktivität im Feld zu verstehen.
Die visuelle Kontrolle (V6 – Die Spektrogramme):
Als Naturfotograf weiß ich: Bilder sind unverzichtbar. Die Pipeline generiert für jeden Ruf ein hochauflösendes Spektrogramm (das „Frequenzbild“ des Rufs) mit zwei Funktionen:
„Highlight“: Extrem sicher erkannte Rufe werden markiert.
„Myotis-Check“: Zweifelsfälle – besonders bei den schwer unterscheidbaren Myotis-Arten – werden für die manuelle Überprüfung vorgemerkt.
Phase 3: Die Brücke zur Umwelt (V7–V8 – Der Erfolg)
Der GPS-Link (V7 – Die KML-Datei):
Mein TeensyBat-Decoder speichert GPS-Koordinaten direkt in den Tondateien. Die Pipeline liest diese aus und erstellt eine KML-Datei – den magischen Moment: Diese Datei lässt sich in Google Earth öffnen, um alle Aufnahmepunkte auf einer Karte zu sehen. So weiß ich genau, wo ich meine NEXUS-Sensoren mit den Fledermaus-Rufen abgleichen muss.
Der finale Umwelt-Faktor (V8 – Die Temperatur):
Der größte Erfolg: Die Pipeline extrahiert nun auch das Feld „Temperature Ext“ (die externe Temperatur zum Aufnahmezeitpunkt) aus dem TeensyBat-Header. Warum ist das so wichtig? Weil die Umgebungstemperatur die Ruffrequenz der Fledermäuse maßgeblich beeinflusst!
Fazit: Ein hochpräzises Werkzeug
Mit Version V8 ist die Fledermaus-Analyse-Pipeline nun ein integriertes System, das nicht nur für Ordnung und korrekte Artenbestimmung sorgt, sondern meine akustischen Aufnahmen direkt mit den entscheidenden Orts- und Klimadaten verknüpft.
Ich werde einen Durchlauf starten - von unserer letzten Aufnahmen. Insgesamt sind es 123 Wave-Dateien, Aufnahmebeginn 18:55:06 Uhr, Aufnahmeende 20:37:17 Uhr.
Hier die Ergebnisse .....
Ich habe einen Video-Mitschnitt gemacht. Das ist die Originalgeschwindigkeit, mit der mein Script die 123 Dateien mit Hilfe von BatDetect2 auswertet.
Ich werde die Spektrogramme und Auswertungen in meine Cloud hochladen, damit jeder Interessierte nachschauen kann, wie die Ergebnisse aussehen.
Das Aktivitätsprotokoll - wann flog was in der Luft. Ist Interessant für Aufnahmen größer 5 Stunden.
Hier bedeutet die Konfidenz größer gleich 0.7, das weniger wichtige Rufe (DT=0.9) analysiert werden.
Dies hier ist kein MUSS, sondern eine Schätzung von BatDetect2!
Und schließlich das Pareto-Diagramm, welche Fledermaus aus allen analysierten Rufe am meisten vorkam.
Ich habe alle Spektrogramme, die die Pipeline erstellt hat, in einen Ordner meiner Cloud geladen. Über den Link 👉LINK ZUR CLOUD 👈können die Bilder angeschaut werden.
An interessierte Fachleute:
Sollten Sie die Daten gegenprüfen möchten, können Sie sich gerne über das Kontaktformular bei mir melden. Ich sende Ihnen dann die gewünschten WAV-Dateien zu.
Um mein Problem besser zu veranschaulichen, hier ein Screenshot:
Die Herausforderung liegt in der Komplexität der Datenauswertung.
Nehmen wir als Beispiel die Datei Zeile 152 – 20251002T195002_segment10.wav:
BatDetect2 identifiziert hier angeblich folgende Arten:
Myotis daubentonii
Pipistrellus pipistrellus
Pipistrellus nathusii
Als Gegenbeweis dazu ein Screenshot aus Raven Lite:
Tatsächlich sind alle von BatDetect2 „erkannten“ Rufe im Spektrogramm sichtbar – und ich würde hier nicht einmal mehr von einer Schätzung sprechen, sondern von einer klaren Erkennung.
Doch genau hier beginnt mein Problem:
BatDetect2 gibt nur ein einziges Ergebnis aus – und das ist auch noch falsch 😔.
Das wirft für mich die Frage auf:
Entweder ist das Skript, das die Spektrogramme generiert (BatDetect2 selbst erstellt keine), grundlegend fehlerhaft – oder … 😵
Ich brauche dringend mehr Kaffee – und vielleicht eine Lösung.
Wer sich mit Fledermausrufen beschäftigt, weiß: Die Analyse ist oft Detektivarbeit. Stundenlanges Lauschen, Vergleichen, Raten – und manchmal bleibt selbst für erfahrene Experten nur ein ratloses Schulterzucken. Hier kommt BatDetect2 ins Spiel: eine Software, die diese Arbeit nicht nur vereinfacht, sondern fast schon revolutioniert.
Warum BatDetect2 überzeugt
BatDetect2 analysiert Fledermausrufe mit einer Treffergenauigkeit von 0,88 bis 0,91 (auf einer Skala von 0,0 bis 1,0). Das ist beeindruckend – vor allem, wenn man bedenkt, dass selbst teure Alternativen oft nicht an diese Werte heranreichen. (Und nein, ich werde hier keine Software-Wettkämpfe vom Zaun brechen; ich kenne die Konkurrenz nicht gut genug.)
Doch wie funktioniert das? BatDetect2 schätzt die Art des Rufs ein – und das mit einer Präzision, die selbst Skeptiker überrascht. Für die meisten Arten klappt das hervorragend. Aber – und hier kommt der Haken – es gibt Rufe, die selbst für Profis eine echte Herausforderung sind. Und genau da stößt auch BatDetect2 an seine Grenzen.
Die Lücken in der Datenbank
BatDetect2 arbeitet mit einer Datenbank von 14 Fledermausarten, die in Deutschland vorkommen. Klingt viel? Ist es auch – aber nicht genug. Denn in Deutschland gibt es 24 (bzw. früher 25) Arten. Die fehlenden 10–11 Arten? Genau die, bei denen selbst Experten ins Grübeln kommen.
Das Problem: Niemand listet auf, welche Arten fehlen. Also bleibt mir nichts anderes übrig, als selbst zu testen, zu analysieren, zu vergleichen – und zwischendurch viel Kaffee zu trinken. (Der ist übrigens ein unverzichtbarer Begleiter bei der Fledermausruf-Analyse. Wer hätte das gedacht?)
Mein Fazit – und was jetzt kommt
Aktuell kann ich noch keine abschließende Bewertung abgeben. Aber ich bin auf einem guten Weg! Die Software spart mir unendlich viel Zeit, und die Ergebnisse sind vielversprechend. Klar, es gibt Lücken – aber welche Software ist schon perfekt?
In den nächsten Tagen werde ich weiter testen, analysieren, dokumentieren – und vielleicht sogar die eine oder andere überraschende Erkenntnis gewinnen. Eine arbeitsreiche Woche liegt vor mir, aber ich bin gespannt, was BatDetect2 (und ich) noch alles herausfinden werden.
