RAOnline EDU: Arktische Biodiversität - KI ermöglicht ein Who is Who der Braunbären in Alaska

Polregionen

Ökosystem & Biodiversität: Arktis

Polgebiete Arktis Biodiversität

KI ermöglicht ein Who is Who der Braunbären in Alaska

2026

Polgebiete Arktis und Antarktis Weitere Informationen

Arktis und Antarktis

Weitere Informationen

Die arktische Nahrungskette

Naturwissenschaften

Klima

Arktis-Antarktis

Arktische Biodiversität

Bären in der Arktis

KI ermöglicht ein Who is Who der Braunbären in Alaska

Ein Forschungsteam der EPFL und der Alaska Pacific University hat ein KI-Programm entwickelt, das einzelne Bären in freier Wildbahn erkennen kann und dies trotz erheblicher Veränderungen ihres Erscheinungsbilds im Verlauf der Saison. Dieses Programm birgt Potenzial für Forschung, Management und Naturschutz.

Die Fähigkeit, einzelne Tiere zu unterscheiden, einschliesslich ihrer individuellen Geschichte, Bewegungsmuster und Verhaltensweisen, kann Forschenden helfen, die Funktionsweise von Arten besser zu verstehen und dadurch Lebensräume effektiver zu verwalten und Populationsdynamiken zu erforschen.

Für Arten mit Mustern und Markierungen wie Zebras, Leoparden und Giraffengibt es Künstliche Intelligenz Systeme, welche einzelne Individuen erfolgreich basierend auf Fotos unterscheiden können. Die Aufgabe wird dezidiert komplizierter bei Arten ohne auffällige Markierungen, bei denen individuelle Unterschiede schwerer zu erkennen sind.

Einen bestimmten Braunbären visuell von seinen Artgenossen zu unterscheiden, erfordert jahrelange Erfahrung und ein geschultes Auge. Erschwerend kommt hinzu, dass Bären in Alaska im Frühjahr mit zotteligem Fell und deutlichem Gewichtsverlust aus dem Winterschlaf kommen, um dann beim Lachsfang erheblich an Gewicht zuzulegen und gleichzeitig ihr Winterfell verlieren. Das ist genug, um sowohl Experten als auch KI-Algorithmen zu verwirren. Ein Forschungsteam der EPFL und der Alaska Pacific University hat nun ein KI-Programm entwickelt, das einzelne Braunbären im Zeitverlauf anhand von Fotos erkennen kann, trotz der Veränderungen im Erscheinungsbild der Bären und der Schwierigkeiten bei der Bildaufnahme dieser scheuen und weiträumig wandernden Tiere.

Maschinelles Lernen basierend auf Kopf und Körperhaltung

Das McNeil River State Game Sanctuary (ein staatliches Wildschutzgebiet) in Alaska beherbergt die weltweit grösste saisonale Population von Braunbären. Jeden Sommer bewegen sich nahezu 150 dieser Tiere ungestört durch dieses Gebiet von über 500 km² unberührter Natur. Sie frequentieren proteinreichen Riedgraswiesen sowie Bäche und Wasserfällen, um Lachse zu fangen. Das bietet eine Gelegenheit für die wenigen Menschen, denen der Zutritt zum Schutzgebiet gestattet ist, sie zu beobachten. "Diese Besucher müssen strikten Regeln vollen, denn hier stehen Bären im Vordergrund!", schmunzelt Alexander Mathis, Professor am Brain Mind Institute und Neuro-X Institute der EPFL. Für vier Monate im Jahr ist dieses abgelegene Gebiet ist auch die Heimat von Beth Rosenberg, Forscherin am Fisheries, Aquatic Science, and Technology Laboratory der Alaska Pacific University. Sie hat eine beindruckende Datenbank mit Braunbären-Bildern aufgebaut: Zwischen 2017 und 2022 nahm sie über 72'000 Fotos von 109 verschiedenen Braunbären in allen möglichen Bedingungen auf. Bei Regen, zu verschiedenen Tageszeiten und mit Bären in jeder verfügbaren Verhaltensweise und Körperhaltung (oder Winkel) gelang es ihr, die Bären in ihrem natürlichen Lebensraum festzuhalten.

Um ihr KI-Programm namens PoseSwin zu entwickeln, stützten sich die Forschenden auf ihre biologische Expertise und konzentrierten sich auf bestimmte Merkmale der Bären, die sich im Laufe der Zeit überraschend wenig verändern: die Form der Schnauze (die nur wenig Fettgewebe aufweist), der Winkel der Stirnknochen, sowie die Platzierung der Ohren. Entscheidend für den KI-Ansatz war, dass sie Informationen zur Körperhaltung (Pose) integrierten. Sie analysierten Fotos von Bären aus verschiedenen Blickwinkeln. "Dieser pose-basierte Ansatz ermöglichte es uns, so viele Bilder wie möglich zu nutzen, auch solche, die das Gesicht des Bären nicht perfekt zeigen", sagt Alexander Mathis. "Unsere biologische Intuition suggerierte, dass Kopfmerkmale in Kombination mit der Körperhaltung zuverlässiger sein würden als die Körperform allein, die sich durch Gewichtszunahme dramatisch verändert. Die Ergebnisse gaben uns recht: PoseSwin übertraf Modelle, die Fotos des ganzen Körpers verwendeten oder Pose-Informationen ignorierten, deutlich."

Die wahre Identität eines Bären erfassen

Das Programm basiert auf Transformern, derselben grundlegenden Technologie, die grosse Sprachmodelle wie ChatGPT antreibt, ist aber speziell für die Bildanalyse angepasst. "Wir verwendeten eine Technik namens metrischen Lernens, um den Transformer zu trainieren, die Beziehungen zwischen verschiedenen Teilen der Bilder zu verstehen", erklärt Alexander Mathis. Das bedeutet, dass der Algorithmus nicht nur lernt, einzelne Bären anhand der zuvor erwähnten Merkmale zu erkennen, sondern auch zwei Bilder von Bären miteinander zu vergleichen. Das Team präsentierte dem Algorithmus Gruppen von drei Fotos: zwei von demselben Bären, aufgenommen zu unterschiedlichen Zeiten, und eines von einem anderen Bären. Der Algorithmus projizierte die Bilder in einen mehrdimensionalen mathematischen Raum und muss die Projektionen desselben Bären nahe beieinander zu platzieren, während er die des anderen Bären weiter wegschieben muss. "Es ist ein echtes Spiel von Anziehung und Abstossung, ein digitales Tauziehen, bei dem die Bilder sich neu ordnen, bis sie kohärente Gruppen bilden", sagt Mathis. "Jeder Bär wurde schliesslich als einzigartige Konstellation von Punkten dargestellt was darauf hindeutet, dass das KI-Programm etwas Grundlegendes erfasst hat. Nämlich nicht nur das Erscheinungsbild eines Bären, sondern etwas, das seiner Identität näherkommt." PoseSwin kann auch Bären kennzeichnen, die es noch nie zuvor gesehen hat. Das ist ein grosser Vorteil für Studien in offenen Gebieten, wo regelmässig neue Individuen auftauchen können.

Der nächste Schritt bestand darin, das Programm in einer neuen Umgebung anzuwenden. Dafür wandten sich die Forschenden der "Citizen Science" zu: Sie sammelten Fotos, die von Besucherinnen und Besuchern des Katmai-Nationalparks aufgenommen wurden, etwa 60 km von McNeil River entfernt liegt, und speisten sie in den PoseSwin-Algorithmus ein. Das Programm erkannte mehrere der Bären eindeutig und zeigte damit konkret, wohin sich die Tiere saisonal auf der Suche nach Nahrung bewegen. "Dies ist ein konkretes Beispiel für das Potenzial des PoseSwin-Modells", sagt Beth Rosenberg. "Die Technologie könnte künftig verwendet werden, um Tausende von Bildern zu analysieren, welche die Besucherinnen und Besucher jedes Jahr aufnehmen. Dies könnte dabei helfen, eine Karte zu erstellen, wie Braunbären dieses ausgedehnte Gebiet nutzen, was uns wiederum helfen kann wichtige ökologische Fragen zu Beantworten."

"Ein Bär ist eine komplizierte Version einer Maus"

Dank Fotos der Bären und PoseSwin können Forschende nun Sloth, Rocky, That Bear und rund 100 ihrer Artgenossen verfolgen, ohne sie physisch zu stören. "Je besser wir einzelne Bären unterscheiden können, desto besser können wir sie und ihre Verhaltensweise verstehen", sagt Rosenberg. "Bären stehen an der Spitze der Nahrungskette und gewährleisten das ordnungsgemässe Funktionieren ihres Ökosystems. Sie sind entscheidend für die Aufrechterhaltung gesunder Ökosysteme."

PoseSwin wird die Feldarbeit nicht nur für die an der Studie beteiligten Forschenden erleichtern, sondern könnte auch für andere Wissenschaftlerinnen und Wissenschaftler sowie Manager, die in anderen Systemen arbeiten hilfreich sein. PoseSwin erreichte auch eine hervorragende Genauigkeit bei Benchmark-Datensätzen von Makaken, was auf eine breite Anwendbarkeit über Bären hinaus hindeutet. "Bären sind vielleicht die am schwierigsten individuell zu erkennende Art", sagt Mathis. "Wir konzentrierten uns zuerst auf sie, mit dem Gedanken, dass unser Programm für andere Arten, von Mäusen bis zu Schimpansen, angepasst werden könnte, die scheinbar viel weniger visuelle Variation aufweisen." Das Team bietet Open-Source-Zugang zu seinem Algorithmus und den zur Entwicklung verwendeten Daten, damit andere Forschende ihn nach ihren Bedürfnissen nutzen und anpassen können.

Die Forschenden planen, PoseSwin für Alaskas Braunbären weiterzuentwickeln. Da das Programm skalierbar ist, können sie bereits Daten hinzufügen, die in anderen Jahreszeiten und an anderen Orten gesammelt wurden. Ihr Ziel ist es, das System weitgehend zu automatisieren, damit es langfristig zur Überwachung wilder Tierpopulationen beitragen kann.

Referenzen

Beth Rosenberg, Mu Zhou, Nathan Wolf,∙ Mackenzie Weygandt Mathis,∙Bradley P. Harris, Alexander Mathis, Individual identification of brown bears using pose-aware metric learning. Cell Current Biology, Januar19, 2026. DOI: www.cell.com/current-biology/fulltext/S0960-9822(25)01670-7

Text: EPFL , 29. Januar 2026