Brüllen über große Entfernungen ist ein Schlüsselverhalten von Löwen. Sie kommunizieren innerhalb ihres Rudels und mit anderen Tieren mittels charakteristischer Sequenzen aus verschiedenen Lauten.
Das GAIA-Team legt einem Löwen im Etosha-Nationalpark ein Halsband an | Jon A. Juarez, Leibniz-IZW
Forschende der GAIA-Initiative veröffentlichten in der Fachzeitschrift „Ecological Informatics" einen neuen „Machine Learning"-Ansatz, der die Erforschung dieses Verhaltens verbessert. Der Algorithmus kann Brüllen allein anhand von Beschleunigungsdaten (ACC) von Halsbändern zuverlässig erkennen - ohne Mikrofon und ohne energie- und speicherintensive Audiodateien. Erstmals funktioniert ein solcher Algorithmus zuverlässig sowohl bei männlichen als auch bei weiblichen Löwen und sogar, wenn das Brüllen mit einem anderen Verhalten wie Laufen kombiniert ist.
Löwen leben in sozialen Gruppen (Rudeln) mit engen Bindungen und einem komplexen Kommunikationssystem aus visuellen, chemischen, physischen und akustischen Signalen. Sie nutzen diese Signale unter anderem, um ihre Bewegungen zu koordinieren und Konflikte zu vermeiden. Die einzige Möglichkeit für Löwen, sich über große Entfernungen zu verständigen, ist das Brüllen. Da die Mitglieder eines Rudels oft über große Entfernungen verstreut sind, kommt dem Brüllen eine zentrale Rolle bei der Kommunikation innerhalb des Rudels zu. Zwar wurden die akustischen Details der Brülllaute bereits gründlich dokumentiert und analysiert, das Brüllverhalten und die Funktionen des Brüllens innerhalb der artspezifischen Kommunikation ist jedoch nur lückenhaft erforscht. „Es ist bekannt, dass männliche Löwen nicht brüllen, um bei weiblichen Löwen Eindruck zu machen, und es wird vermutet - noch ohne wissenschaftlichen Beleg - dass Löwen brüllen, um ihr Revier zu behaupten", sagt Dr. Ortwin Aschenborn, Wildtierarzt und Wissenschaftler in der GAIA-Initiative am Leibniz-Institut für Zoo und Wildtierforschung (Leibniz-IZW). „Die Langstreckenkommunikation weiblicher Löwen ist sogar noch völlig unerforscht."
Für diese Art von Forschung sind klassische Tonaufnahme-Techniken nicht praktikabel: Handmikrofone können nur punktuell aus der Entfernung einzelne Löwen-Vokalisationen aufnehmen. Tonaufnahme-Geräte an den Tieren, etwa mit Halsbändern kombinierte „Audiologger", benötigen viel Energie und Speicherplatz - und nehmen große Datenmengen auf, die für diese konkreten Forschungsfragen nicht benötigt werden. Um das Brüllen gemeinsam mit dem räumlichen Bewegungsmuster und damit dem Sozialverhalten zu analysieren, ist es notwendig, über lange Zeiträume zu erfassen, wann und wo ein Löwe (oder eine Löwin) brüllt. Diese Information kann durch die Analyse von sogenannten Beschleunigungsdaten (ACC) von Halsbändern abgeleitet werden. ACC-Daten zeichnen in schneller Folge und über lange Zeiträume kleinste Bewegungen in drei Dimensionen auf, was es ermöglicht, eine Vielzahl von Verhaltensweisen zu identifizieren. Dabei ist Künstliche Intelligenz eine unverzichtbare Hilfe: „Machine Learning"-Algorithmen können darauf trainiert werden, bestimmte Signaturen in den Beschleunigungsdaten zu identifizieren und einem bestimmten Verhalten zuzuordnen. Bewegungsformen wie Laufen, Fliegen oder Schwimmen können so für viele Tierarten bereits sehr zuverlässig erkannt und damit wissenschaftlich erforscht werden, beispielsweise gemeinsam mit der zeitgleich erfassten GPS-Position der Tiere. Die Klassifikation von Vokalisationen aus Beschleunigungsdaten wird jedoch noch selten angewandt, da sie mit hohen methodischen Herausforderungen verbunden ist.
„Fully convolutional neural network" kann Löwenbrüllen klassifizieren, auch wenn es mit anderem Verhalten wie Laufen zugleich auftritt
Im Gegensatz zum Laufen oder Fliegen sind Bewegungsmuster bei Vokalisationen nur mit subtilen, kleinteiligen Bewegungsmustern verknüpft, die oft nur einen Teil des Tierkörpers betreffen. Obwohl Löwenbrüllen sehr laut ist (es kann aus bis zu acht Kilometern Entfernung gehört werden), ist das davon ausgelöste ACC-Signal relativ schwach. Darüber hinaus kann sich die Lautäußerung auch mit anderen Verhaltensmustern mischen, etwa wenn sich ein Löwe - was regelmäßig vorkommt - beim Brüllen fortbewegt und die Sensoren einen Mix aus unterschiedlichen Verhaltensmustern abbilden. „Bisherige Modelle zur Klassifikation von Löwenbrüllen aus Beschleunigungsdaten wurden ausschließlich an männlichen Löwen trainiert, die sich nicht anderweitig bewegt haben", erklärt Wanja Rast, Wildtier-KI-Spezialist in der GAIA-Initiative und Doktorand am Leibniz-IZW. „Unsere Neuentwicklung kann mehr: Wir haben ein sogenanntes ‚U-Net' trainiert, das Brüllen sowohl von männlichen als auch von weiblichen Löwen detektieren kann - sowohl in Bewegung als auch wenn sie sich nicht bewegen."
Ein „U-Net" ist eine Variante eines „convolutional neural networks" (CNN), einer Methode des Maschinellen Lernens, die vorrangig bei Bild- und Audiodateien Anwendung findet. Die Daten werden dabei auf Ebenen angeordnet, die durch Faltungen (convolutions) verarbeitet werden und aus einem Eingabewert einen Ausgabewert (im Fall der Löwenstudie „Brüllen" oder „Nicht-Brüllen") erzeugen. Das Modell wurde anhand von Referenzdaten von sieben besenderten Löwen im Etosha-Nationalpark trainiert, die über einen Zeitraum von mehreren Monaten sowohl einen GPS-Sender mit Beschleunigungssensoren als auch einen Audiologger trugen. Insgesamt haben die Forschenden 1333 Brüllereignisse aufgenommen. Beschleunigungs- und Audiodaten wurden synchronisiert, sodass die Brüll-Signale im ACC-Datenstrom identifiziert werden konnten. Nach dem Training konnte das „U-Net" diese Klassifikation selbstständig und mit einer Trefferquote von 90 bis 96 Prozent nur auf Basis von Beschleunigungsdaten vornehmen - nur wenige der tatsächlichen Brüller hat die KI „überhört" (falsch-negativ). Umgekehrt waren circa 81% der angezeigten Brüller auch tatsächlich welche, in knapp 20 Prozent lag die KI dabei falsch (falsch-positiv). Beide Werte gelten gleichermaßen für männlich wie weibliche Löwen. „Brüllen beim Laufen wurde im Schnitt etwas weniger zuverlässig klassifiziert, jedoch konnten nachfolgende Filterschritte die Detektion auf ein vergleichbares Maß wie beim Brüllen ohne Laufen steigern", so Rast.
Halsbandsender mit ACC-Sensoren können - für spezielle Anwendungsfälle - Audiologger bei Löwen ersetzen und neue Forschungsarbeiten möglich machen
Die Forschenden der GAIA-Initiative am Leibniz-IZW sind überzeugt, dass es für einige Forschungsfragen möglich und sinnvoll ist, auf die KI-gestützte Klassifikation der Beschleunigungsdaten zu setzen, um Tierverhalten im Zusammenhang mit Vokalisationen zu erforschen. „Im Gegensatz zu Audiologgern, die tatsächliche Tonaufnahmen speichern, ist die Speicherung von Beschleunigungsdaten mit weniger Energie und Speicherplatz über längere Zeiträume möglich", so Dr. Jörg Melzheimer, Wissenschaftler in der GAIA-Initiative am Leibniz-IZW. Abgelegt wird jedoch nicht der tatsächliche Laut - Brüllen, Grunzen oder Heulen - sondern nur der Umstand, wann und (in Kombination mit der GPS-Signatur) wo dieser geäußert wurde. „Zusätzlich kann eine gut trainierte Klassifikation für Beschleunigungsdaten auch auf Altdatenbestände angewendet werden, es könnten also Daten für Studien zum Vokalisationsverhalten erschlossen werden, die gar nicht mit diesem Forschungsthema im Kopf erstellt wurden", so Melzheimer. „Gleichzeitig muss eingeschränkt werden, dass dieses Verfahren nur dann funktioniert, wenn ein KI- bzw. Machine-Learning-Algorithmus erfolgreich trainiert werden kann". Dies ist dem Team der GAIA-Initiative für das Löwenbrüllen gelungen - es ist jedoch möglich, dass Versuche bei anderen Arten weniger oder gar nicht erfolgreich sind, denn nicht jede Vokalisation ist mit charakteristischen oder ausreichend ausgeprägten ACC-Signalen verbunden.
Auf Grundlage dieses Machine-Learning-Ansatzes will das GAIA-Team das Brüllverhalten von Löwen als Schlüssel zur innerartlichen Kommunikation weiter erforschen. Zudem planen die Forschenden, ein Konzept für einen „akustischen Zaun" für die Grenzen von Schutzgebieten zu entwickeln, in welchem strategisch platzierte Sensoren und Lautsprecher in der Landschaft sich in entscheidenden Momenten in die Löwenkommunikation einklinken. Auf diese Weise sollen die Löwen in diesen Schutzgebieten gehalten und Kontakte sowie Konflikte mit Menschen reduziert werden.
Rast W, Götz T, Cloete C, Berger An, Chamaillé-Jammes S, Krofel M, Portas R, Aschenborn OHK, Melzheimer J (2026):
DOI: 10.1016/j.ecoinf.2026.103761
