21.03.2008
Pflanzen 'erkennen' mit Ultraschallechos
Fledermäuse orientieren sich in ihrer Umwelt durch Aussenden von Ultraschallsignalen. Deutsche Wissenschaftler haben tausende Echos zusammengestellt und mit Hilfe sogenannter Lernmaschinen statistisch analysiert.
Pflanzen "erkennen" mit Ultraschallechos
Die Fähigkeit, Pflanzen anhand von Echosignalen klassifizieren zu können, ist ein elementarer Bestandteil des Fledermausverhaltens und spielt eine wichtige Rolle sowohl bei der räumlichen Orientierung als auch bei der Nahrungssuche. Allerdings handelt es sich bei den Echosignalen von Pflanzen um hochkomplexe stochastische Signale, denn es überlagern sich die Echos von Zweigen und Blättern aus allen möglichen Richtungen.
Wissenschaftler der Universität Tübingen und des Max-Planck-Instituts für biologische Kybernetik haben nun eine Datenbank aus Tausenden von Vegetationsechos zusammengestellt und mit Hilfe sogenannter Lernmaschinen statistisch analysiert. Es gelang ihnen, Zeit- und Frequenzinformationen aus den Spektrogrammen herauszufiltern, die biologisch plausibel sind, d.h., die auch im Fledermausgehirn extrahiert und zur verlässlichen Bestimmung von Pflanzen eingesetzt werden könnten. (PLoS Computational Biology, 20. März 2008)
Fledermäuse orientieren sich in ihrer Umwelt durch Aussenden von Ultraschallsignalen. Die zurückgeworfenen Echos dieser Signale enthalten Informationen über die Entfernung und Art der Objekte im Umkreis der Fledermaus. In jüngster Zeit mehren sich die Hinweise darauf, dass Fledermäuse aus diesen Echos auch auf die Art der sie umgebenden Vegetation schließen können. Diese Fähigkeit scheint bei der Navigation und beim Aufsuchen von geeigneten Futterplätzen eine wichtige Rolle zu spielen. Bestimmte Fledermausarten können beispielsweise Laub- von Nadelbäumen anhand ihrer Echos unterscheiden, während andere auf diese Weise geeignete Blumen als Nektarquellen finden.
Abb. 1: Möglicherweise können Fledermäuse aus Ultraschallechos auch Rückschlüsse ziehen auf die Art der sie umgebenden Vegetation. Bild: Yossi Yovel/Universität Tübingen
Doch während es vergleichsweise einfach ist, die Entfernung eines Hindernisses anhand der Laufzeit eines Ultraschallimpulses zu messen, ist die Unterscheidung verschiedener Vegetationstypen eine ungleich komplexere Aufgabe. Denn hier überlagern sich eine Vielzahl von Echos von Blättern und Zweigen aus allen Richtungen. "Mit welchen Mechanismen Fledermäuse daraus die Art der Vegetation bestimmen könnten, darüber gab es bisher in der Wissenschaft nur sehr vage Vorstellungen", sagt Yossi Yovel. Deshalb haben er und seine Kollegen Peter Stilz und Hans-Ulrich Schnitzler von der Universität Tübingen sowie Matthias Franz, der seine Arbeiten am Max-Planck-Institut für biologische Kybernetik begonnen und dann an der HTWG Konstanz fortgesetzt hat, diese Frage mit ganz neuen Techniken aus dem Bereich des maschinellen Lernens untersucht.
"Diese sogenannten Lernmaschinen erlauben es, geeignete Unterscheidungsmerkmale automatisch aus den statistischen Eigenschaften der Vegetationsechos zu bestimmen", erklärt Matthias Franz. Allerdings müssen ausreichend Daten zur Verfügung stehen. Und daher war es zunächst einmal notwendig, eine große Datenbank aus Tausenden von Vegetationsechos aufzunehmen. Die Echos wurden mit Hilfe eines Sonars erzeugt, das wesentliche Elemente des Ultraschallapparats der Fledermäuse imitiert.
Die anschließende Analyse der Datenbank mit Hilfe der besagten Lernmaschinen erbrachte zwei überraschende Ergebnisse: Zum einen konnten die Echos trotz ihrer Komplexität mit sehr hoher Genauigkeit ihrer jeweiligen Pflanzenart zugeordnet werden, zum anderen waren die gefundenen Unterscheidungsmerkmale erstaunlich einfach. "Im Wesentlichen reichten einige wenige Kombinationen von Frequenzen und Zeitpunkten aus, um die Herkunftspflanze des Echos verlässlich zu bestimmen", so Yovel. Solche Merkmalskombinationen stellen auch für den "Hörapparat" der Fledermaus kein Problem dar. Die Forscher schließen daraus, dass die Klassifikation von Pflanzen aus ihren Ultraschallechos für Fledermäuse doch um einiges einfacher ist, als man bisher angenommen hat.
Quelle: [MPG /MF/CB]
Weitere Infos:
Die Fähigkeit, Pflanzen anhand von Echosignalen klassifizieren zu können, ist ein elementarer Bestandteil des Fledermausverhaltens und spielt eine wichtige Rolle sowohl bei der räumlichen Orientierung als auch bei der Nahrungssuche. Allerdings handelt es sich bei den Echosignalen von Pflanzen um hochkomplexe stochastische Signale, denn es überlagern sich die Echos von Zweigen und Blättern aus allen möglichen Richtungen.
Wissenschaftler der Universität Tübingen und des Max-Planck-Instituts für biologische Kybernetik haben nun eine Datenbank aus Tausenden von Vegetationsechos zusammengestellt und mit Hilfe sogenannter Lernmaschinen statistisch analysiert. Es gelang ihnen, Zeit- und Frequenzinformationen aus den Spektrogrammen herauszufiltern, die biologisch plausibel sind, d.h., die auch im Fledermausgehirn extrahiert und zur verlässlichen Bestimmung von Pflanzen eingesetzt werden könnten. (PLoS Computational Biology, 20. März 2008)
Fledermäuse orientieren sich in ihrer Umwelt durch Aussenden von Ultraschallsignalen. Die zurückgeworfenen Echos dieser Signale enthalten Informationen über die Entfernung und Art der Objekte im Umkreis der Fledermaus. In jüngster Zeit mehren sich die Hinweise darauf, dass Fledermäuse aus diesen Echos auch auf die Art der sie umgebenden Vegetation schließen können. Diese Fähigkeit scheint bei der Navigation und beim Aufsuchen von geeigneten Futterplätzen eine wichtige Rolle zu spielen. Bestimmte Fledermausarten können beispielsweise Laub- von Nadelbäumen anhand ihrer Echos unterscheiden, während andere auf diese Weise geeignete Blumen als Nektarquellen finden.
Abb. 1: Möglicherweise können Fledermäuse aus Ultraschallechos auch Rückschlüsse ziehen auf die Art der sie umgebenden Vegetation. Bild: Yossi Yovel/Universität Tübingen
Doch während es vergleichsweise einfach ist, die Entfernung eines Hindernisses anhand der Laufzeit eines Ultraschallimpulses zu messen, ist die Unterscheidung verschiedener Vegetationstypen eine ungleich komplexere Aufgabe. Denn hier überlagern sich eine Vielzahl von Echos von Blättern und Zweigen aus allen Richtungen. "Mit welchen Mechanismen Fledermäuse daraus die Art der Vegetation bestimmen könnten, darüber gab es bisher in der Wissenschaft nur sehr vage Vorstellungen", sagt Yossi Yovel. Deshalb haben er und seine Kollegen Peter Stilz und Hans-Ulrich Schnitzler von der Universität Tübingen sowie Matthias Franz, der seine Arbeiten am Max-Planck-Institut für biologische Kybernetik begonnen und dann an der HTWG Konstanz fortgesetzt hat, diese Frage mit ganz neuen Techniken aus dem Bereich des maschinellen Lernens untersucht.
"Diese sogenannten Lernmaschinen erlauben es, geeignete Unterscheidungsmerkmale automatisch aus den statistischen Eigenschaften der Vegetationsechos zu bestimmen", erklärt Matthias Franz. Allerdings müssen ausreichend Daten zur Verfügung stehen. Und daher war es zunächst einmal notwendig, eine große Datenbank aus Tausenden von Vegetationsechos aufzunehmen. Die Echos wurden mit Hilfe eines Sonars erzeugt, das wesentliche Elemente des Ultraschallapparats der Fledermäuse imitiert.
Die anschließende Analyse der Datenbank mit Hilfe der besagten Lernmaschinen erbrachte zwei überraschende Ergebnisse: Zum einen konnten die Echos trotz ihrer Komplexität mit sehr hoher Genauigkeit ihrer jeweiligen Pflanzenart zugeordnet werden, zum anderen waren die gefundenen Unterscheidungsmerkmale erstaunlich einfach. "Im Wesentlichen reichten einige wenige Kombinationen von Frequenzen und Zeitpunkten aus, um die Herkunftspflanze des Echos verlässlich zu bestimmen", so Yovel. Solche Merkmalskombinationen stellen auch für den "Hörapparat" der Fledermaus kein Problem dar. Die Forscher schließen daraus, dass die Klassifikation von Pflanzen aus ihren Ultraschallechos für Fledermäuse doch um einiges einfacher ist, als man bisher angenommen hat.
Quelle: [MPG /MF/CB]
Weitere Infos:
- Originalveröffentlichung: Yovel Y, Franz MO, Stilz P, Schnitzler H-U (2008) Plant Classification from Bat-Like Echolocation Signals. PLoS Comput Biol 4(3): e1000032. doi:10.1371/journal.pcbi.1000032
