Von der Schallwelle zur Artbestimmung

🦇 Von der Schallwelle zur Artbestimmung
Wie wir das Unsichtbare sichtbar machen

Abb. 1 – Spektrogramm eines Fledermausrufs: Die visuelle Signatur des Unsichtbaren.

Bevor wir über Habitate und Statistiken sprechen, müssen wir eine grundlegende Frage klären: Wie kommen die Rufe der Fledermäuse eigentlich in meinen Computer? Da Fledermäuse im Ultraschallbereich rufen – also in Frequenzen, die weit über dem menschlichen Hörvermögen liegen –, brauchen wir eine spezielle „Übersetzungs-Kette".

Die vier Schritte vom Ruf zur Art

1

Die Aufnahme: Das digitale Ohr (TeensyBat)

Alles beginnt mit einem speziellen Mikrofon, dem TeensyBat. Während normale Mikrofone nur bis etwa 20.000 Hertz (20 kHz) aufzeichnen, kann dieses System Signale bis weit über 100.000 Hertz einfangen. Das Gerät tastet die Luftschwingungen extrem schnell ab – wir sprechen hier von einer Abtastrate von 384.000 Mal pro Sekunde. Das Ergebnis ist eine digitale Datei, die wir uns wie ein „Foto des Schalls" vorstellen können.

2

Die Visualisierung: Schallbilder (Spektrogramme)

Da wir Ultraschall nicht hören können, wandeln wir ihn in Bilder um – sogenannte Spektrogramme. Auf der waagerechten Achse sehen wir die Zeit, auf der senkrechten die Frequenz (Tonhöhe). Jede Fledermausart hat dabei ihren eigenen „Fingerabdruck": Die Zwergfledermaus zeichnet oft einen Haken, der bei 45 kHz endet. Das Braune Langohr hingegen hinterlässt ganz feine, steile Striche – fast wie Kratzer im Bild.

3

Die Analyse: Was ist BatDetect2?

Hier kommt die Software BatDetect2 ins Spiel, entwickelt von Forschern um Oisin Mac Aodha. Man kann sie sich wie eine extrem spezialisierte Gesichtserkennung für Schallbilder vorstellen. BatDetect2 nutzt ein Künstliches Neuronales Netzwerk (KI), das mit Millionen echter Fledermausrufe trainiert wurde. Am Ende liefert die Software nicht nur ein „Das ist eine Fledermaus" – sondern eine Wahrscheinlichkeit für die jeweilige Art.

4

Die Validierung: Warum drei Durchläufe?

Eine KI kann sich irren – besonders wenn Wind oder Regen das Bild stören. Deshalb werden die Daten mit drei verschiedenen Empfindlichkeitsstufen, den sogenannten DT-Werten (Detection Thresholds), ausgewertet.

📊 Die drei Detection Thresholds im Überblick

DT-Wert	Bezeichnung	Charakteristik	Typischer Einsatz
DT 0.8	Hohe Sicherheit	Nur „Lehrbuch-Rufe" werden gezählt. Sehr strenge Filterung.	Gesicherte Basisdaten, offenes Gelände
DT 0.5	Standard	Ausgewogener Modus für allgemeine Aktivitätsmessung.	Allgemeine Auswertung
DT 0.2	Hohe Empfindlichkeit	Erkennt auch leise Rufe und komplexe Sozialrufe.	Strukturreiche Habitate, Quartiersuche

„Indem wir diese drei Ebenen übereinanderlegen und mit den Wetterdaten des NEXUS-Systems abgleichen, entsteht ein Bild der Realität, das weit über einfaches Raten hinausgeht."

🔍 Warum der Dreifach-Durchlauf so wichtig ist

Jeder DT-Wert beleuchtet einen anderen Aspekt des Fledermauslebens. DT 0.8 zeigt uns die sicheren Jagdgebiete, DT 0.5 die allgemeine Aktivität und DT 0.2 öffnet das Fenster auf Sozialverhalten und Quartiere. Erst die Kombination aller drei ergibt ein vollständiges ökologisches Bild – kein einzelner Wert kann das allein leisten.

Fazit: Die Kette macht die Musik

Vom Mikrofon über das Spektrogramm bis zur KI-Validierung – jeder Schritt in dieser Kette ist entscheidend. Doch die beste Technik nützt nichts, wenn wir den Raum vergessen, in dem die Tiere fliegen. Denn ein Ruf im Wald klingt ganz anders als ein Ruf über dem Wasser.

🌿 Bereits erschienen:

Wie wir unsere Analyse zwingend an das jeweilige Habitat anpassen müssen, haben wir im Beitrag „Das Habitat-Paradoxon – Warum 100 Rufe nicht gleich 100 Rufe sind" bereits ausführlich beleuchtet. Jetzt weißt du auch, wie diese Daten entstehen.

📚 Quellen & wissenschaftlicher Hintergrund

• Mac Aodha et al. (2022): BatDetect2 – Deep Learning für automatische Fledermaus-Rufanalyse. PLOS Computational Biology.
• TeensyBat: Open-Source Ultraschall-Detektor-Projekt, github.com/CorneliusHy/TeensyBat
• Skiba, R. (2009): Europäische Fledermäuse – Kennzeichen, Echoortung und Detektoranwendung. Westarp Wissenschaften.

🛰️ Das NEXUS-Projekt

Die in diesem Beitrag beschriebene Methodik wird im Rahmen des NEXUS-Projekts entwickelt und eingesetzt. NEXUS ist ein selbst entwickeltes Citizen-Science-System auf Basis des SEEED XIAO ESP32S3 Sense, ergänzt durch einen BME680-Umweltsensor, einen AIR530-GPS-Empfänger und eine SEN-15901-Wetterstation. Es erfasst parallel zur Fledermaus-Akustik das vollständige Mikroklima – Temperatur, Luftfeuchte, Luftdruck, Windgeschwindigkeit und Niederschlag – und macht so die Verbindung zwischen Wetter und Fledermausaktivität wissenschaftlich auswertbar.

Citizen Science in Aktion: Jede Nacht. Jede Aufnahme. Jeder Datenpunkt zählt.