Computer Vision für die Überwachung von Geierarten in Afrika
Vollständige Lösung
Weißrückengeier-Nachweis mit Declas
Stanislas Mahussi Gandaho
Diese KI-gestützte Lösung unterstützt die Ziele 17 und 20 des Global Biodiversity Framework (GBF), indem sie die Biotechnologie nutzt, um die Überwachung von Arten zu verbessern und den Technologietransfer zum Schutz der biologischen Vielfalt zu fördern. Unter Verwendung eines Deep-Learning-Modells, "You Only Look Once Version 11" (YOLOv11), automatisiert sie die Identifizierung und Analyse von stark gefährdeten Geiern(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) in Drohnen- und Kamerafallendaten. Daten von African Parks Network (APN), Southern African Wildlife College (SAWC), Endangered Wildlife Trust (EWT), Plattformen wie iNaturalist und GBIF dienen der Schulung und Validierung des Modells.
Das Projekt geht Herausforderungen wie arbeitsintensive Überwachung und Datenlücken an. Sein Open-Source-Design fördert die Zugänglichkeit, die Zusammenarbeit und den Aufbau von Kapazitäten in den afrikanischen Naturschutznetzwerken und behebt direkt Lücken in den Daten- und Überwachungssystemen für die biologische Vielfalt.
Letzte Aktualisierung: 31 Oct 2025
112 Ansichten
Foto- und Videogalerie
Kontext
Angesprochene Herausforderungen
Aus ökologischer Sicht bekämpft die Lösung den Rückgang der Populationen, indem sie eine genaue Überwachung der stark bedrohten Geier ermöglicht. Dies unterstützt den gezielten Schutz und trägt dazu bei, ihre ökologische Rolle als Aasfresser zu schützen, die für die Verhinderung der Ausbreitung von Krankheiten und die Aufrechterhaltung eines gesunden Ökosystems unerlässlich ist (Den Heever et al., 2021). Auf gesellschaftlicher Ebene zielt unsere Lösung darauf ab, Geier effektiv mit der Kamerafalle zu überwachen (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), da die traditionelle Überwachung mit der Kamerafalle eine Herausforderung bleibt (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Es bekämpft das mangelnde Bewusstsein für die Bedeutung von Geiern, indem es Daten zur Unterstützung von Aufklärungskampagnen generiert und ein zugängliches Open-Source-Tool bietet, das Naturschützern mit begrenzten Ressourcen hilft. Wirtschaftlich gesehen reduziert es die hohen Kosten des traditionellen Monitorings, das auf arbeitsintensive Erhebungen angewiesen ist.
Standort
Benin
Südafrika
West- und Zentralafrika
Nordafrika
Östliches und südliches Afrika
Prozess
Zusammenfassung des Prozesses
Der Erfolg dieser integrierten Lösung hängt davon ab, wie sich die einzelnen Komponenten gegenseitig verstärken: Die Datenerfassung und KI-Entwicklung (Block 1) bildet die Grundlage für hochwertige Modell-Trainingsdaten, die das Declas-Überwachungstool (Block 2) unterstützen und eine genaue Artenerkennung gewährleisten. Diese technologische Fähigkeit ermöglicht es dann dem Programm zum Aufbau von Kapazitäten und zur Interessenvertretung (Block 3), den Fachleuten des Naturschutzes die entsprechenden Fähigkeiten zu vermitteln. Lokale Partnernetzwerke verstärken diese Wirkung, indem sie sowohl die Datenerfassung als auch die Teilnahme der Begünstigten an den Schulungen erleichtern, während die Unterstützung nach den Schulungen eine nachhaltige Übernahme des Instruments gewährleistet.
Bauklötze
KI-gestütztes Modell zur Erkennung von Geierarten
Der Baustein zielt darauf ab, die Überwachung von Geiern zu automatisieren, indem ein Modell zur Erkennung und Klassifizierung von vier Geierarten(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) aus visuellen Daten entwickelt wird, um den manuellen Aufwand zu verringern, die Analyse zu beschleunigen und Konsistenz zu gewährleisten. Es nutzt Google Colab Pro+, um Python-Code auszuführen und das Modell auf großen Bilddatensätzen zu trainieren, wobei das Ultralytics-Paket mit YOLOv11 für die Geierklassifizierung verwendet wird. Die Bilder sind auf einem 2-TB-Google-Drive gespeichert und stammen aus der iNaturalist-Datenbank über das R-Paket rinat und werden durch Daten des Southern African Wildlife College und des Endangered Wildlife Trust ergänzt. Der Teamplan des Computer Vision Annotation Tool (CVAT) ermöglicht die kollaborative Bildkommentierung, so dass mehrere Benutzer Bilder mit Anmerkungen für Training und Validierung beschriften und exportieren können.
Ermöglichende Faktoren
- Ein hochwertiger, kommentierter Datensatz mit verschiedenen Bildern, die die Zielarten in unterschiedlichen Umgebungen und unter verschiedenen Bedingungen darstellen.
- Zugang zu Rechenressourcen (Google Colab Pro+) für das Training und die Validierung des KI-Modells.
- Zusammenarbeit mit Naturschützern, um die Ergebnisse des Modells unter Feldbedingungen zu validieren.
Gelernte Lektion
- Sicherstellen, dass der Datensatz repräsentativ für reale Bedingungen ist, um Verzerrungen bei der Erkennung zu vermeiden (z. B. Beleuchtung, Winkel, Lebensräume).
- Regelmäßige Aktualisierungen des Modells mit neuen Daten verbessern die Genauigkeit und Anpassungsfähigkeit.
- Zu den Herausforderungen gehören Fehlklassifizierungen aufgrund von sich überschneidenden Artenmerkmalen; die Validierung der ersten Ergebnisse durch Experten ist unerlässlich.
Ressourcen
Open-Source-Software für die Geierüberwachung
Dieser Baustein nutzt Declas, ein Open-Source-KI-Tool, um die Geierüberwachung zu automatisieren. Durch die Analyse von Bildern oder Videos erkennt und klassifiziert es die Arten mit hoher Genauigkeit. Das System macht das manuelle Zählen überflüssig und ermöglicht eine skalierbare, kostengünstige Überwachung von Wildtieren. Benutzer - Forscher, Ranger oder Naturschützer - laden einfach visuelle Daten hoch, und das Tool generiert in Echtzeit Erkenntnisse für fundierte Entscheidungen. Basiert auf YOLOv11 (Ultralytics) und wurde anhand von Crowdsourced-Daten trainiert.
Ermöglichende Faktoren
- Eine einfache und intuitive Benutzeroberfläche, um die Zugänglichkeit für technisch nicht versierte Benutzer zu gewährleisten.
- Dokumentation und Schulungsressourcen für die Benutzer, um die Anwendung zu verstehen und effektiv zu nutzen.
- Feedback aus der Community zur kontinuierlichen Verbesserung der Benutzerfreundlichkeit und der Funktionen des Tools.
Gelernte Lektion
- Benutzerfreundlichkeit ist der Schlüssel; zu komplexe Schnittstellen schrecken die Nutzer ab.
- Technische Unterstützung und eine klare Dokumentation sorgen für eine breitere Akzeptanz.
- Zu den Herausforderungen bei der Integration gehörte die Abstimmung der Ergebnisse des KI-Modells mit benutzerfreundlichen Visualisierungstools; iterative Tests waren für die Lösung dieses Problems unerlässlich.
Ressourcen
Hybride Ausbildung und Einsatz für den Naturschutz
Dieser Baustein bietet Forschern und Naturschützern in Benin und Südafrika (offline) und weltweit (online über Zoom) ein praktisches Training zur Nutzung von Declas. Die Sitzungen umfassen:
- Verwendung der Software: Hochladen von Daten, Interpretation von KI-generierten Ergebnissen und Integration der Ergebnisse in Naturschutzstrategien.
- Befürwortung des Naturschutzes: Sensibilisierung für das Geiersterben und die Rolle der KI bei der skalierbaren Überwachung.
Die Teilnehmer lernen den Einsatz von Declas bei Erhebungen vor Ort, wodurch die Abhängigkeit von manuellen Zählungen verringert und die Datengenauigkeit verbessert wird. Der hybride Ansatz gewährleistet eine breite Zugänglichkeit, indem er lokale Teams mit kostengünstiger Technologie ausstattet.
Ermöglichende Faktoren
- Zuverlässiges Internet und Strom für Online-/Offline-Sitzungen.
- Unterstützung durch lokale Partner für Logistik und Engagement.
- Vorbereitung auf die Schulung (Materialien, Einrichtung der Software).
Auswirkungen
Das Projekt hat in den Bereichen Umwelt, Soziales und Wirtschaft erhebliche positive Auswirkungen gezeigt.
Auswirkungen auf die Umwelt
Das KI-gestützte Modell wurde in den Wäldern Sota, Trois Rivières und Alibori Supérieur (Benin) sowie in den Reservaten Kempiana und Manyeleti (Südafrika) getestet. An diesen Standorten konnte Gyps africanus in über 89 % der analysierten Bilder genau identifiziert werden, was ihr Vorkommen in diesen Ökosystemen bestätigte. In Benin wurden 15 % mehr Gyps africanus nachgewiesen als bei früheren manuellen Erhebungen, was die Wirksamkeit des Systems bei der Bereitstellung zuverlässiger Daten zur Überwachung von Geierpopulationen unterstreicht. Durch die Ermittlung der täglichen Aktivitätsspitzen konnten Schutzstrategien verfeinert werden, z. B. die Sicherstellung der Verfügbarkeit von Kadavern während der Hauptfresszeiten.
Soziale Auswirkungen
Die Declas-Software wurde seit ihrer Veröffentlichung vor 4 Monaten bereits mehr als 90 Mal heruntergeladen (https://zenodo.org/records/14166440), und zwar ohne Werbung oder Hybridschulung.
Wirtschaftliche Auswirkungen
Das Tool reduzierte die Überwachungskosten um 40 % und sparte damit Ressourcen, die zuvor für Nacherhebungen vor Ort mit Kamerafallen ausgegeben wurden. Der Schutz von Geiern kam indirekt der lokalen Wirtschaft zugute.
Begünstigte
Afrikanische Naturschutzorganisationen, Forscher und lokale Gemeinschaften profitierten von der verbesserten Überwachung der Arten, dem verbesserten Zugang zu Daten, dem Aufbau von Kapazitäten und der Verbesserung der Schutzergebnisse für die stark gefährdeten Geier.
Erläutern Sie außerdem das Skalierungspotenzial Ihrer Lösung. Kann sie repliziert oder auf andere Regionen oder Ökosysteme ausgeweitet werden?
Die Lösung hat ein hohes Skalierungspotenzial und kann in anderen Regionen oder Ökosystemen weltweit repliziert werden. Das KI-Modell kann mit lokalen Daten neu trainiert werden, um verschiedene Arten zu überwachen, während die Open-Source-Anwendung die Zugänglichkeit für verschiedene Naturschutzteams gewährleistet. So könnten beispielsweise auch Aasfresserarten in Asien oder Lateinamerika oder sogar andere Schlüsselarten wie Raubtiere oder Bestäuber überwacht werden. Durch die Nutzung von Partnerschaften mit globalen Naturschutznetzwerken kann die Lösung Datensätze aus verschiedenen Regionen integrieren, um ihre Anpassungsfähigkeit zu verbessern. Mit minimalen Anpassungen kann sie auch auf verschiedene Ökosysteme angewendet werden, von Savannen bis hin zu gemäßigten Zonen, sofern entsprechende Bilddaten und Artenkommentare verfügbar sind. Dank seiner Kosteneffizienz und seines benutzerfreundlichen Designs ist es auch für Teams mit begrenzten Ressourcen zugänglich, was eine breite Anwendung ermöglicht.
Globaler Rahmen für die biologische Vielfalt (GBF)
GBF-Ziel 17 - Stärkung der biologischen Sicherheit und Verteilung der Vorteile der Biotechnologie
GBF-Zielvorgabe 20 - Stärkung des Aufbaus von Kapazitäten, des Technologietransfers und der wissenschaftlichen und technischen Zusammenarbeit im Bereich der biologischen Vielfalt
Ziele für nachhaltige Entwicklung
SDG 3 - Gute Gesundheit und Wohlbefinden
SDG 9 - Industrie, Innovation und Infrastruktur
SDG 15 - Leben an Land
SDG 17 - Partnerschaften für die Ziele
Geschichte
Im Herzen des Sota-Parks in Benin stand ein junger Naturschützer namens Ange vor einer Kamerafalle und bewunderte den Anblick der Geier, die im Bild festgehalten wurden. Diese Geier gehörten nicht nur zur Tierwelt des Parks, sie waren auch ein Indikator für das gesunde Ökosystem des Parks und lebenswichtig für die umliegenden Gemeinden. Doch trotz ihrer Bedeutung sind die Geier, insbesondere der vom Aussterben bedrohte Gyps africanus, durch Vergiftung, Lebensraumverlust und unzureichende Überwachung massiv bedroht.
Ange hatte sich schon lange mit dem Schutz von Wildtieren beschäftigt, fand es aber frustrierend, Arten wie Geier mit veralteten und arbeitsintensiven Methoden zu überwachen. Erhebungen wurden oft nur sporadisch durchgeführt, und selbst erfahrene Naturschützer taten sich schwer mit der zeitaufwändigen manuellen Identifizierung von Geierarten. Die Notwendigkeit einer effizienteren und präziseren Methode zur Überwachung dieser Vögel war klar, aber es war unklar, wie man diesen Sprung schaffen könnte. Das war so lange, bis Ange von unserer Lösung erfuhr. Er war fasziniert und hatte aus erster Hand erfahren, wie begrenzte Ressourcen eine effektive Überwachung oft behinderten, und dies schien der perfekte Weg zu sein, um genauere Daten in Echtzeit zu gewährleisten.
Ange und ihr Team begannen mit dem Einsatz des Tools in Sota. Innerhalb der ersten paar Monate stellten sie eine dramatische Veränderung ihrer Arbeitsweise fest. Das Tool identifizierte nicht nur die Geier genau, sondern half auch dabei, ihre tägliche Aktivität und Populationsdichte zu verfolgen. In den Kempiana- und Manyeleti-Reservaten in Südafrika, wo das Modell ebenfalls getestet wurde, waren die Ergebnisse ebenso umwälzend. Die Forscher waren nun in der Lage, die Anwesenheit und das Verhalten von Geiern schnell und ohne stundenlange Feldarbeit zu beurteilen.
Die Auswirkungen auf Aminatas Arbeit waren tiefgreifend. Sie war nicht mehr durch die Zwänge der traditionellen Methoden eingeschränkt. Stattdessen hatte sie nun Zugang zu einem robusten, skalierbaren und effizienten Überwachungsinstrument, das nicht nur den Geierschutz unterstützt, sondern auch zur langfristigen Nachhaltigkeit der Ökosysteme in Afrika beiträgt. Aminatas Erfolgsgeschichte ist ein Zeugnis für die Kraft der Innovation im Naturschutz. Sie zeigt, wie die Verschmelzung von Technologie und lokalem Fachwissen echte Veränderungen beim Schutz gefährdeter Arten und bei der Sicherung der Gesundheit unseres Planeten bewirken kann.
