DeepMind-KI rettet bedrohte Arten: Perch 2.0 und der Schutz von Vögeln

Die Verarbeitung von Aufnahmen dauerte früher Wochen oder sogar Monate. Heute können Wissenschaftler stundenlange Aufnahmen aus der Wildnis schnell analysieren, um bedrohte Arten nachzuweisen. Genau das ermöglicht die neue Version des Modells Perch 2.0 von DeepMind, das Naturschützern dabei hilft, enorme Mengen an Audiodaten von Mikrofonen und Unterwasserhydrofonen zu verarbeiten. Dieses am 7. August 2025 veröffentlichte Modell wurde entwickelt, um die Lautäußerungen von Vögeln, Fröschen, Insekten, Walen, Fischen und anderen Tieren zu identifizieren und wichtige Informationen über den Zustand von Ökosystemen bereitzustellen. Laut Angaben im DeepMind-Blog wurde Perch 2.0 mit fast doppelt so vielen Daten wie die vorherige Version trainiert, darunter öffentliche Quellen wie Xeno-Canto und iNaturalist, die Säugetiere, Amphibien und anthropogene Geräusche umfassen. Dies ermöglicht eine bessere Anpassung an neue Umgebungen, insbesondere Unterwasserlebensräume wie Korallenriffe, und hilft dabei, komplexe akustische Szenen in Tausenden oder Millionen Stunden an Aufnahmen auseinanderzuhalten.

Was ist neu am Modell Perch 2.0?

Perch 2.0 bietet gegenüber der ursprünglichen Version aus dem Jahr 2023 erhebliche Verbesserungen. Das Modell ermöglicht direkt anhand von Aufnahmen bessere Vorhersagen zu Vogelarten und kann nicht nur die Anwesenheit von Tieren, sondern auch die Zahl der Jungtiere oder einzelnen Individuen in einem bestimmten Gebiet schätzen. Es wurde mit einem breiteren Spektrum von Tieren trainiert, darunter Säugetiere und Amphibien, wodurch eine übergreifende Überwachung von Ökosystemen möglich ist – von Wäldern bis zu Korallenriffen. Das Modell nutzt überwachtes Lernen (supervised learning) mit einem prototypischen Klassifikator und Selbstdestillation, was die Genauigkeit in lauten Umgebungen mit sich überschneidenden Rufen erhöht. Es ist auf der Plattform Kaggle frei verfügbar, wo es bereits von mehr als 250.000 Nutzern heruntergeladen wurde, und lässt sich in Werkzeuge wie den BirdNet Analyzer des Cornell Lab of Ornithology integrieren. Diese Offenheit senkt die Hürden für Nichtregierungsorganisationen und Forscher, die das Modell schnell und effizient auf große Datensätze anwenden können.

Erfolge von Perch in der Praxis: Beispiele aus dem Feld

Perch hat seinen Wert bereits in realen Projekten unter Beweis gestellt. In Australien half es beispielsweise BirdLife Australia und dem Australian Acoustic Observatory bei der Entwicklung von Klassifikatoren für einzigartige australische Arten, was zur Entdeckung einer neuen Population des bedrohten Trappenläufers führte. Laut Paul Roe von der James Cook University handelt es sich dabei um eine „unglaubliche Entdeckung“, die die Zukunft vieler bedrohter Vögel beeinflussen wird. Ein weiterer Erfolg wurde im LOHE Bioacoustics Lab der University of Hawaiʻi erzielt, wo das Modell bei der Überwachung hawaiianischer Kleidervögel (Hawaiian honeycreepers) half. Diese endemischen Vögel sind durch Vogelmalaria bedroht, die von eingeschleppten Stechmücken übertragen wird. Perch beschleunigte dort die Erkennung von Lauten im Vergleich zu herkömmlichen Methoden um fast das 50-Fache, wodurch größere Gebiete abgedeckt und mehr Arten geschützt werden konnten. Neuere Studien haben gezeigt, dass das Modell auch zur Identifizierung einzelner Vögel und zur Schätzung ihrer Häufigkeit eingesetzt werden kann, wodurch für die Überwachung von Populationen weniger Tiere gefangen und wieder freigelassen werden müssen.

Werkzeuge für schnelle Analysen und die Zukunft

Neben Vorhersagen zu Arten stellt Perch offene Werkzeuge bereit, mit denen sich anhand eines einzigen Lautbeispiels schnell neue Klassifikatoren erstellen lassen. Mithilfe der Vektorsuche (vector search) und des aktiven Lernens (active learning) können Wissenschaftler relevante Ergebnisse kennzeichnen und in weniger als einer Stunde hochwertige Klassifikatoren erstellen, wie der Fachartikel „The Search for Squawk: Agile Modeling in Bioacoustics“ zeigt. Dieser als agile Modellierung bezeichnete Ansatz funktioniert sowohl bei Vögeln als auch bei Korallenriffen und ermöglicht die Überwachung von Arten, für die nur wenige Trainingsdaten vorliegen, oder von bestimmten Lauten wie den Rufen von Jungtieren. Perch 2.0 verarbeitet Millionen Stunden an Aufnahmen schneller und ermöglicht dadurch Analysen nahezu in Echtzeit oder rückblickende Studien, die früher unmöglich waren. Dies maximiert die Wirkung von Schutzmaßnahmen und setzt Ressourcen für die praktische Arbeit im Feld frei.

Der Weg zu einer reicheren Biodiversität

Perch 2.0 zeigt, wie künstliche Intelligenz zum Schutz unseres Planeten beitragen kann. Von den Wäldern Hawaiis bis zu den Riffen der Ozeane hilft dieses Modell dabei, die „Playlist“ der Natur zu analysieren und Daten für schnelle Maßnahmen bereitzustellen. Die Forschungsarbeit wurde vom Perch-Team entwickelt, darunter Bart van Merriënboer, Jenny Hamer, Vincent Dumoulin, Lauren Harrell und Tom Denton, in Zusammenarbeit mit Partnern wie Amanda Navine, Pat Hart, Holger Klinck und Stefan Kahl. Jeder erstellte Klassifikator und jede analysierte Stunde an Daten bringt uns einer Welt mit reicher Biodiversität näher. Weitere Informationen erhalten Sie, indem Sie das Modell von Kaggle herunterladen oder die zugehörigen Fachartikel auf arXiv lesen.