Das Gespräch führte TIM SCHRÖDER
Herr Dr. Kahl, ist BirdNET mehr als ein Spielzeug?
Tatsächlich ist die App eher ein Nebenprodukt unserer Forschungsarbeit. Die Idee zu BirdNET entstand während meiner Promotion. Das Ziel war es, eine Forschungsplattform aufzubauen, die automatisch und in kurzer Zeit größere Mengen von Tonaufnahmen analysiert. Früher mussten Biologen Tonaufnahmen noch selbst abhören, um die Vögel zu bestimmen. Das hat viel Zeit gekostet. Weil Vogelstimmen viele Menschen berühren, haben wir nebenbei einige Demo-Anwendungen für private Nutzer entwickelt – unter anderem die App. Dass die so gut ankommt, haben wir nicht erwartet. Ein Grund für den Erfolg ist sicher, dass sie umsonst ist.
Das heißt, dass BirdNET heute vor allem von Wissenschaftlern genutzt wird?
Ja, wir führen eine Liste von Projekten und stehen mit einigen Arbeitsgruppen in Kontakt. Aber es sind so viele, dass wir kaum den Überblick behalten können. Eines der größten Projekte läuft in der Sierra Nevada in den USA. Dort wurden gut 2.000 Vogelstimmenrekorder verteilt, um zu untersuchen, wo der Fleckenkauz lebt. Das ist eine seltene Vogelart, die langsam durch den Streifenkauz verdrängt wird, eine eingewanderte Art. Auf Grundlage der Daten wollen die Behörden die Bestände besser managen – bessere Lebensbedingungen für den Fleckenkauz schaffen oder den Streifenkauz bekämpfen.
Wie läuft die Analyse eines Rufs ab?
Rufe werden für die Lautanalyse als Sonagramme dargestellt. Das sind Diagramme, in denen die Tonhöhe gegen die Zeit aufgetragen wird – also der Verlauf der Frequenz mit der Zeit. Unsere selbstentwickeltes Convolutional Neural Network (CNN) tastet das Diagramm Stück für Stück ab und sucht nach charakteristischen Merkmalen – etwa dem Verlauf des Rufes, der Steilheit des Frequenzverlaufs und dergleichen. Die Analyse läuft im neuronalen Netz in mehreren Schichten ab und wird immer feiner. In einer Sekunde kann das System eine Stunde Tonaufnahmen analysieren. Bei der Bestimmung von Tierstimmen sind neuronale Netze heute der Standard. Es wäre sehr interessant, Rufe zum Beispiel mit Large Language Models (LLMs) wie ChatGPT zu analysieren. Diese Programme stellen Beziehungen zwischen allen Wörtern eines Textes her. Sie haben gelernt, dass bestimmte Buchstaben und Wortkombinationen gemeinsam auftreten. Das ließe sich auf Vogelstimmen übertragen. So könnte ein LLM lernen, dass beim Ruf einer Vogelart stets bestimmte Töne aufeinander folgen – und so die Art öfter richtig identifizieren.
Erhalten Sie viele Anfragen von Forschern zu den in BirdNET gesammelten Daten?
