👻 Das „Waldgespenst“ an den Fischteichen 👻

Warum KIs manchmal Geister sehen (und wie der NEXUS sie entlarvt)

Es ist eine milde, ungewöhnlich warme Frühlingsnacht im Wald in der Nähe der Paderborner Fischteiche. Das Thermometer des NEXUS-Systems zeigt um kurz vor zehn noch satte 21,4 °C bei 70 % Luftfeuchtigkeit. Mein Setup steht: Der TeensyBat-Recorder fischt stumm die Ultraschallwellen aus der Finsternis, während das NEXUS-System in seiner Tupper-Dose unbeirrt alle 2 Sekunden die Mikroklima-Daten des Waldes aufzeichnet.

Am nächsten Morgen habe ich knapp 850 Audiodateien auf der Speicherkarte. Zeit, die Künstliche Intelligenz ans Werk zu lassen. Doch was mir die Algorithmen ausspucken, entwickelt sich schnell zu einem echten bioakustischen Krimi.

Akt 1: Die optischen Zwillinge

Beim ersten Durchlauf mit BatDetect2 stolpere ich über ein klassisches Problem bei der Bestimmung von Myotis-Arten. Die Software meldet mir munter abwechselnd die Wasserfledermaus (Myotis daubentonii) und die Große Bartfledermaus (Myotis brandtii).

Ich werfe einen Blick auf die generierten Spektrogramme – und mein Auge sieht sofort: Diese Rufe sind strukturell praktisch identisch. Sie fallen steil von etwa 85 kHz hinab auf knapp 30 kHz. In strukturreichen Habitaten nutzen viele Arten der Gattung Myotis solche breitbandigen, kurzen Rufe, um dicht stehenden Hindernissen auszuweichen. BatDetect2 analysiert jeden Ruf einzeln, klammert sich an winzige Bildnuancen und „erfindet“ so eine künstliche Artenvielfalt, wo in Wahrheit vielleicht die ganze Nacht nur eine einzige Fledermausart auf und ab geflogen ist.

Akt 2: Die Phantom-Hufeisennase

Um das Rätsel zu lösen, nutze ich eine zweite, völlig anders arbeitende KI-Architektur: BattyBirdNet (BBN). Während BatDetect2 einzelne Impulse (Rufe) zählt, bewertet BBN ganze 3-Sekunden-Intervalle auf die Präsenz von Arten hin. Das sollte die ungenauen Einzelruf-Meldungen eigentlich glattbügeln.

Doch dann der Schock im BBN-Ergebnisprotokoll: Kleine Hufeisennase (Rhinolophus hipposideros), Konfidenz 95 %!

Ein echter Sensationsfund für Paderborn? Nein, ein digitales Geisterbild. In unserer Region gibt es schlichtweg keine Hufeisennasen. Die Software hat sich hier von einem hochfrequenten Störgeräusch bei 110 kHz (vielleicht ein raschelndes Blatt im Wind oder ein winziges Knacken der Hardware) täuschen lassen. BBN hat das Muster isoliert und sich die Art förmlich herbeigewünscht.

Und genau an dieser Stelle kommt die physikalische Präzision des NEXUS-Systems ins Spiel. Ein Blick auf die Auswertung meiner Klimadaten entlarvt die KI sofort:

Die NEXUS-Messdaten der Nacht. Unten rechts der unumstößliche Beweis: Bei 110 kHz herrscht eine atmosphärische Dämpfung von über 4,3 dB/m. Eine akustische Betonwand für Fledermausrufe.

Mein Umwelt-Log zeigt für die 110-kHz-Frequenz der Kleinen Hufeisennase einen durchgehenden atmosphärischen Dämpfungskoeffizienten (α) von extremen 4,3 bis 4,45 dB/m an. Das bedeutet: Ein solcher Ruf verliert in der warmen, feuchten Waldluft auf einer Strecke von nur 10 Metern über 43 Dezibel an Energie und verhungert augenblicklich. Wenn dort wirklich eine Hufeisennase geflogen wäre, hätte sie praktisch direkt auf meinem Mikrofon sitzen müssen. Die Physik beweist unumstößlich: Das „Waldgespenst“ ist ein rein digitales Artefakt.

Akt 3: Der eiserne 2-Sekunden-Herzschlag

Wie löst man dieses Daten-Chaos im Post-Processing auf, wenn man eine saubere, wissenschaftliche Validierung anstrebt? Man bringt die unterschiedlichen Systeme auf einen gemeinsamen Nenner. Ich habe ein Python-Skript geschrieben, das die Impuls-Daten von BatDetect2 (natives 2-Sekunden-Fenster) und die Intervall-Daten von BattyBirdNet (3-Sekunden-Fenster) nimmt und sie gnadenlos auf den unbestechlichen 2-Sekunden-Messtakt des NEXUS synchronisiert.

Zusätzlich habe ich die Filtererzeugung verschärft: Beide KIs mussten einen neuen Durchlauf mit einem strengen Inferenz-Schwellenwert (Detection Threshold) von 0,8 absolvieren. Nur wenn beide Software-Erkennungen nach dieser Bereinigung im exakt selben 2-Sekunden-Zeitfenster plausibel übereinanderliegen, wird der Datenpunkt in der finalen Excel-Matrix farbig markiert. Geister-Hufeisennasen und ratende Algorithmen fliegen so gnadenlos aus der Statistik.

Die Farblegende und Umwelt-Flags: So liest man die Validierungs-Matrix

Wer sich die angehängte Open-Data-Tabelle herunterlädt, wird sofort die farbigen Zeilen und die neue Spalte „Mess_Qualitaet“ bemerken. Sie sind das direkte Ergebnis der synchronisierten Auswertung. Hier ist der Schlüssel, um die Daten zu lesen:

1. Die KI-Farbcodierung (Biologische Auswertung)

• Hellblau (Der Jackpot): Beide Systeme (BatDetect2 und BattyBirdNet) melden mit einer Sicherheit von über 80 % eine Erkennung im exakt selben 2-Sekunden-Fenster des NEXUS. Diese Präsenz ist hochgradig verifiziert.
• Hellgrün (Der Intervall-Spezialist): Nur BattyBirdNet schlägt an. Das passiert typischerweise in strukturreichen Habitaten bei den schwer zu fassenden Myotis-Arten (wie der Wasserfledermaus) oder bei Sozialrufen, für die BatDetect2 blind ist.
• Orange (Der Impuls-Jäger): Nur BatDetect2 ist sich sicher. Das ist klassisch für laute, glasklare und hochenergetische Echoortungsrufe im freien Luftraum (z. B. durchziehende Zwergfledermäuse über dem Baumkronendach).
• Weiß (Rauschen oder Leere): Keine der beiden KIs erreicht den strengen Schwellenwert von 0,8. Diese Datenpunkte fallen als unsicher aus der biologischen Betrachtung heraus, während die physikalischen Klimadaten in diesen Sekunden natürlich weiterhin als saubere Basis dienen.

2. Die NEXUS Umwelt-Flags (Physikalische Messqualität)

Ultraschall ist extrem wetterfühlig. Deshalb bewertet das NEXUS-System für jedes 2-Sekunden-Fenster automatisch die physikalischen Bedingungen anhand der Sensordaten (Wind und Niederschlag), um falsche KI-Erkennungen durch Wetter-Artefakte auszuschließen:

• 🟢 Optimal: Absolute Laborbedingungen im Feld. Es herrscht nahezu Windstille (unter 2 m/s) und es ist trocken. Die KI-Erkennungen in diesen Sekunden haben die höchste physikalische Zuverlässigkeit.
• 🟡 Warnung: Leichter bis mäßiger Wind (Böen ab 2 m/s). Das Mikrofon könnte leicht rauschen, schwache oder ferne Rufe könnten untergehen. Eine manuelle Prüfung der Spektrogramme wird hier empfohlen.
• 🔴 Ausschluss: Zu viel Wind (Böen über 5 m/s) oder Regen. Verwehung der Rufe, starkes Kapselrauschen auf dem Knowles-Mikrofon oder hochfrequente Regentropfen machen eine seriöse KI-Erkennung unmöglich. Diese Datenpunkte werden in der Validierung konsequent ignoriert.

Open Data: Die komplette, farbcodierte Excel-Matrix der Messnacht an den Fischteichen (Pre-Release / Validierungs-Datensatz) kann hier heruntergeladen und eingesehen werden:

NEXUS Validierungs-Datensatz herunterladen (.xlsx)

Fazit: Die KI ist ein Werkzeug, kein Prophet

Dieser Testlauf an den Fischteichen hat eines glasklar gezeigt: KI-Auswertungen sind fantastisch, um riesige Datenmengen vorzufiltern. Aber wer die Ergebnisse blind übernimmt, ohne die physikalischen Grenzen des Habitats, das lokale Arteninventar und die Arbeitsweise der Software zu hinterfragen, sammelt Fehler.

Wirkliche Gewissheit in der Bioakustik gibt es erst dann, wenn sich die biologische Software-Erkennung lückenlos mit der knallharten, lokal gemessenen Physik deckt. Das NEXUS-System hat seine Feuerprobe als digitaler Detektiv bestanden.