NEXUS Legacy: Fledermaus-Forschung am Padersee einfach erklärt

Fledermaus-Forschung einfach erklärt: Das 3-Ebenen-Modell

Seit meinem letzten Beitrag fragen mich viele: „Was genau machst du da eigentlich mit deinem NEXUS-System?“. Um das zu erklären, nehme ich euch mit zu meiner Messung vom 26.02.2026 am Padersee.

Das Duo am Padersee: Im Vordergrund der NEXUS (Umwelt-Ebene) und daneben der TeensyBat, ausgerichtet flussabwärts Richtung Brücke. Ein Präzisions-Setup für die Erfassung der 'flüsternden' Brückenbewohner.

Blick in das RSP-Habitat: Hier treffen die Pader-Umflut, die dichte Ufervegetation und die Brücke im Hintergrund zusammen. Ein komplexer Raum, der nach dem 3-Ebenen-Modell eine ganz gezielte Gewichtung der leisen Rufe (DT 0.2) verlangt.

Der Ort des Geschehens: Restaurant, Wohnblock und Autobahn

Stellt euch den Bereich an der Pader-Umflut wie eine kleine Stadt vor. Damit wir verstehen, was die Fledermäuse dort tun, müssen wir ihren „Wohnraum“ betrachten:

• 🍴 Das Restaurant (Der Fluss): Die Pader ist für Fledermäuse ein Schlaraffenland. Wenn es warm genug ist, schlüpfen hier Tausende Mücken – ein perfektes Buffet.
• 🏢 Der Wohnblock (Die Brücke): Die Betonbrücke speichert die Wärme der Sonne. In den Spalten und Ritzen schlafen die Tiere tagsüber wie in einem modernen Apartmenthaus.
• 🛣️ Die Autobahn (Das Flussufer): Der Flusslauf selbst dient als Flugstraße, um schnell von A nach B zu kommen.
• 🌳 Die Raststätte (Bäume und Büsche): Hier können sich die Tiere ausruhen oder im Schutz der Blätter nach Leckereien suchen.

Schritt 1: Das „digitale Ohr“ (Der Sensor)

Da wir Menschen den Ultraschall der Fledermäuse nicht hören können, nutzt mein System den TeensyBat. Er zeichnet die Rufe auf, und eine Software (BatDetect2) macht daraus Bilder – sogenannte Spektrogramme.

Da wir die Tiere nicht mit Netzen fangen wollen (das wäre purer Stress für sie!), vergleicht die Software diese Bilder mit tausenden gespeicherten Rufen. Es ist wie eine Gesichtserkennung, nur für Töne. Das Ergebnis ist eine Schätzung mit hoher Wahrscheinlichkeit.

Schritt 2: Wie genau hören wir hin? (Die DT-Werte)

Ich kann der Software sagen, wie streng sie sieben soll. Das nenne ich den DT-Wert (Detection Threshold / Schwellenwert):

• Stufe 0,2 (Das Flüstern): Die Software ist extrem hellhörig. Sie erkennt leises „Flüstern“ und soziale Unterhaltungen, aber leider auch mal das Rauschen der Blätter.
• Stufe 0,5 (Die Jagd): Die Software wird strenger. Wind wird ignoriert, aber das schnelle Knattern bei der Insektenjagd (der „Jagdruf“ oder Feeding Buzz) wird erkannt.
• Stufe 0,8 (Die klare Ansicht): Nur die lautesten Rufe kommen durch. Das ist wie das Fernlicht auf der Autobahn – reine Orientierung.

Schritt 3: Das 3-Ebenen-Modell (Das Zusammenbringen)

Warum machen wir diesen Aufwand? Ein Beispiel: Wenn du in der Küche ein Würstchen suchst, schaltest du nicht das Flutlicht an, sondern vielleicht nur eine kleine Lampe. Genauso rufen Fledermäuse in ihrer „Küche“ (beim Jagen) leiser und anders als auf der „Autobahn“.

Mein selbst geschriebenes Programm (ein Python-Skript) kombiniert nun alles:

1. Ebene: Die Technik (Welche Töne wurden aufgenommen?)
2. Ebene: Der Raum (Sind wir am See, im Wald oder an einer Brücke?)
3. Ebene: Die Biologie (Welche Art verhält sich hier wie?)

Ich habe mich für das Habitat RSP (Schnittstelle ländliches Gebiet / Siedlungspark) entschieden. Hier „flüstern“ die Fledermäuse viel mehr (DT 0,2) an ihren Quartieren oder „plaudern“ (DT 0,5) bei der Jagd. Die lauten Schreie für den weiten Flug (DT 0,8) sind zwar auch da, aber die Geheimnisse der Brückenbewohner entdecken wir nur durch die leisen Töne.

Der Bussard-Vergleich: Stellt euch vor, ihr beobachtet einen Garten. Ihr achtet auf die Meisen in den Hecken (unsere leisen Fledermäuse), bekommt aber trotzdem mit, wenn oben drüber ein Bussard kreist. Mein System macht genau das: Es konzentriert sich auf die Brücke, hält aber ein Ohr offen für „Überflieger“ wie den Großen Abendsegler.

Das Ergebnis: Die NEXUS-Auswertung (Padersee 26.02.2026)

Hier sehen wir nun das Ergebnis des 3-Ebenen-Modells in der Praxis. Durch die RSP-Gewichtung werden die Rufe so gefiltert, dass ein ehrliches Bild der Nacht entsteht:

Grafik 1: Validierung der Daten – Wie viele Treffer sind gesichert, plausibel oder nur ein Hinweis?

Grafik 2: Das Artenspektrum am Padersee – hier zeigt sich die wahre Vielfalt der Nacht.

Grafik 3: Die Erfassungssicherheit (Score) pro Art – hier sieht man deutlich, welche Arten im RSP-Habitat besonders sicher bestimmt wurden.

Fazit: Gewissenhaftes Schätzen statt blindem Raten

Durch dieses Modell entstehen Grafiken, die nicht nur zeigen, dass da eine Fledermaus war, sondern wie sicher wir uns aufgrund der Umgebung sein können. Es ist eine moderne, ehrliche Forschung, die den Schutz der Tiere an erste Stelle setzt.