Tiefes Lernen zur individuellen Identifizierung und Populationsschätzung des gelbgefleckten Bergmolchs (Neurergus derjugini)

Warum winzige Bergmolche wichtig sind

Hoch in den Bächen des Zagrosgebirges im Iran lebt ein kleiner, gefährdeter Amphibienvertreter: der gelbgefleckte Bergmolch. Wie viele Frösche und Salamander weltweit stehen seine Bestände unter Druck durch Verschmutzung, Lebensraumverlust und Klimawandel. Um eine so fragile Art zu schützen, müssen Forscher wissen, wie viele Tiere vorhanden sind und ob die Populationen schrumpfen oder sich erholen – doch traditionelle Methoden zum Kennzeichnen und Nachverfolgen einzelner Tiere können genau jene Lebewesen schädigen, die sie schützen sollen. Diese Studie zeigt, wie gewöhnliche Smartphone-Fotos in Kombination mit moderner künstlicher Intelligenz Individuen anhand ihrer einzigartigen Fleckenmuster erkennen und die Population auf schonende, berührungsfreie Weise schätzen können.

Von schädlichen Marken zu harmlosen Fotos

Naturschützer haben lange auf Methoden wie das Abschneiden von Zehen, implantierte Mikrochips oder farbige Ringe gesetzt, um Tiere über die Zeit auseinanderzuhalten. Diese Vorgehensweisen sind zwar effektiv, können aber schmerzhaft, stressig und für kleine, empfindliche Amphibien, die ohnehin vielen Gefahren ausgesetzt sind, unpraktisch sein. Die Forscher dieser Studie wollten diese invasiven Methoden durch eine einfache fotografische Technik ersetzen. Gelbgefleckte Bergmolche tragen von Natur aus ein charakteristisches Muster heller gelber Flecken auf dunkler Haut, ähnlich einem Fingerabdruck oder einem Sternbild am Nachthimmel. Indem das Team diese Muster sorgfältig in der freien Natur fotografierte, zielte es darauf ab, ein System zu entwickeln, das jedes Tier auf den ersten Blick erkennt und bei wiederholten Erhebungen nachverfolgen kann.

Flecken in Daten verwandeln

Bei Feldarbeiten an einem als Fortpflanzungsgebiet bekannten Bergbach fing das Team in der Saison 2024 insgesamt 549 adulte Molche. Jedes Tier wurde kurzzeitig in eine kleine weiße Aufnahmekiste gelegt, mit weichem, natürlichem Licht ausgeleuchtet und von oben mit einem Standard-Smartphone fotografiert. Die Molche wurden dann genau an der Fundstelle wieder freigelassen. Im Labor nutzten die Wissenschaftler zunächst klassische Bildverarbeitungs-Schritte, um dem Computer beizubringen, was als gelber Fleck und was als Hintergrund zu gelten hat. Durch Umwandlung der Farbbilder in eine Darstellung, die Farbton und Helligkeit hervorhebt, und durch Entfernen visueller Störungen konnten sie messen, wie viele Flecken jeder Molch hatte, wie groß und rund die Flecken waren und welchen Anteil der Körper bedeckten. Diese geometrische Methode erkannte Flecken in etwa neun von zehn Fällen korrekt, selbst wenn die Bilder so zugeschnitten wurden, dass nur Kopf oder Rumpf zu sehen waren.

Wie künstliche Intelligenz ein Gesicht lernt

Um über das Zählen von Flecken hinaus tatsächlich Individuen zu erkennen, wandten sich die Forschenden dem Deep Learning zu, einer Form der künstlichen Intelligenz, die von der Art inspiriert ist, wie das Gehirn visuelle Informationen verarbeitet. Sie trainierten drei verschiedene Faltungsneurale Netze – Computer­modelle, die sich besonders für Bilderkennung eignen – mit den Molchfotos und ihren bekannten Identitäten. Ohne Vorgabe, welche spezifischen Merkmale wichtig seien, lernten diese Netze, subtile Unterschiede in Anordnung und Form der gelben Flecken zu unterscheiden. Alle drei Modelle lieferten beeindruckende Ergebnisse und identifizierten fast jeden Molch korrekt, wobei das beste Netzwerk eine Genauigkeit von über 99 % erreichte. Das System funktionierte besonders gut, wenn es Kopf und Rumpf gemeinsam analysierte, was darauf hindeutet, dass die Kombination mehrerer Körperregionen der KI zuverlässigere Hinweise darauf gibt, wer wer ist.

Eine verborgene Population zählen

Individuelle Erkennung ist deshalb so mächtig, weil sie ein klassisches ökologisches Instrument ermöglicht: Mark–Recapture, bei dem bei einem ersten Besuch gefundene Tiere „markiert“ und später erneut gesucht werden. Anstelle physischer Markierungen nutzte diese Studie Bildübereinstimmungen des Deep-Learning-Systems als virtuelle Tags. In zwei Erhebungen im Abstand von 13 Tagen fotografierte das Team beim ersten Mal 332 Molche und beim zweiten Mal 217 und entdeckte 65 Individuen, die in beiden Datensätzen vorkamen. Die Eingabe dieser Zahlen in eine Standardformel ergab eine geschätzte lokale Population von rund 1.100 gelbgefleckten Bergmolchen in dem Bach. Zwar unterliegt diese Schätzung einer gewissen Unsicherheit – echte Tiere können in das Untersuchungsgebiet ein- und auswandern – sie bietet jedoch eine nichtinvasive Momentaufnahme der Bestandsgröße und eine Grundlage für künftige Beobachtungen.

Was das für den Artenschutz bedeutet

Für Nichtfachleute ist die Kernbotschaft einfach: Durch den Einsatz von Fotos und KI statt Skalpellen und Markierungen können Wissenschaftler gefährdete Tiere mit deutlich geringerem Risiko für Schäden beobachten. In diesem Fall werden die einzigartigen gelben Flecken eines Bergmolchs zum natürlichen Barcode, den ein Computer mit bemerkenswerter Zuverlässigkeit lesen kann. Dieser schnelle, kostengünstige Ansatz ließe sich mit Smartphones und Laptops an entlegenen Feldstandorten einsetzen und würde Naturschützern helfen, bedrohte Amphibien zu überwachen, während das Klima wärmer wird und Lebensräume sich verändern. Über diese Art hinaus bietet die Studie ein Konzept dafür, moderne Bilderkennung zum Schutz vieler scheuer, empfindlicher Arten zu nutzen, deren Überleben davon abhängen kann, von den Menschen, die sie schützen, gesehen – aber niemals berührt – zu werden.

Zitation: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

Schlüsselwörter: Amphibienschutz, Fotoidentifikation, Tiefes Lernen, Populationsüberwachung, gefährdete Arten