Sie sind faszinierende Naturwunder und besitzen eine weitreichende Bedeutung für die komplexen Beziehungssysteme in der marinen Lebenswelt. Doch die Korallenriffe der Welt sind extrem bedroht: Der Klimawandel und weitere menschengemachte Belastungen machen ihnen schwer zu schaffen. Wo sich einst die üppige Pracht der Unterwassergärten entfaltete, breiten sich deshalb vielerorts Wüsten aus. Naturschützer und Wissenschaftler versuchen sich diesem Trend durch Schutzmaßnahmen und Sanierungsprojekte entgegenzustemmen. Dabei kommt der Diagnose des Gesundheitszustands der Riffe eine große Bedeutung zu.
Neben der Analyse von sichtbaren Anzeichen sind auch Rückschlüsse anhand von akustischen Hinweisen möglich, berichten die Forscher um Ben Williams von der University of Exeter. Denn gesunde Korallenriffe sind von einer komplexen Soundkulisse gekennzeichnet: Das Konzert entsteht dabei aus Signallauten von Fischen, dem Knistern von Krabben und weiteren Klangelementen der Bewohner der Unterwasserwelt. Es wurde auch bereits gezeigt, dass der Klang eines gesunden Riffs anziehend auf die Meeresbewohner wirkt. In geschädigten Riffen wird es hingegen immer leiser, bis schließlich gespenstische Stille einkehrt.
Schwierige Diagnosen im Riff
“Eine große Schwierigkeit bei der Diagnose der Riff-Gesundheit besteht bisher darin, dass visuelle und akustische Untersuchungen in der Regel auf arbeitsintensiven Methoden beruhen“, sagt Williams. “Visuelle Erhebungen sind außerdem dadurch eingeschränkt, dass sich viele Riffbewohner verstecken oder nur nachts aktiv sind. Was die akustischen Hinweise betrifft, macht die Komplexität der Riffgeräusche es hingegen schwierig, den Zustand des Riffs anhand einzelner Aufnahmen zu bestimmen“. Deshalb haben die Forscher nun ausgelotet, inwieweit künstliche Intelligenz die Riff-Diagnose anhand von Tonaufnahmen automatisieren kann.
Zum Einsatz kam das sogenannte maschinelle Lernen. Es handelt sich dabei um ein Verfahren, das auf Computersystemen beruht, die in Beispielen Muster erfassen können, die an bestimmte Faktoren geknüpft sind. Algorithmen bauen im Rahmen der Lernphase dann ein statistisches Modell auf, das auf diesen Trainingsdaten beruht. Anschließend kann das System auf neue Informationen angewendet werden. Der Algorithmus von Williams und seinen Kollegen wurde nun mit Soundaufnahmen trainiert, die von gesunden beziehungsweise geschädigten Riff-Standorten in Indonesien stammten, deren jeweiliger Zustand aus früheren Untersuchungen genau bekannt war.
