Artbestimmung und Biodiversitätsmonitoring mit Wildkameras

Zu wissen, welche Arten wo vorkommen, ist die Grundlage von Naturschutz, Umweltverträglichkeits- prüfungen und Biodiversitätsberichten; doch Millionen Wildkamera-Bilder von Hand zu sortieren oder tausende ähnliche Taxa zu bestimmen, ist langsam und durch Fachleute begrenzt. Feinkörnige Klassifikatoren und Detektoren entfernen heute leere Frames, schlagen Artbezeichnungen vor und lassen ein Smartphone eine Pflanze in Sekunden benennen, sodass knappe Fachleute nur unsichere, seltene oder entscheidungskritische Datensätze prüfen müssen.

Problem & Nutzen

• Heute: Eine einzelne Wildkamera-Erhebung erzeugt hunderttausende Bilder, die meisten davon leer (Wind, Sonne, Gras). Ökologen oder Freiwillige verschlagworten sie von Hand. Bürgerwissenschaftler sind auf Bestimmungsbücher oder Forenexperten angewiesen. Behörden und Gutachterbüros brauchen belastbare Artenlisten für Genehmigungen.
• KI-Nutzen: Ein Detektor verwirft leere Frames und markiert Tiere, Personen und Fahrzeuge; ein regionaler Klassifikator schlägt die Art vor; Fachleute prüfen nur Datensätze mit niedriger Konfidenz oder geschützten Arten. Foto-Apps geben Privatnutzern und Schulen sofortige Vorschläge und speisen geprüfte Beobachtungen in gemeinsame Datenbanken ein.
• Treiber in der EU: Die Wiederherstellungsverordnung (EU) 2024/1991 verpflichtet die Mitgliedstaaten, Ökosysteme zu überwachen und wiederherzustellen; CSRD/ESRS E4 verlangt von Unternehmen Berichte über Auswirkungen auf die Biodiversität; Genehmigungsverfahren für Windparks und Infrastruktur erfordern Artenerhebungen [1][2].
• Die berichtete Genauigkeit hängt stark von Region und Klassenmix ab; Google beschreibt SpeciesNet als Abdeckung von rund 2.500 Tierkategorien, trainiert auf 65 Millionen beschrifteten Bildern, und empfiehlt die menschliche Prüfung unsicherer, seltener oder für das Management kritischer Datensätze [3]. Eine allgemeine Beschleunigungszahl wird hier nicht behauptet.

Varianten

• Stapelverarbeitung von Wildkamera-Daten (Ökologie, Forst, Jagdverbände): erkennen, klassifizieren, zählen, exportieren.
• Fotobestimmung in der Bürgerwissenschaft (Privatpersonen, Schulen): Pl@ntNet, Flora Incognita, iNaturalist, Seek, Obsidentify; Beobachtungen fließen in GBIF.
• Auswirkungsprüfung und Genehmigung von Windparks: standardisierte Erhebungsstandorte, Schwerpunkt Fledermäuse und Vögel, prüffähige Artenlisten; Verbindung zu VIS-060.
• Unternehmensberichte nach ESRS E4: Biodiversitäts-Ausgangslagen je Standort für Unternehmen mit Landbesitz.
• Intelligente Vogelfutterstelle (Edge-Variante): Verbraucherkamera im Stil von Birdbuddy, die besuchende Vögel benennt.
• Insekten und Pilze: Lichtfallen für Nachtfalter, Bestäubermonitoring, Pilzbestimmung (hohe Fehlergefahr: nie für Entscheidungen über Essbarkeit nutzen).
• Außerhalb des Umfangs: eDNA-Metabarcoding ist kein Bildverfahren (siehe SCI-009); Vogelgesang ist Audio (SPEECH-015).

So funktioniert es

1. camera trap / smartphone photo + GPS + timestamp
2. ingest, deduplicate bursts, read EXIF/station metadata
3. detector (animal | person | vehicle | empty) -> crops
4. fine-grained classifier (regional taxon list, top-k + confidence)
5. geographic/seasonal filtering with checklist (occurrence plausibility)
6. human review queue (rare, protected, low-confidence, person frames)
7. counting / event aggregation (independent detections, individuals per burst)
8. export (Darwin Core, GBIF, Wildlife Insights-style platforms) + report

• Zweistufiger Aufbau: MegaDetector findet Tiere, Personen und Fahrzeuge, aber keine Arten; ein zweites Modell (SpeciesNet, DeepFaune, regional oder eigen) benennt die Art auf dem Bildausschnitt [3][4].
• Geografische Vorannahmen: Die Beschränkung der Vorhersagen auf Arten, die für Ort und Jahreszeit plausibel sind, entfernt viele unmögliche Antworten.
• Mensch-in-der-Schleife (Human-in-the-Loop): Fachleute bestätigen geschützte, invasive und Erstnachweis-Arten; Frames mit Personen werden vor der Weitergabe gelöscht oder verpixelt; Konfidenzschwellen werden je Taxongruppe gesetzt.
• Bild-Sprach-Modelle können ungewöhnliche Szenen beschreiben und Randfälle behandeln, sind aber keine kalibrierten taxonomischen Klassifikatoren und sollten die spezialisierten Modelle bei Zählungen nicht ersetzen.

Datenaufbereitung

Die Daten sind Wildkamera-Bilder und -Videos (oft 100.000 bis Millionen Frames) sowie GPS, Zeitstempel, Standort-Metadaten und regionale Artenlisten. In der Praxis liegen sie auf SD-Karten, Laptops, externen Festplatten und Laufwerken mit uneinheitlichen Ordnernamen.

Typische Lücken: leere oder falsch ausgelöste Frames (oft über die Hälfte), Duplikate aus Serienaufnahmen, fehlende oder falsche Zeitstempel, keine Standort- und Einsatz-Metadaten und keine beschrifteten Referenzbilder für seltene lokale Arten. Vorbereitungsschritte: alle Karten in eine Struktur mit Prüfsummen einlesen, EXIF-Zeit und -Ort auslesen, Einsatzblätter je Standort führen, einen Detektor wie MegaDetector laufen lassen, um leere Frames zu entfernen, und dann klassifizieren. Bauen Sie einen verifizierten Testdatensatz aus einigen tausend von Fachleuten beschrifteten Bildern auf, um die Genauigkeit je Art zu messen. Verpixeln oder verwerfen Sie Frames mit Personen und beschränken Sie die Standortangaben sensibler Arten.

Aufwandsanteil: der größte Teil des Projekts, etwa 40-60 Prozent. Grundlagen dazu: PREP-006 (Digitalisierung von Archiven), PREP-010 (Metadaten und Verschlagwortung), PREP-018 (Evaluationsdatensätze), PREP-020 (Labels aus vorhandenen Aufzeichnungen gewinnen) und DATA-003.

Umsetzungswege

Welcher Weg für wen

• public: C - Erhebungsprojekte verarbeiten sehr große Bildmengen, und offene Modelle wie MegaDetector und SpeciesNet laufen auf bescheidenen GPUs, wobei die Daten im Haus bleiben.
• enterprise: C - ökologische Erhebungen und Flächenmanagement profitieren von einer gemeinsamen Pipeline mit planbaren Kosten bei hohen Bildmengen.
• developer: C - offene Modelle und Werkzeuge lassen sich einbetten und für regionale Arten feintunen, ohne Gebühren pro Bild.
• private: A - kostenlose Apps wie Pl@ntNet oder iNaturalist bestimmen einzelne Fotos ohne Einrichtung.
• smb: C - Ökologie-Gutachterbüros, Forstbetriebe und Landeigentümer können eine Open-Source-Pipeline auf HW2 betreiben und projektübergreifend wiederverwenden, was Gebühren pro Bild schlägt.

Weg A — Kaufen (Standardsoftware)

• Apps der Bürgerwissenschaft (kostenlos): Pl@ntNet (Frankreich, Pflanzen), Flora Incognita (Deutschland, TU Ilmenau / MPI-BGC, Pflanzen), iNaturalist (weltweit, Prüfung durch die Gemeinschaft), Obsidentify (NL, Naturalis), Merlin (Cornell, Vögel). Mehrere werden in der EU betrieben.
• Wildkamera-Plattformen: Wildlife Insights (Google Earth Outreach und Partner), TRAPPER (Open Source, Polen), Agouti (NL, Wageningen), Timelapse, Zooniverse für Beschriftung durch viele Freiwillige; kommerzielle Wildkamera-Hersteller (Reconyx, Browning, Swarovski/Spypoint-artige Mobilfunkkameras) bündeln zunehmend Artenkennzeichnung direkt auf der Kamera.
• Wählen Sie A für einmalige Erhebungen oder Schulen; prüfen Sie Datenstandort, Lizenz der hochgeladenen Bilder und Exportformate.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Pl@ntNet-API (Pflanzenbestimmung, kontingentbasiert) und die Endpunkte für Bildvorschläge von iNaturalist für Apps.
• Allgemeine VLMs (Claude, Gemini, GPT, Mistral) für beschreibende Vorsortierung und Metadatenextraktion, stets mit einer artspezifischen zweiten Meinung. Nutzen Sie EU-Regionen für alle Bilder mit Personen.
• Speicher und Rechenleistung: Objektspeicher in einer EU-Region, Stapeljobs mit den Open-Source-Modellen aus Weg C.

Weg C — Selbst betreiben (Open Source), empfohlen für Erhebungsprojekte

• Detektor: MegaDetector (Familie v5/v1000, MIT-ähnliche Lizenz) über das Python-Paket megadetector [4].
• Klassifikatoren: SpeciesNet (Google, Apache-2.0, globales Ensemble) [3]; DeepFaune (französisches CNRS, europäische Fauna, auch mit GUI), DeepFaune New England für Nordamerika [6]; AddaxAI (früher EcoAssist) und Biowatch als Desktop-Oberflächen.
• Prüfung und Datenmanagement: Timelapse, TRAPPER, der Datenstandard Camtrap DP für den Austausch.
• Hardware: HW1 für Inferenz auf der Kamera oder dem Laptop mit kleinen Modellen; HW2 (eine 24-GB-GPU) verarbeitet Millionen Bilder pro Woche.

Weg D — Eigenes Training

Lohnt sich für lokale Fauna (z. B. britische Säugetiere, mediterrane Vögel), wo globale Modelle nahe verwandte Arten verwechseln oder Vögel in eine Klasse zusammenwerfen [6]. Es braucht einige hundert verifizierte Bildausschnitte je Art, ausgewogen über Standorte, Jahreszeiten und Tag/Nacht (Infrarot)- Bedingungen; halten Sie für den Test stets ganze Kamerastandorte zurück, nicht zufällige Frames.

Stand der Technik (2026)

• Zweistufige Pipelines sind Standard: ein allgemeiner Detektor plus regionale Klassifikatoren; SpeciesNet wurde als Open Source veröffentlicht und kombiniert MegaDetector mit einem EfficientNetV2-Klassifikator und geografischer Filterung [3].
• Foundation-Modelle: Bildencoder im Stil von BioCLIP, trainiert auf dem Datensatz Tree of Life, ermöglichen Zero- und Few-Shot-Erkennung von Taxa, und Detektoren mit offenem Vokabular helfen bei unbekannten Klassen.
• Grenzen und Fehlerbilder: Domänenverschiebung zu neuen Standorten und Kameramodellen, nächtliche Infrarotbilder, teilweise sichtbare Tiere, Kleinsäuger und Nagetiere, ähnliche Arten und seltene Klassen mit wenigen Beispielen. Die Genauigkeit je Klasse kann stark von der Gesamtgenauigkeit abweichen. Das Zählen einzelner Tiere in Herden und Tierströmen bleibt fehleranfällig.
• Pilze und Insekten sind die schwächsten Gruppen; die Pilzbestimmung allein per Foto darf nicht zur Beurteilung der Essbarkeit genutzt werden.
• Label-Rauschen in öffentlichen Trainingsdatensätzen setzt sich in den Modellen fort; validieren Sie an Ihren eigenen Standorten.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack (object-detection + image-classification): VIS-014 Nutztierüberwachung, VIS-005 Pflanzenkrankheiten, VIS-001 Inspektions- modelle, VIS-021 Satellitenanalyse für den Lebensraumkontext.
• Edge-Einsatz: Jetson-/Hailo-Kameras, geteilt mit VIS-013 Waldbranderkennung und VIS-060 Systemen zur Vogelschlagvermeidung.
• Nachgelagert: Biodiversitätsindikatoren für ESRS E4 und die Berichterstattung zur Wiederherstellung der Natur; VIS-049 (entwaldungsfreie Lieferketten) nutzt Belege zu Arten/Lebensräumen; VIS-030 Anonymisierung für Frames mit Personen; SCI-009 für ergänzende eDNA.
• Datenstandards: Darwin Core, Camtrap DP, Veröffentlichung bei GBIF.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; kostenlose Apps oder Plattform-Abonnements.
• Weg B: Wochen für eine App mit API-Integration; Kosten pro Aufruf oder Kontingent.
• Weg C: 2-6 Wochen bis zu einer funktionierenden Pipeline auf vorhandener Hardware; Hauptkosten sind die Zeit der fachlichen Validierung.
• Weg D: Monate, dominiert von Beschriftung und Validierung je Standort.
• Kennzahlen: Anteil entfernter leerer Frames (mit Recall der tatsächlichen Tier-Frames), Precision/Recall je Art an zurückgehaltenen Standorten, Anteil der Bilder mit menschlichem Prüfbedarf, Expertenstunden je 10.000 Bilder, Qualität der Erfassungsereignisse, Zeit vom Einsammeln der SD-Karten bis zum validierten Datensatz.

Menschen & Veränderung

Beziehen Sie die Projektleitung (Fachbereichsleitung) und die Ökologinnen und Ökologen, die Ergebnisse validieren, von Anfang an ein, da ihre Fachkenntnis die Artenliste und die Akzeptanzschwelle festlegt. Holen Sie die IT für Speicher und GPU, Dateneigner wie Landeigentümer oder Behörden, die die Erhebung genehmigen, und die Geschäftsleitung für Budget und Veröffentlichungsregeln hinzu.

Betriebsrat: in der Regel nein, da das System keine Beschäftigten überwacht. Relevant kann es werden, wenn Außendienstmitarbeitende von den Kameras fotografiert oder verfolgt werden oder wenn GPS-Spuren ihre Leistung messen (§ 87 Abs. 1 Nr. 6 BetrVG); dann informieren Sie den Betriebsrat (§ 90 Abs. 1 Nr. 3 BetrVG). Öffentliche Stellen stimmen sich mit dem Personalrat ab.

Datenschutz: Kameras können Spaziergänger, Jäger oder Beschäftigte erfassen; binden Sie daher die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, prüfen Sie die Rechtsgrundlage, bringen Sie Beschilderung an, löschen Sie Frames mit Menschen und führen Sie eine DSFA (Art. 35 DSGVO) durch, wenn Kameras Wege oder öffentliche Bereiche abdecken; schließen Sie mit jedem Cloud-Anbieter einen AVV (Art. 28 DSGVO).

KI-Kompetenz: Unterstützen Sie Beschäftigte und Freiwillige mit einer Schulung zu Fehlertypen und Konfidenzschwellen (Art. 4 KI-Verordnung). Kommunizieren Sie Öffentlichkeit und Landeigentümern, was aufgezeichnet wird. Pilotieren Sie mit einem Standort und einer Saison. Behalten Sie den Menschen in der Kontrolle: Fachleute prüfen seltene, geschützte oder unsichere Arten, bevor Ergebnisse in Berichte oder rechtliche Entscheidungen eingehen.

Leitfäden: GUIDE-005, GUIDE-009, GUIDE-006.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei der Artbestimmung; die Pflicht zur KI-Kompetenz (Art. 4) gilt. Beachten Sie, dass Art. 5 nicht gilt, solange keine Einzelperson identifiziert wird. Zweckentfremden Sie Wildkameras nicht zur Identifizierung oder Verfolgung von Menschen (Wilderei- Verfolgung oder Überwachung von Besuchern wirft biometrische und polizeiliche Fragen auf, die außerhalb dieses Anwendungsfalls liegen).
• DSGVO: Wildkameras in Wäldern und Parks erfassen Wanderer, Jäger, Arbeitende und Kfz-Kennzeichen. Behandeln Sie dies als personenbezogene Daten: Rechtsgrundlage (öffentliche Aufgabe oder berechtigtes Interesse), Beschilderung, DSFA, wo Kameras öffentliche Wege abdecken, automatische Löschung oder Verpixelung von Frames mit Menschen, Aufbewahrungsgrenzen. Der Standort eines Privathaushalts oder eines Hofs kann selbst ein personenbezogenes Datum sein [7].
• Sensible Standorte: Die Veröffentlichung genauer Koordinaten bedrohter oder bejagter Arten (seltene Vögel, Orchideen) kann Schaden ermöglichen; verschleiern oder verallgemeinern Sie Koordinaten vor einer offenen Veröffentlichung.
• Qualität und Haftung: Gutachten für Genehmigungen brauchen eine dokumentierte fachliche Prüfung; KI-Ausgabe allein ist keine Erhebung.
• Sicherheit: Pflanzen- und Pilz-Apps geben falsche Antworten; fügen Sie sichtbare Hinweise zu Essbarkeit und Giftigkeit hinzu.
• Gegenmaßnahmen: menschliche Prüfung geschützter Arten, Validierung mit zurückgehaltenen Standorten, versionierte Modelle, Prüfpfad von KI- gegenüber endgültigem Label.

Erste Schritte

1. Die Fragestellung festlegen (Artenliste, Vorkommen, Häufigkeit) und den Datenstandard wählen (Camtrap DP / Darwin Core).
2. MegaDetector auf einer Stichprobe von 5.000 eigenen Bildern laufen lassen und die Entfernung leerer Frames sowie den Tier-Recall messen.
3. SpeciesNet oder DeepFaune ergänzen, auf die regionale Artenliste beschränken und je Art mit den Labels der Fachleute vergleichen.
4. Eine Prüfwarteschlange für Frames mit niedriger Konfidenz, geschützten Arten und Personen einrichten, mit automatischer Löschung/Verpixelung von Menschen.
5. Geprüfte Datensätze bei GBIF oder einem nationalen Portal veröffentlichen, mit bei Bedarf verallgemeinerten Koordinaten.

Quellen

1. Regulation (EU) 2024/1991 on nature restoration — https://eur-lex.europa.eu/eli/reg/2024/1991/oj
2. EFRAG — ESRS E4 Biodiversity and ecosystems (Delegated Regulation (EU) 2023/2772) — https://eur-lex.europa.eu/eli/reg_del/2023/2772/oj
3. Google Research — Where wild things roam: Identifying wildlife with SpeciesNet — https://research.google/blog/where-wild-things-roam-identifying-wildlife-with-speciesnet/
4. MegaDetector documentation — https://github.com/agentmorris/MegaDetector/blob/main/megadetector.md
5. Google cameratrapai (SpeciesNet) repository — https://github.com/google/cameratrapai
6. DeepFaune New England, species classification for trail camera images — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12617260/
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj