UNSW-Forschende haben ein neuartiges Deep-Learning-Verfahren entwickelt, das es ermöglicht, Blaowal-Gesänge in akustischen Aufzeichnungen über Jahrzehnte und gesamte Ozeanbecken hinweg präzise zu identifizieren. Die Studie, veröffentlicht in der Fachzeitschrift Scientific Reports, demonstriert, dass ein neuronales Netz bereits aus einem einzigen Trainingsbeispiel lernen kann, um seltene Tierarten zu detektieren. Bislang war die automatische Analyse solcher Daten aufgrund des enormen Bedarfs an gelabelten Trainingsaufnahmen für spezifische Arten kaum möglich. Der leitende Autor der Studie, der UNSW-Doktorand Ben Jancovich, erklärte, dass traditionelle Modelle Tausende von Aufnahmen benötigen, was bei gefährdeten und schwer zu erfassenden Tieren wie dem Blauwal oft nicht verfügbar ist. Das neue System umgeht dieses Problem durch eine innovative Datenaugmentierungstechnik. Aus einer einzigen Originalaufnahme eines Blauwalges generierten die Forschenden eine Trainingsdatenbank mit Tausenden semi-synthetischer Varianten. Dabei wurden Originaltonaufnahmen verändert, indem Tonhöhen verschoben, Zeitstrecken angewendet und verschiedene Hintergrundgeräusche eingefügt wurden. Diese Modifikationen simulieren natürliche Variationen im Vocalverhalten sowie die physikalischen Veränderungen von Schall beim Durchlaufen des Ozeanwassers. Das so trainierte Modell erreichte in Tests eine Genauigkeit von 99,4 % bei der Erkennung von Gesängen einer Zwergblauwalpopulation und zeigt eine Leistungsfähigkeit, die mit Modellen vergleichbar ist, die mit weit größeren Datensätzen trainiert wurden. Der Erfolg beruht darauf, dass Blauwale highly stereotypisierte Rufe produzieren, wobei Individuen derselben Population fast identische Klänge erzeugen. Diese Konsistenz ermöglicht es, realistische Variationen von einem einzigen Referenzsignal abzuleiten. Die Methode ist jedoch nicht universell einsetzbar; sie eignet sich nur für Arten mit wiederholbaren, vorhersagbaren Lautäußerungen, nicht jedoch für Tiere wie Delfine, die einzigartige, individuelle Pfiffe verwenden. Ein weiterer Vorteil des Ansatzes ist die hohe Recheneffizienz. Im Gegensatz zu herkömmlichen Deep-Learning-Modellen, die oft Wochen der Trainingszeit und erhebliche Rechenleistung benötigen, lässt sich dieses System auf einem Standard-Laptop innerhalb weniger Stunden trainieren. Dies senkt die Kosten und den Energieverbrauch drastisch und macht die Technologie für Forscher weltweit zugänglicher. Die Anwendung dieser Technologie verspricht, bisher ungenutzte akustische Archive zu erschließen. Überall auf der Welt wurden jahrzehntelange Daten durch passive akustische Überwachung mit Hydrophonen gesammelt, die jedoch ohne effiziente Detektoren weitgehend brachlagen. Mit dem neuen Tool planen die Wissenschaftler nun, ein 25-jähriges Datenset aus dem zentralen Indischen Ozean zu analysieren, um langfristige Veränderungen im Gesangsverhalten zu verfolgen. Zudem eröffnet sich ein neues Fenster zum Verständnis von Tierverhalten und Kultur, da Walgesänge nicht nur Signale sind, sondern auch von Generation zu Generation weitergegeben werden. Das Verfahren könnte künftig auch zur Überwachung anderer Arten beitragen, die ähnliche konsistente Lautäußerungen produzieren, von Vögeln bis hin zu Insekten, und so das Verständnis seltener und schwer zu beobachtender Lebewesen deutlich erweitern.