Entwicklung der Fledermaus-Datenanalyse (Nexus-Projekt)

 

Zusammenfassung der heutigen Erfolge

Heute haben wir die analytische Brücke zwischen den drei entscheidenden Datenquellen des Nexus-Projekts finalisiert: Umweltdaten (BME680), Akustik-Metadaten (TeensyBat) und Himmelsmechanik (Mondstand).

Das Hauptergebnis unserer intensiven Arbeit ist die Erstellung der FINAL_MASTER_DATENBANK_RUFE_PRO_SEKUNDE.csv. Diese Datenbank bildet die hochpräzise Grundlage für die detaillierte wissenschaftliche Auswertung von Fledermausverhalten und dessen Korrelation mit den erfassten Umweltbedingungen.

Wir konnten zwei kritische Hürden erfolgreich nehmen: die Eliminierung von Messfehlern durch die BME680-Optimierung und die Lösung des komplexen 3-Wege-Daten-Merges, um sicherzustellen, dass jeder Ruf seinen korrekten Umweltwert erhält.

---

1. ⚙️ Hardware-Basis und Datenqualität

Ein Hauptanliegen war die Einhaltung höchster Genauigkeit, die du in deiner Forschung verfolgst. Dies begann mit der Optimierung des BME680-Sensors. Wir haben die Gasheizung des BME680 in der NEXUS-Software deaktiviert. Diese Maßnahme verhindert eine interne Erwärmung des Sensors, die Temperatur und Druck verfälschen könnte, und stellt somit sicher, dass die aufgezeichneten Umweltdaten das tatsächliche Mikroklima widerspiegeln.

Gleichzeitig wurde die zeitliche Konsistenz gesichert: Wir nutzen die hochpräzise Hardware-RTC des NEXUS-Loggers und den GPS-Timefix des TeensyBat, um jeden Datenpunkt millisekundengenau zu verorten.

---

2. 🌌 Die astronomische Anreicherung

Die Fledermausaktivität ist stark vom Mondzyklus beeinflusst, daher war die retrospektive Berechnung des Mondstandes ein zentraler Punkt.

• Wir haben das Python-Skript bat_autostart_final.py mit der Skyfield-Bibliothek ausgestattet. Dieses Skript liest den GPS-Standort und den exakten Zeitstempel jedes Fledermausrufes aus dem WAV-Header.

• Darauf aufbauend berechnet das Skript die Mondphase, den Azimut und die Mondhöhe (Elevation).

• Das Ergebnis ist, dass jeder Ruf nun mit einem exakten Himmelsereignis verknüpft ist.

---

3. 🔗 Lösung der 3-Wege-Verknüpfung (Der "Merge")

Die größte technische Herausforderung war die Zusammenführung der Daten:

1. Segmentierung: Da BatDetect2 nur 2-Sekunden-Segmente analysiert, haben wir das Skript wav_teiler_mit_index.py erstellt. Dieses generiert einen Index, der die Brücke zwischen dem Segment und der Original-WAV-Datei herstellt.

2. Ruf-Präzision: Das Skript final_3way_merge.py berechnet den absoluten Zeitstempel jedes detektierten Rufes (bis auf die Millisekunde genau).

3. Finaler Merge: Mithilfe von Pandas merge_asof wird jeder Ruf über seinen hochpräzisen Zeitstempel mit dem zeitlich nächstgelegenen Umweltdatensatz (T, P, H) des NEXUS-Loggers verknüpft.

Dieser finale, korrigierte Prozess stellt sicher, dass unsere Datenbank die genaue Antwort auf die Frage liefert: "Welche Umweltbedingungen herrschten am genauen Ort und zur genauen Zeit des Fledermausrufes?"

---

4. 🚀 Automatisierung und Ausblick

Der gesamte Workflow wurde in die plattformspezifischen Skripte (.bat für Windows 11 und .sh für Linux Mint) übertragen und automatisiert. Nach der erfolgreichen Erstellung der FINAL_MASTER_DATENBANK_RUFE_PRO_SEKUNDE.csv beginnt nun die Auswertungsphase, die Spektrogramme, Aktivitätsgrafiken und die Pareto-Analyse umfasst.