Neues Deep-Learning-Tool verbessert Erkennung von Delfin‑Echolokalisierung

Eine aktuelle Studie aus dem Bereich der marinen Bioakustik hat ein neues Deep‑Learning-Modell namens CLICK‑SPOT vorgestellt, das die Erkennung von Klicksignalen bei Meeressäugetieren deutlich verbessert. Durch die automatische Analyse von Unterwasseraufnahmen können Forscher nun viel schneller und genauer die Verhaltensmuster von Tieren wie Orcas erfassen.

Traditionelle Verfahren zur Signalidentifikation stoßen häufig an ihre Grenzen, wenn die Signale ein niedriges Signal‑zu‑Rauschverhältnis aufweisen oder von Echoeffekten überschattet werden. Manuelle Kennzeichnung ist zudem extrem zeitaufwendig und erschwert die Verarbeitung großer Datenmengen.

CLICK‑SPOT nutzt anstelle der üblichen Short‑Time‑Fourier‑Transformations‑Spektrogramme fortschrittliche Wavelet‑Transformationen. Diese bieten eine bessere Zeitauflösung für hohe Frequenzen und gleichzeitig eine verbesserte Frequenzauflösung für niedrige Frequenzen, wodurch die Merkmale komplexer akustischer Umgebungen präziser extrahiert werden können.

In Tests mit Unterwasseraufnahmen von norwegischen Killerwalen, die vom Cetacean‑Biologen Dr. Vester bereitgestellt wurden, zeigte das Modell eine hohe Erkennungsrate und übertraf herkömmliche Methoden deutlich. Die Ergebnisse deuten darauf hin, dass CLICK‑SPOT ein leistungsfähiges Werkzeug für die Analyse von Meeressäugetönen darstellt.

Die Kombination aus Wavelet‑Transformationen und Deep‑Learning eröffnet neue Möglichkeiten für groß angelegte Verhaltensstudien. Durch die schnellere und genauere Verarbeitung von akustischen Daten können Wissenschaftler künftig effizienter auf Veränderungen in den Lebensräumen und im Verhalten von Meeressäugetieren reagieren.

Diese Arbeit unterstreicht die Bedeutung moderner Signalverarbeitungsmethoden in der Bioakustik und zeigt, wie technologische Fortschritte die Forschung an marinen Tieren voranbringen können.