Ein auf tierischen Lautäußerungen und Verhalten basierendes Warnsystem – Entwicklung einer neuartigen Methode zum Schutz von Nutztieren vor Wölfen
(A warning system based on animal vocalisations and behaviour – Developing a novel livestock protection method against wolves)
ZUSAMMENFASSUNG
Einleitung: Als Spitzenprädatoren und Schlüsselarten sind Wölfe für gesunde Ökosysteme unerlässlich. Mit ihrer Wiederansiedlung in vielen europäischen Ländern entstehen Herausforderungen für das Zusammenleben; oft werden Wölfe als Vergeltung für die von ihnen verursachten finanziellen Schäden getötet. Angesichts der jüngsten Änderung ihres Gefährdungsstatus in Europa ist die Erforschung potenzieller nicht-tödlicher Maßnahmen von besonderer Bedeutung. Das Reißen von Nutztieren ist die Hauptursache für Konflikte zwischen Mensch und Wolf. Tiere geben bei Bedrohung durch Raubtiere spezifische Lautäußerungen von sich (z. B. Alarm-, Not- oder Mobbingrufe), die artübergreifend oft ähnliche akustische Merkmale aufweisen.
Zielsetzung: Diese Studie untersucht zwei Fragen: (1) ob sich die Lautäußerungen von Nutztieren und Herdenschutzhunden in Stresssituationen signifikant verändern, und (2) ob Modelle des maschinellen Lernens diese Unterschiede zuverlässig erkennen können. Ziel des Projekts ist die Entwicklung eines neuartigen Warnsystems vor Raubtieren, welches sich die akustischen Merkmale von Stresslauten zunutze macht.
Methoden: Auf drei landwirtschaftlichen Betrieben in Baden-Württemberg und Bayern wurden Audio- und Videoaufnahmen von Pferden, Schafen, Ziegen und Herdenschutzhunden erstellt. Aus 66 Stunden Audiomaterial wurden 3.354 Lautereignisse extrahiert und den jeweiligen Kontexten (entspannte Situationen sowie Situationen mit geringem oder starkem Stress) zugeordnet. Für die weitere Analyse wurden aus diesen 3.354 Lautäußerungen MFCC-Werte und Mel-Spektrogramme extrahiert. Unter Verwendung von PyCharm wurde ein Kruskal-Wallis-Test zur Signifikanzprüfung durchgeführt sowie ein Random-Forest-Algorithmus und ein CRNN-Deep-Learning-Modell trainiert, um die Lautäußerungen und Kontexte zu identifizieren.
Ergebnisse: Der auf Basis der MFCC-Werte durchgeführte Kruskal-Wallis-Test zeigte bei 12 der 18 akustischen Parameter signifikante Unterschiede; dies bestätigt, dass sich die akustischen Merkmale der Lautäußerungen je nach Kontext signifikant unterscheiden. Das mit MFCC-Werten trainierte und getestete Random-Forest-Modell erreichte eine „Balanced Accuracy“ (ausgeglichene Genauigkeit) von 40 % über die verschiedenen Kontexte hinweg, was belegt, dass eine Unterscheidung der Kontexte mittels maschinellem Lernen möglich ist. Das mit Mel-Spektrogrammen trainierte und getestete Multitask-CRNN-Modell erzielte eine Erkennungsrate von 88 % bei den Lautäußerungen und eine Genauigkeit von 90 % bei der Kontextbestimmung.
Schlussfolgerungen: Mit einer Genauigkeit von 88 % bei der Identifizierung von Lautäußerungen und 90 % bei der Kontextbestimmung zeigt diese Studie, dass Algorithmen des maschinellen Lernens darauf trainiert werden können, tierische Lautäußerungen und den jeweiligen Kontext erfolgreich zu erkennen. Das Multitask-CRNN-Verfahren kann als Grundlage für die Entwicklung eines Warnsystems dienen. Der nächste Schritt der Forschungsarbeit besteht darin, weitere tierische Lautäußerungen in unterschiedlichen Kontexten aufzuzeichnen.