Bestandsermittlung aus der Luft

Der Fokus der zu entwickelnden Methodik liegt auf die Bestandsermittlung von Feldmäusen und Feldhamstern aus der Luft. Zu diesem Zweck kommen Unmanned Aerial Vehicles (UAV) wie Drohnen und modernste Auswertungsalgorithmen wie Deep Machine Learning zum Einsatz, deren Anwendbarkeit und Wirtschaftlichkeit im direkten Vergleich zu konventionellen Methoden gestellt werden sollen.

Konventionelle Methode

Die Erhebung von Feldhamster- und Feldmausbeständen erfolgt auf befallenen Schlägen konventionell anhand von Feldbegehungen. Diese unterscheiden sich in der Art ihrer Durchführung voneinander. Die Feldkartierung des Feldhamsterbestandes wird mit einer Menschenkette durchgeführt, die sich geschlossen über den Verdachtsschlag bewegt und überprüft, ob Feldhamster beziehungsweise bewohnte Baue auf dem Schlag vorkommen. Der Einsatz einer Menschenkette ist deswegen notwendig, um sicherzustellen, dass kein Bau der Kartierung entgehen kann.

Feldmausbestände hingegen werden anhand der Lochtretmethode ermittelt. Diese sieht vor, dass pro befallenen Schlag an bis zu vier weit voneinander entfernten Flächen von mindestens 250 m² (16 x 16 Meter) alle Mäuselöcher zugetreten werden. Nach 24 Stunden erfolgt die zweite Feldbegehung, bei der die wiedergeöffneten Löcher gezählt werden. Bei 5 bis 8 geöffneten Löchern (das entspricht 80 bis 120 Mäusen pro m²) gilt auf Anbaukulturen wie Wintergetreide und Raps der Bekämpfungsrichtwert als erreicht. Auf anderen Flächentypen wie Grünflächen gilt dies erst ab 11 geöffneten Löchern. Ist die von Feldmäusen befallene Fläche in dem Feldhamstervorkommensgebiet gelegen, so schließt sich die Feldkartierung des Feldhamsters an. Erst wenn sichergestellt wurde, dass keine Feldhamster vorkommen, kann gegen die Feldmaus mit Rodentiziden vorgegangen werden.

Projektspezifische Methodik

Eine genaue Überwachung der Population und des Vorkommens von Feldhamstern und Feldhamstern ist sowohl für Erhaltungs- als auch Bekämpfungsbemühungen von entscheidender Bedeutung. Herkömmliche Methoden sind arbeitsintensiv und zeitaufwändig, was ihre Anwendbarkeit auf großen Flächen einschränkt. Im Rahmen des CRIFORA-Projekts wird ein neuartiger Ansatz entwickelt, der auf Drohnenbilder und Algorithmen des maschinellen Lernens setzt, um die Erkennung und Unterscheidung von Feldhamster- und Feldmausbaue zu automatisieren. Die eingesetzten Drohnen verfügen sind mit hochauflösenden Echtfarbkameras und thermischen Mikrobolometern ausgestattet und können detaillierte Geländeaufnahmen erzielen. Künstliche Intelligenz und Deep-Learning-Algorithmen werden kombiniert mit weiteren Auswertungsverfahren für die Analyse der erfassten Daten eingesetzt und ermöglichen in Kombination die Identifizierung und Klassifizierung der Baue nach der jeweiligen Art. Darüber hinaus ist die Methode so konzipiert, dass die geografischen Koordinaten und die Größe eines jeden entdeckten Baues ermittelt werden kann.

Die Wirksamkeit unserer Methode wird durch eine Reihe von gleichzeitigen Feldbegehungen validiert. Diese Feldbegehungen sind strategisch über das ganze Jahr verteilt und werden in verschiedenen Gebieten mit unterschiedlichen Bedingungen und Anbaukulturen durchgeführt. Ziel dieser Feldbegehungen ist es, den optimalsten Zeitpunkt zu ermitteln, der die genausten Detektionsergebnisse ermöglicht.

Mensch gegen Künstliche Intelligenz! – unter diesem Slogan entstand im Rahmen der innovate! 2023 das nachfolgende Suchspiel. Das Ziel des Spiels ist es, so schnell wie möglich alle sieben Löcher ausfindig zu machen und anzuklicken.

Spielweise:

Vor Spielbeginn sollte die RESET-Taste bestätigt werden, um den internen Timer zurückzusetzen. Anschließend kann per Mausklick ein mutmaßliches Loch angeklickt werden. Handelt es sich bei diesem Objekt um ein Feldhamsterloch, so verschwindet dieses. Für die bessere Steuerung kann das Spielfeld bewegt und in dieses hineingezoomt (Mausrad) werden. Wurden alle sieben Löcher gefunden, endet das Spiel automatisch und der Ergebnisbildschirm wird angezeigt.

Cookie Consent mit Real Cookie Banner