Wie du einzelne Tiere auf Fotofallen-Bildern unterscheidest: Geweih, Fell und Narben

Fangen wir mit einer unbequemen Zahl an. 2020 stellte ein Team 16 in Gefangenschaft lebende Schneeleoparden vor Fotofallen, fotografierte sie bei 40 Gelegenheiten und gab die Bilder an acht Beobachter, damit sie diese den einzelnen Tieren zuordneten — genau jene Aufgabe, die der Hälfte der Populationsschätzungen für Großkatzen in der Literatur zugrunde liegt. Die Beobachter ordneten 12,5 % aller Erfassungsgelegenheiten falsch zu. Das klingt nicht katastrophal, bis man verfolgt, wohin die Fehler liefen: Weil die Fehler nicht zufällig waren, blähten sie die daraus resultierenden Populationsschätzungen im Schnitt um etwa ein Drittel auf — grob 35 % zu hoch. Das Fazit der Autoren war unverblümt: Individuell einzigartige Tiere anhand von Fotofallen-Bildern zu identifizieren, sei „möglicherweise nicht so verlässlich, wie bisher angenommen“.

Das ist das gesamte Problem dieses Beitrags in einer einzigen Studie. Einzelne Tiere auf Fotos zu unterscheiden, ist der Motor hinter der Dichteschätzung per Fang-Wiederfang — dem Goldstandard, um schwer fassbare Wildtiere zu zählen, ohne sie zu fangen — und es ist weit weniger narrensicher, als es aussieht. Macht man es richtig, kann man eine Tigerpopulation auf wenige Prozent genau überwachen. Macht man es auf subtile Weise falsch, meldet man womöglich ein Drittel mehr Tiere, als tatsächlich existieren, mit einem Konfidenzintervall, das sich beruhigend eng um die falsche Antwort legt.

Dies ist also ein Methodenbeitrag, gerichtet an Citizen Scientists oder Forschende am Karrierebeginn, die das sauber angehen wollen: welche natürlichen Merkmale Individuen tatsächlich trennen, welche Arten den ganzen Ansatz zunichtemachen, wie Beobachter irren, warum die linke Seite eines Tieres für deine Daten ein anderes Tier ist als die rechte, und wo Computer Vision echt hilft — im Gegensatz dazu, wo sie dieselben Fehler nur schneller weiterreicht. Ich erkläre den Fachjargon unterwegs. Die Kurzfassung vorweg: **Ob deine Art identifizierbar ist, hängt fast ausschließlich von der Art ab, und der Großteil der harten Arbeit besteht darin, ehrlich mit den Bildern umzugehen, die du nicht zuordnen kannst — nicht mit denen, die du kannst.**

Warum man Individuen überhaupt identifizieren will

Tiere zu zählen, die man nicht zusammentreiben kann, gehört zu den ältesten Kopfschmerzen der Ökologie, und die Individuenidentifikation ist die cleverste Antwort darauf. Die Logik ist von der Fang-Wiederfang-Methode entlehnt: Wenn du dasselbe Individuum über getrennte Fotos hinweg wiedererkennst, kannst du für jedes Tier eine „Erfassungsgeschichte“ aufbauen — wann und wo es gesehen wurde — und aus dem Muster, wer wiedergesehen wird und wer nicht, schätzt ein statistisches Modell, wie viele Tiere du nicht gesehen hast. Moderne Varianten sind räumlich explizit (das Feld nennt es SECR, spatially explicit capture-recapture) und nutzen zusätzlich, wo jede Erfassung stattfand, um die Dichte pro Flächeneinheit zu schätzen statt nur eine rohe Zahl.

Der Reiz liegt darin, dass es nichtinvasiv ist. Natürliche Merkmale — die Streifen eines Tigers, die Flecken einer Giraffe — erlauben es, ein Tier mit der Kamera statt mit dem Betäubungsgewehr zu „fangen“, und sie sind den künstlichen Markierungen wohl überlegen, weil sie das Tier „ohne den gefährlichen und invasiven Akt des physischen Fangs“ identifizieren und weil sie nicht abfallen oder sich verändern. Eine langjährige Studie an Massai-Giraffen stützt sich genau darauf: Giraffen sind anhand ihrer „einzigartigen und unveränderlichen Fellmuster“ individuell identifizierbar, und Wissenschaftler nutzen diese Fleckenmuster zur Wiedererkennung von Individuen seit den 1950er-Jahren, lange bevor irgendjemand von einer Fotofalle sprach.

Wenn es funktioniert, ist es das beste Werkzeug, das wir für seltene, weiträumig streifende Tiere haben. Ein Übersichtsartikel zur SECR-Fotofallen-Literatur stellte fest, dass die Methode „derzeit auf seltene, schwer fassbare, weiträumige und individuell identifizierbare Raubtiere fokussiert ist, speziell auf große Katzenartige“, und nannte sie „eine der besten Möglichkeiten, diese Arten zu untersuchen“. Der Haken versteckt sich in diesem Satz — individuell identifizierbar — und es ist ein weit kleinerer Klub, als es die Begeisterung des Feldes vermuten lässt. Derselbe Übersichtsartikel fand heraus, dass 90,9 % der Fotofallen-Dichteschätzungen Raubtiere betrafen und 82 % davon Katzen; mehr als ein Drittel aller Studien betraf nur drei Tiere — Leopard, Tiger und Jaguar. Das liegt nicht daran, dass sich niemand für Hirsche oder Wildschweine interessiert. Es liegt daran, dass diese drei Barcodes tragen und die meisten Tiere nicht.

Es liegt daran, dass diese drei Barcodes tragen und die meisten Tiere nicht.

Was eine Art „individuell identifizierbar“ macht

Die Trennlinie ist, ob ein Tier ein natürliches Merkmal trägt, das einzigartig für das Individuum, über die Zeit stabil und für eine Kamera sichtbar ist. Triffst du alle drei, bist du im Geschäft. Verfehlst du auch nur eines, improvisierst du.

Der sauberste Fall ist ein kontrastreiches Fellmuster — die Zeichnung gefleckter und gestreifter Tiere. In einer SECR-Studie an Tigern und Leoparden in Indien identifizierten Beobachter die Tiere, indem sie „Form und Muster der natürlichen Zeichnungen; Streifen bei Tigern und Rosetten bei Leoparden“ untersuchten und Flanken, Läufe, Schwänze und Vorhand abglichen. Diese Muster verhalten sich wie Fingerabdrücke: Eine Ozelot-Studie beschreibt den Algorithmus HotSpotter (dazu später mehr) als Software, die „die Texturen in einem Bild analysiert, um wiedererkennbare Musterung zu finden“, gerade weil die Fleckentextur individuell diagnostisch ist. Rotluchse werden nach „Gruppierungen von Beinflecken, Gruppierungen von Körperflecken, Gesichtszeichnungen und Schwanzzeichnungen“ sortiert — das Protokoll einer kalifornischen Studie verlangte einen Abgleich von „mindestens drei natürlichen Fellmerkmalen“, bevor zwei Fotos derselben Katze zugeordnet wurden. Europäische Wildkatzen, die subtiler sind, werden über „Form und Position von Streifen und Flecken, Anzahl und Form der Schwanzringe“ bestimmt, dazu eine Checkliste aus Aalstrich, Schulterstreifen und Halsstreifen.

Beachte die Disziplin in diesen Beispielen. Niemand ordnet anhand eines einzelnen verschwommenen Flecks zu — man verlangt, dass mehrere unabhängige Merkmale übereinstimmen. Ein srilankisches Leoparden-Team formalisierte dies zu einem „Mehrpunkt“-System, das das Fell nach Flecken- und Rosettenbildung in 15 definierte Punkte gliedert und einen Abgleich von „mindestens 9 der 15 MPC-Punkte“ verlangt, bevor zwei Sichtungen demselben Leoparden zugeordnet werden. Diese Redundanz ist die gesamte Verteidigung gegen die Verwechslungsfehler, mit denen wir begonnen haben. Je mehr unabhängige Punkte du forderst, desto schwerer ist es für zwei verschiedene Tiere, einen Treffer vorzutäuschen.

Aber „einzigartig und stabil“ leistet viel Arbeit, und selbst bei gut gezeichneten Katzen ist es nicht absolut. Dieselbe srilankische Studie dokumentierte etwas, das die meisten ID-Protokolle stillschweigend voraussetzen: Muster verändern sich. Über kontinuierliche Beobachtung erfassten sie 29 Fälle, in denen sich die Flecken und Rosetten eines Leoparden verschoben — Flecken gingen verloren, wurden kleiner oder änderten sich in „Ausprägung, Form und Größe“ — und 16 dieser Leoparden hatten sich nach einer dokumentierten Verletzung verändert. Eine frühere, weniger strenge Methode im selben Park hatte Leoparden so gravierend doppelt gezählt, dass eine „Fehlerrate von über 15 %“ entstand, indem dieselbe Katze als mehrere gewertet wurde. Selbst die am besten gezeichneten Tiere sind also kein Selbstläufer; eine Narbe, die dir heute hilft, kann morgen genau das Muster umschreiben, nach dem du abgleichst.

Merkmale an sonst einfarbigen Tieren: Narben, Ohren und Geweihe

Die meisten Tiere tragen keine Flecken. Der Reflex ist dann, auf alles Auffällige zurückzugreifen — ein eingerissenes Ohr, eine Körpernarbe, das Geweih eines Bocks — und für manche Zwecke ist das legitim. Aber genau hier wird die Individuenidentifikation gefährlich, und die Quellen sind auf eine aufschlussreiche Weise gespalten.

Für alle, die Hirschartige beobachten, ist das Geweih das offensichtliche Beispiel. Ein großes, asymmetrisches Geweih mit einer abgebrochenen Sprosse oder einem zusätzlichen Ende hebt diesen Bock tatsächlich von den anderen in deinem Revier ab, zumindest für eine Saison. Die Literatur zur Hirschdichte nutzt das: Eine Studie an 13 Hirschpopulationen erkannte Individuen an „auffälligen Geweihformen und -deformationen“ sowie „markanter Narbenbildung auf beiden Körperseiten“ und Läuferdeformationen. Die harten Grenzen sind offensichtlich, sobald man sie ausspricht. Geweihe sind saisonal — sie werden jedes Jahr abgeworfen und neu gebildet, sodass eine geweihbasierte Zuordnung jeden Winter verfällt und ein Tier nicht über Jahre hinweg verknüpfen kann. Sie sind nur bei Männchen vorhanden, was Kühe und Kälber unmarkiert lässt. Und subtilere Merkmale erweisen sich als tückisch: Dieselbe Studie fand, dass mögliche Anhaltspunkte wie „Ohreinkerbungen oder Narben auf nur einer Flanke“ in der Praxis „oft mehrdeutig“ waren und sich nicht verlässlich nutzen ließen.

Bei einfarbig gefellten Katzen greifen Forschende zu Narben, Ohrschäden und geknickten Schwänzen. Eine Puma-Studie macht den Fall dafür, dass eines dieser Merkmale wirklich exzellent ist: beschädigte oder fehlende Ohrmuscheln (die Pinnae). Als Beobachter Puma-Fotos verglichen, herrschte „vollständige Übereinstimmung bei Ereignis-Paarungen, in denen ein Puma einen Pinna-Schaden aufwies und der andere nicht“ — ein fehlendes Stück Ohr ist binär und offensichtlich, verursachte also nie Uneinigkeit. Das ist das Vorbild eines guten idiosynkratischen Merkmals: eindeutig, dauerhaft, sichtbar.

Und dann gibt es die Warnung, die dich gegenüber dem gesamten Ansatz vorsichtig machen sollte. Eine große Puma-Dichtestudie weigerte sich rundweg, unmarkierte Tiere anhand vermeintlicher natürlicher Merkmale zu identifizieren, „wegen der inhärenten Unsicherheit, die Dichteschätzungen verzerren könnte“. Ihre Begründung ist der Kern der Sache: Identitäten ad hoc aus „Narben, Ohrkerben, Körperformen oder Haltungen“ zuzuweisen, kann „verzerrte und unzuverlässige Dichteschätzungen“ erzeugen, weil „mehrere Individuen ähnliche körperliche Merkmale haben können, was dazu führt, dass Beobachter sich auf falsche Identitätszuweisungen einigen oder bei korrekten Zuweisungen uneins sind“. Lies das zweimal. Der Fehler besteht nicht bloß darin, eine Narbe zu übersehen — es ist, dass zwei verschiedene Tiere sich ähnlich sehen und zusammengelegt werden, oder dass ein Tier über zwei Fotos hinweg unterschiedlich aussieht und aufgespalten wird. Das sind genau die Fehler, die die Schneeleoparden-Schätzungen verzerrt haben.

Hier gibt es einen echten Mittelweg, und es lohnt sich, dazu ehrlich zu sein, statt Partei zu ergreifen. Ein cremefarbener Kehl- oder Brustfleck kann ein echter Fingerabdruck sein, wenn er komplex genug ist. Baummarder sind das Musterbeispiel: Jeder hat einen „einzigartig gezeichneten Kehlfleck“ — einen cremig-gelben Brustfleck — der „wie ein Fingerabdruck wirkt und es möglich macht, Individuen auseinanderzuhalten“, mit unterschiedlichen Randformen und dunkleren inneren Zeichnungen. Das ist ein legitimes natürliches Merkmal, eher wie ein Fellmuster als wie eine Narbe. Aber selbst die Praktiker, die es nutzen, weisen auf die saisonale Falle hin: Der Kehlfleck eines Marders „kann zwischen dem dichten Winterfell und dem glatteren Sommerfell merklich anders aussehen“. Die verallgemeinerbare Lehre: Ein strukturelles Muster (ein Kehlfleck, ein Fleckenfeld) ist weit sicherer zur Identifikation als ein zufälliges Merkmal (eine Narbe, die verheilt, eine Kerbe, die du dir vielleicht nur einbildest).

Ein strukturelles Muster (ein Kehlfleck, ein Fleckenfeld) ist weit sicherer zur Identifikation als ein zufälliges Merkmal (eine Narbe, die verheilt, eine Kerbe, die du dir vielleicht nur einbildest).

Das Problem der unmarkierten Arten

Fügt man all das zusammen, gelangt man zum zentralen, unterbelichteten Hindernis des Feldes. Die meisten Tiere lassen sich schlicht nicht verlässlich mit dem Auge unterscheiden. In einer Erhebung von 176 Raubtierarten hatten über 60 % eine einfarbige Flankenfärbung — keine Flecken, keine Streifen, nichts zum Abgleichen. Hirschartige sind schlechter dran, nicht besser: „Die meisten Hirscharten sind durch einen hohen Anteil merkmalsarmer Individuen gekennzeichnet“, und es ist der Regelfall, dass „zu wenige natürlich gezeichnete und identifizierbare Hirsche erfasst werden“, als dass Fang-Wiederfang überhaupt funktionieren könnte.

Die Zahlen dahinter sind ernüchternd. In jener Studie an 13 Populationen reichte der Anteil der Erfassungen, die einem identifizierbaren Individuum zugeordnet werden konnten, von nur 3 % bis 28 % — was bedeutet, dass an den meisten Standorten die „überwiegende Mehrheit der Erfassungen keinem identifizierbaren Individuum verlässlich zugeordnet werden konnte“. Die Fotofallen-Identifikationsraten über verschiedene Arten hinweg erzählen dieselbe Geschichte: Ein Übersichtsartikel setzte die erreichbare Spanne auf grob 2 % bis 54 % identifiziert an, von 2 % der Rohbilder bei Kragenbären bis zu 54 % bei Leoparden. Wenn nur ein Bruchteil deiner Tiere benannt werden kann, bricht klassisches Fang-Wiederfang klammheimlich zusammen — es gibt nicht genug Wiederfänge, um irgendetwas Stabiles zu schätzen.

Also baute das Feld Umgehungslösungen, und zu wissen, welche zu deiner Lage passt, ist der Großteil des methodischen Könnens. Hier die praktische Landkarte:

• Spatial Mark-Resight (SMR). Die häufigste Lösung. Du markierst physisch eine Teilmenge der Tiere — GPS-Halsbänder, Ohrmarken —, sodass eine bekannte Anzahl individuell identifizierbar ist, und nutzt dann die Fotos markierter und unmarkierter Tiere gemeinsam. Die obige Hirschstudie nutzte SMR, um Dichten über Populationen hinweg zu ermitteln, in denen nur 3–28 % der Erfassungen identifizierbar waren. Eine Rotluchs-Studie baute eine „hybride“ Variante, die die vollständigen bekannten Geschichten besenderter Katzen einbezieht, und verengte ihre Konfidenzintervalle auf „nicht mehr als 57 %“ — besser als die reinen Foto-Modelle. Der Preis ist echte Feldarbeit: Man muss einige Tiere fangen und besendern.
• Partielle Identität. Statt eine vollständige Zuordnung zu verlangen, nutzt du partielle Informationen, um Kombinationen ein- oder auszuschließen. Eine Puma-Studie modellierte das Geschlecht unmarkierter Tiere als „partiell identifizierende kategoriale Kovariate“, was ihre Schätzung schärfte — eine männliche Erfassung kann schlicht nicht dasselbe Individuum sein wie eine weibliche, und allein diese Einschränkung erkauft Präzision.
• Random Thinning. Ein neueres Modell, das die starre Trennung „markiert vs. unmarkiert“ ganz aufgibt. Es behandelt Identität als „einen Zufalls-Ausdünnungsprozess, bei dem Stichproben ihre individuellen Identitäten zufällig verlieren“ — manche Fotos sind identifizierbar, manche nicht, und das Modell nutzt beide Klassen gemeinsam, ohne dich zu zwingen, Tiere vorab in Lager zu sortieren. Angewandt auf Braunbären mit etwa 60 % Identifikationserfolg senkte es die Varianz der Dichteschätzung um 11,8 % gegenüber Standardmethoden, allein dadurch, dass es die nicht identifizierten Erfassungen rettete, statt sie zu verwerfen.
• Doppelbeobachter / Kamerapaare. Für vollständig unmarkierte Populationen können zwei Kameras, die denselben kleinen Fleck „aus verschiedenen Richtungen“ überwachen, schätzen, wie viele Tiere jede einzelne verpasst hat, und so für unvollständige Erfassung korrigieren — aber nur, wenn die beiden Kameras „nahezu unabhängig“ erfassen. Jene Studie fand, dass Kameras Tiere um 4–36 % verfehlen können, was sich direkt in eine Unterschätzung der Dichte in derselben Größenordnung übersetzt, wenn man es ignoriert.
• Individuenidentifikation ganz auslassen. Das Random Encounter Model (REM) schätzt die Dichte „ohne die Notwendigkeit individueller Wiedererkennung“, indem es Tier-Kamera-Begegnungen wie kollidierende Gasmoleküle behandelt — es braucht die Bewegungsgeschwindigkeit der Tiere und die Erfassungsgeometrie der Kamera, nicht ihre Identitäten. Sein verallgemeinerter Nachfolger (gREM) erweitert dies auf das „Monitoring unmarkierter Tierpopulationen über breite räumliche, zeitliche und taxonomische Skalen“. Wenn deine Art sich überhaupt nicht auseinanderhalten lässt, ist dies oft der ehrliche Weg.

Das Bemerkenswerte, angesichts der Bedeutung dieser Methoden, ist, wie wenig sie genutzt werden. Jener SECR-Übersichtsartikel fand Mark-Resight-Modelle in „< 5 % der einbezogenen Studien“ — der Großteil des Feldes arbeitet nach wie vor entweder nur an der Handvoll gefleckter, identifizierbarer Arten oder meldet gröbere Relative-Häufigkeits-Indizes. Wenn du für eine unmarkierte Art eine Methode wählst, bist du der veröffentlichten Literatur schon voraus, allein weil du zum richtigen Werkzeug greifst.

Das Linksseiten-Tier und das Rechtsseiten-Tier

Hier ist die Falle, die fast jeden beim ersten Mal erwischt, und sie ist reine Geometrie. Viele Tiere sind bilateral asymmetrisch — die Zeichnungen auf ihrer linken Flanke unterscheiden sich völlig von denen auf ihrer rechten. Bei einem Ozelot sind die „Zeichnungen der linken Seite anders als die der rechten Seite“, und entscheidend ist: „Nicht alle Individuen laufen so an der Kamera vorbei, dass sie alle ihre Seiten zeigen“. Wenn also deine Kamera die linke Flanke des einen Ozelots und eine andere Kamera eine anders aussehende rechte Flanke fotografiert, hast du keine Möglichkeit zu wissen, ob das zwei Tiere sind oder ein Tier von beiden Seiten gesehen.

Das ist kein kleines Ärgernis; es spaltet deinen Datensatz in zwei Hälften. Die Rotluchs-Studie buchstabierte die Konsequenz aus: Weil sie eine Einzelkamera pro Station nutzten, konnten sie „Fotos der linken Seite nicht mit Fotos der rechten Seite abgleichen“, sodass die Daten „in Erfassungsgeschichten der linken und der rechten Seite aufgeteilt“ und getrennt ausgewertet werden mussten. Man führt die gesamte Auswertung im Grunde zweimal durch, an zwei nicht überlappenden Tiermengen. In jener Studie legten die Rechtsseiten-Daten 44 Rotluchse nahe und die Linksseiten-Daten 36 — wobei diese, fairerweise, angesichts überlappender Konfidenzintervalle statistisch nicht zu unterscheiden waren. Das Team zur Europäischen Wildkatze stieß gegen dieselbe Wand: Um die beiden Seiten eines Tieres zu einem Datensatz zu verschmelzen, „muss ein Individuum mindestens einmal beidseitig fotografiert werden“, und sie konnten schlicht „nicht beide Flanken aller erfassten Individuen identifizieren“. Ihre Endabrechnung erfasste das Durcheinander präzise — 13 Individuen auf beiden Flanken abgeglichen, dazu 5 einzelne rechte Flanken und 3 einzelne linke Flanken, die sie niemandem zuordnen konnten.

Die praktische Lösung ist mechanisch und für asymmetrische Arten nicht verhandelbar: Setze Kamerapaare ein, die sich beidseits des Wechsels gegenüberstehen, sodass fast jedes vorbeiziehende Tier auf beiden Flanken zugleich fotografiert wird und dir die beidseitige Verknüpfung liefert. Die indische Tigerstudie tat genau das mit 35 Kamerapaaren und glich selbstverständlich „sowohl die rechte als auch die linke Flanke“ ab. Wenn du Einzelkameras auf ein gestreiftes oder geflecktes Tier ansetzt, hast du das Flankenproblem in dein Design eingebaut, bevor du auch nur ein Bild gesammelt hast.

Wenn du Einzelkameras auf ein gestreiftes oder geflecktes Tier ansetzt, hast du das Flankenproblem in dein Design eingebaut, bevor du auch nur ein Bild gesammelt hast.

Beobachter sind das Messinstrument — und das Instrument driftet

Tritt einen Schritt zurück und beachte, wovon jeder Abschnitt oben stillschweigend abhängt: von einem Menschen, der zwei Fotos ansieht und entscheidet, dass es dasselbe Tier ist. Dieser Mensch ist dein Messinstrument, und wie jedes Instrument hat er eine Fehlerrate, weicht von anderen ab und lässt sich kalibrieren. Die Zuordnung als offensichtlich zu behandeln — „das sieht man doch“ — ist genau der Weg, auf dem sich die Fehler einschleichen.

Die Schlagzeilenzahl kennen wir schon: 12,5 % der Erfassungsgelegenheiten falsch zugeordnet, was die Populationsschätzungen um etwa ein Drittel nach oben verzerrt. Warum aus einer Fehlerrate von 12,5 % eine Überschätzung von 35 % wird, lohnt sich zu verinnerlichen, denn es ist genau der Fehlermodus, den du vermeiden willst. Jene Studie legte eine Taxonomie von drei Fehlern dar. Ein Kombinationsfehler verschmilzt zwei Individuen zu einem. Ein Aufspaltungsfehler tut das Gegenteil — er spaltet die Fotos eines Individuums in zwei und „erzeugt ein ‚Geister‘-Individuum“, was die Zählung aufbläht. Ein Verschiebungsfehler verschiebt eine Erfassung von der Geschichte eines Tieres zu der eines anderen. Diese heben sich nicht heraus. Aufspaltungsfehler, die Geister heraufbeschwören, überwiegen tendenziell, weshalb schlampige Zuordnung eher überschätzt, als sich auszumitteln.

Wie gut sind Beobachter wirklich? Die ehrlichsten Experimente tauschen die Individuenidentifikation gegen die eng verwandte Aufgabe, sich ähnelnde Arten auseinanderzuhalten — dieselbe Fertigkeit, dieselben Fehlermodi, aber mit einer überprüfbaren richtigen Antwort. Die Ergebnisse sind nicht schmeichelhaft. Beobachter, die mit gängigen Bestimmungsbüchern zwei ähnliche Streifenhörnchen-Arten trennten, erreichten nur 78,2 % Genauigkeit, und ungeschulte Beobachter schafften bei einem schwierigeren Datensatz 51,3 % — kaum besser als ein Münzwurf. Das Urteil der Studie: „Selbst Fachleute bestimmen Arten nicht immer korrekt aus Fotos, wenn morphologisch ähnliche Arten gemeinsam vorkommen“. Pumas zeigen dieselbe Streuung: Unabhängige Gutachter, die dieselben Gesichtsfotos bewerteten, erreichten nur eine „mäßige bis gute“ Übereinstimmung (ein Fleiss'-Kappa von 0,54, wobei 1,0 perfekt ist), die erst auf ein „substanzielles“ 0,76 stieg, nachdem das Team jene Fälle bereinigt hatte, in denen ein einzelner Bewerter der einsame Ausreißer war.

Der ermutigende Teil daran ist, dass Beobachter geschult werden können, und es wirkt dramatisch. Gibt man den Streifenhörnchen-Beobachtern einen eigens entwickelten Bestimmungsschlüssel, sprang ihre Genauigkeit von 78,2 % auf 93 %; mit zusätzlichem Training erreichte sie 98,8 %, wobei die selbstsichersten Beobachter 100 % trafen. Die Übereinstimmung zwischen den Beobachtern stieg im Gleichschritt, von einem schwachen Kappa von 0,47 bei Beobachtern, die nur Literatur nutzten, auf 0,95 nach dem Training mit dem Schlüssel. Die Lehren sind konkret, und du solltest sie in jedes Protokoll einbacken:

• Schreibe einen expliziten Bestimmungsschlüssel für deine Art und Population — die benannten Merkmale, die übereinstimmen müssen, wie das 15-Punkte-System beim Leoparden oder die „drei Fellmerkmale“-Regel beim Rotluchs — statt dich auf den Gesamteindruck zu verlassen.
• Setze mehr als einen Beobachter ein und miss ihre Übereinstimmung (melde das Kappa), und bereinige Uneinigkeiten dann ausdrücklich, statt die Einschätzung einer Person stehen zu lassen.
• Trainiere, bevor du bewertest, und bewerte erneut; die Gewinne aus Schlüssel plus Training sind größer, als die meisten erwarten.

Melde die Bilder, die du nicht zuordnen konntest

Das ist der Teil, den Einsteiger überspringen und Gutachter einfordern sollten, und er folgt direkt aus allem oben. Dein Individuen-ID-Datensatz ist ebenso sehr durch das definiert, was du verworfen hast, wie durch das, was du behalten hast — und in diesem Verwurf-Stapel steckt die Verzerrung.

Die ehrlichen Studien sind darin gewissenhaft. Das Streifenhörnchen-Team erfasste 15.847 Fotos und bestätigte Zuordnungen für nur 7.300 davon — grob 54 % der Bilder wurden wegen geringer Sicherheit oder Uneinigkeit der Beobachter ausgeschlossen. Die Hirschstudie meldete ihr Verhältnis identifizierbarer Erfassungen (jene 3–28 %) als Schlagzeilenergebnis, nicht als Fußnote. Ein Übersichtsartikel wies darauf hin, dass in der Fotofallen-Arbeit „die Identifikationsrate selten überhaupt berichtet wird“ — was genau die Lücke ist, durch die eine Studie klammheimlich eine selbstsichere Zahl präsentieren kann, die auf einem dünnen, herausgepickten Ausschnitt ihrer Daten ruht. Wenn du nur je die Tiere meldest, die du erfolgreich benannt hast, hat dein Leser keine Möglichkeit zu beurteilen, ob das 90 % der Erfassungen waren oder 9 %.

Und Präzision ist nicht dasselbe wie Genauigkeit — das ist die Falle, die über jenen zuschnappt, die alles andere richtig gemacht haben. Jener SECR-Übersichtsartikel fand, dass die Median-Studie einen Variationskoeffizienten (ein Präzisionsmaß) von 30 % meldete und nur etwa ein Fünftel der Studien einen engen VK von 20 % oder besser erreichte. Warum kümmert das? Weil ungenaue Schätzungen keine Veränderung nachweisen können: Bei einem typischen VK von 31 % hat ein Monitoring-Programm nur eine 32,7 %ige Chance, einen realen Rückgang einer Tigerpopulation um 50 % über zehn Jahre nachzuweisen — steigend auf 68 %, wenn man den VK auf 20 % senken kann. Du kannst ein fehlerfreies ID-Protokoll durchführen und trotzdem eine Zahl produzieren, die zu verrauscht ist, um die Naturschutzaufgabe zu erfüllen, für die sie gedacht war. Deine Identifikationsrate, deinen nicht identifizierten Anteil und deinen VK ehrlich zu melden, ist das, was es überhaupt erst möglich macht, den Unterschied zu erkennen.

Du kannst ein fehlerfreies ID-Protokoll durchführen und trotzdem eine Zahl produzieren, die zu verrauscht ist, um die Naturschutzaufgabe zu erfüllen, für die sie gedacht war.

Wo Computer Vision tatsächlich hilft

Die naheliegende Hoffnung ist, dass Software all das verschwinden lässt — dass man seine Fotos hochlädt und ein Algorithmus die Individuen zurückgibt, keine ermüdeten Beobachter, kein Drift. Die Realität ist interessanter und begrenzter: KI ist wirklich gut darin, Treffer vorzuschlagen, und miserabel darin, blind vertraut zu werden — und der Unterschied ist entscheidend.

Zuerst räumen wir eine gängige Verwechslung aus. Die berühmten Deep-Learning-Ergebnisse zu Fotofallen betreffen Arten, nicht Individuen. Das Projekt Snapshot Serengeti trainierte ein Netz an 3,2 Millionen Bildern von 48 Arten und erreichte 94,9 % Top-1-Genauigkeit beim Benennen der Art, automatisierte dabei 99,3 % der Beschriftung bei derselben Genauigkeit wie freiwillige Schwarmhelfer und sparte über 17.000 Stunden menschlicher Arbeit. Das ist umwälzend, um die leeren Bilder auszuräumen und „das ist eine Hyäne“ von „das ist eine Gazelle“ zu trennen — aber es sagt dir nicht, welche Hyäne. Die individuelle Re-Identifikation ist ein separater, härterer Schritt, der nach Erkennung und Artbestimmung läuft.

Für diesen Re-ID-Schritt ist das Arbeitspferd in Wildtierkreisen HotSpotter, ein Mustererkennungs-Algorithmus, der die charakteristische Textur in einem Fell oder Panzer findet und eine gereihte Liste wahrscheinlicher Treffer aus deiner Bibliothek zurückgibt — „eins-gegen-eins“ Bild mit Bild verglichen oder „eins-gegen-viele“ gegen die ganze Datenbank, mit einem Ähnlichkeitswert für jeden. Er ist kostenlos und läuft auf normalen Computern. Seine Genauigkeit bei gut gezeichneten Tieren ist solide, aber keine Zauberei, und sie verschlechtert sich genau dort, wo man es vorhersagen würde. Bei Echten Karettschildkröten platzierte HotSpotter den korrekten Treffer in 80 % der Fälle auf dem ersten Rang, steigend auf 91 % innerhalb der ersten sechs Ränge. Bei costa-ricanischen Raubtieren traf er Jaguare (85,7 %) und Ozelots (83,3 %) auf dem höchstbewerteten Treffer, schaffte aber nur 57,1 % bei Öncillas — der kleineren, weniger deutlich gezeichneten Katze — und die Genauigkeit korrelierte damit, wie viele Bilder es je Tier gab. Das Muster ist beständig: Deutliche Zeichnungen und mehr Fotos helfen; schwache Muster und dünne Daten schaden.

Die nützlichste Einordnung stammt aus einer Studie, die manuelle Zuordnung direkt gegen die HotSpotter-Pipeline verglich. Die manuelle ID überschätzte die Populationen um 7 % bei Geparden und um 22 % bei Leoparden gegenüber der algorithmusgestützten Auswertung — dieselbe Aufwärtsverzerrung, der wir immer wieder begegnen, wobei die Software als der beständigere Schiedsrichter fungierte. Das ist das eigentliche Nutzenversprechen: nicht, dass die KI unfehlbar ist, sondern dass sie nicht müde, gelangweilt oder an eine Vermutung geklammert ist, sodass sie die beständigen Fehler macht, die ein menschlicher Bereinigungsschritt abfangen kann, statt der idiosynkratischen, die klammheimlich eine Zählung aufblähen.

Wohin geht das? Die aktuelle Richtung sind universelle Re-ID-Modelle, die über viele Arten zugleich trainiert werden. Ein Modell von 2024 wurde an 49 Arten und 37.000 Individuen trainiert und schlug artenspezifische Modelle im Schnitt um 12,5 % bei der Top-1-Genauigkeit, mit einer Version, die bereits „für über 60 Arten produktiv im Einsatz“ ist. Forschende formulieren das langfristige Versprechen als Software, die Tierindividuen „über die Fähigkeiten eines menschlichen Beobachters hinaus“ re-identifizieren kann und Tiere abgleicht, während sie „das Kamerabild verlassen und wieder betreten“.

Zwei Vorbehalte halten den Hype am Boden, und eine sorgfältige Forscherin sollte beide im Blick behalten. Die Übersichten zur Softwarelandschaft vergleichen diese Werkzeuge nach Kosten, Plattform und Abgleichsmethode, veröffentlichen aber keine eigenen Genauigkeitszahlen — deine reale Genauigkeit ist also das, was die oben zitierten Feldstudien für ein Tier wie deines nahelegen, nicht die Behauptung eines Anbieters. Und Benchmark-Genauigkeit kann durch ein subtiles Leck aufgebläht werden: Wenn visuell ähnliche Bilder desselben Tieres sowohl im Trainings- als auch im Testdatensatz landen, kann ein Modell besser aussehen, als es ist. Die neuesten Re-ID-Benchmarks nutzen bewusst eine „zeit- und ähnlichkeitsbewusste Aufteilung“, um genau diese Art von „Daten-Leck zwischen Training und Test“ zu verhindern, was bedeutet, dass die ehrlichen Genauigkeitszahlen oft niedriger liegen als die schlagzeilenträchtigen, die du zitiert sehen wirst. KI-gestützte Re-ID ist ein mächtiger Assistent. Sie ist noch kein Grund — und wird vielleicht nie einer sein —, den Schritt der menschlichen Prüfung auszulassen.

Der ehrliche Ablauf, der Reihe nach

Fügt man es zusammen, so läuft ein sorgfältiges Individuen-ID-Projekt tatsächlich so ab, und deshalb ist jeder Schritt da:

1. Entscheide, ob deine Art überhaupt identifizierbar ist. Gefleckt oder gestreift (Tiger, Leopard, Ozelot, Giraffe, Wildkatze) — ja, mit Disziplin. Einfarbig gefellt (die meisten Hirschartigen, Puma und 60 % der Raubtiere) — wahrscheinlich nicht am Fell, und du solltest von Anfang an mit Mark-Resight, Random Thinning oder REM planen, nicht erst später als Rettung.
2. Baue deine Kamerageometrie um das Flankenproblem herum. Setze bei jedem asymmetrischen Tier Kamerapaare beidseits des Wechsels ein, damit du beide Seiten zugleich erfasst.
3. Schreibe einen expliziten Bestimmungsschlüssel — die benannten, mehrfachen Merkmale, die übereinstimmen müssen — und verlange Redundanz, bevor du einen Treffer erklärst.
4. Setze mehrere geschulte Beobachter ein, miss ihre Übereinstimmung und bereinige Uneinigkeiten, statt einem einzelnen Auge zu vertrauen.
5. Lass Computer Vision vorschlagen und lass einen Menschen entscheiden. HotSpotter, um Kandidaten zu reihen; eine Person, um zu bestätigen.
6. Melde, was du nicht zuordnen konntest — deine Identifikationsrate, deinen nicht identifizierten Anteil, deinen VK — genauso prominent wie das, was du konntest.

Nichts davon macht die Individuenidentifikation mühelos. Es macht sie verteidigbar — was, angesichts dessen, dass aus einem 12,5-%-Ausrutscher eine 35-%-Überzählung werden kann, die ganze Aufgabe ist.

Nichts davon macht die Individuenidentifikation mühelos. Es macht sie verteidigbar — was, angesichts dessen, dass aus einem 12,5-%-Ausrutscher eine 35-%-Überzählung werden kann, die ganze Aufgabe ist.

Häufig gestellte Fragen