Der Wolfsbestand in Dänemark ist seit dem ersten bestätigten Wolf im Jahr 2012 auf etwa 50 Tiere im Jahr 2025 angewachsen. Diese Wiederbesiedlung wurde begleitet durch ein Wolfsmonitoring, welches sich in der Vergangenheit auf eine Zusammenarbeit zwischen der dänischen Umweltschutzbehörde und der Universität Aarhus stützte. Der traditionelle Ansatz des Monitorings kombiniert DNA-Analysen von Kotproben und Speichel, mit Wildtier-Kamerafallen und von Bürgern gemeldeten Sichtungen. Diese intensiven Überwachungsprotokolle wurden jedoch im Jahr 2025 aufgrund steigender Kosten infolge der wachsenden Wolfspopulation eingestellt, wobei sich die DNA-Analysen nun auf etwa 100 Proben pro Jahr beschränken. Aus diesem Grund sind ergänzende, kostengünstigere Monitoringmethoden wichtig.

Die vorliegende Studie von Johanne Holm Jacobsen und KoautorInnen zielt darauf ab, drei KI-basierte Methoden (BirdNET, Cry-Wolf und BioLingual) mit der traditionellen manuellen Analyse zu vergleichen, um ihre Wirksamkeit beim Wolfsmonitoring in Dänemark zu untersuchen. Durch den Vergleich etablierter Ansätze mit dem KI-gestützten akustischen Monitoring soll die Studie untersuchen, wie die Integration von KI-Methoden als kostengünstige Ergänzung zur sich weiterentwickelnden Wolfsmonitoringstrategie Dänemarks dienen kann.
In dieser Studie wurde die Wirksamkeit des akustischen Monitorings von Wölfen anhand ihres Heulens mit drei KI-basierten Methoden – BirdNET, BioLingual und Cry-Wolf – zur Erkennung von Wolfsheulen in Klelund Dyrehave, Südjütland, Dänemark, bewertet. BirdNET erzielte mit 78,5 % die höchste Erkennungsrate, gefolgt von BioLingual mit 61,5 % und Cry-Wolf mit 59,6 %. Durch die Kombination der KI-Methoden konnte die Erkennungsrate insgesamt auf 96,2 % verbessert werden. Die Ergebnisse zeigen, dass zwar keines der Modelle aufgrund seiner hohen Falsch-Positiv-Rate derzeit als eigenständiger Detektor geeignet ist, sie jedoch ein erhebliches Potenzial als ergänzende, vom Menschen unterstützte Tools zur Datenreduktion aufweisen.

Auch wenn die akustische Überwachung derzeit etablierte Methoden wie DNA-Analysen oder Kamerafallen nicht ersetzen sollte, könnte die großflächige akustische Überwachung mit KI-Filterung in Zukunft als ergänzende Methode zur Wolfsüberwachung dienen. Eine Schwäche der KI-basierten Methode ist die Erkennung individueller Wölfe. Zwar ging die Identifizierung einzelner Wölfe über den Rahmen der Studie hinaus, doch deuten umfangreiche Forschungsergebnisse darauf hin, dass dies eine vielversprechende Möglichkeit für die zukünftige Entwicklung künstlicher Intelligenz darstellt. Die Anmerkung „vom selben Wolf“ wurde zwar nur einmal verzeichnet, aber von BirdNET, BioLingual und BirdNET erkannt, was darauf hindeutet, dass die Unterscheidung einzelner Lautäußerungen möglich ist.

Die Methodik lässt sich außerdem weiterentwickeln, um verschiedene Lautarten wie Heulen, Knurren, Bellen, Winseln und Wimmern zu unterscheiden. Die Erkennung eines „Welpenheulens“ in der Studie deutet auf diese Fähigkeit hin. Junge Wölfe geben seltener Laute von sich und erzeugen kürzere Signale als Erwachsene. Ihre Heullaute konzentrieren die akustische Energie auf höhere Frequenzen. Diese Unterscheidung ist entscheidend für das Monitoring der Fortpflanzung und die Beurteilung des Fortpflanzungserfolgs. BioLingual mit seiner auf Sprachmodellen basierenden Grundlage ist vielversprechend für diese differenzierte Unterscheidung von Heularten.

Quelle: Jacobsen, Johanne Holm, et al. "Bioacoustic Detection of Wolves Using AI (BirdNET, Cry-Wolf and BioLingual)." Animals16.2 (2026): 175.

Link (Volltext): https://www.mdpi.com/2076-2615/16/2/175

Zurück zur Rubrik Wölfe und Wissenschaft