2.4.1 Begründung
Es gibt zahlreiche wissenschaftliche Veröffentlichungen, die sich mit den Lebensraumansprüchen von Waldvögeln und den Auswirkungen der Forstwirtschaft auf die Zusammensetzung der Lebensgemeinschaften und die Populationen der Arten befassen. Nur sehr wenige Vogelarten in Europa sind auf eine bestimmte Baumart angewiesen. Zu den bemerkenswerten Ausnahmen gehört die Vorliebe des Birkhuhns (Tetrao tetrix) für Birkenknospen, eine bestimmte Art des Tannenhähers (Nucifraga c. caryocatactes) ist auf Haselnüsse angewiesen und der Bergfink (Fringilla montifringilla) ist im Winter stark auf Buchensamen angewiesen. Dennoch zeigen Vogelarten oft eine Vorliebe für bestimmte Baumkategorien (z. B. Nadelbäume gegenüber Laubbäumen) oder bestimmte Baumartenzusammensetzungen in entsprechenden räumlichen Maßstäben. Die Schwanzmeise (Aegithalos caudatus) kommt häufiger in Landschaften mit über 15 % Laubwaldbedeckung vor, während Tannenmeise (Parus ater) und Wintergoldhähnchen (Regulus regulus) in Wäldern mit mindestens 10 % Fichtenanteil häufig sind. Obwohl kaum Zweifel daran bestehen, dass eine größere Vogelvielfalt mit einer größeren Baumvielfalt einhergeht (Ampoorter et al. 2019) und daher bei vielen Wiederherstellungsprojekten mit Veränderungen in der Zusammensetzung der Vogelpopulationen zu rechnen ist, werden nicht alle Arten davon profitieren, und es gibt viele Waldmerkmale im Einflussbereich der Bewirtschaftung, die Einfluss auf die Arten haben, die neue Lebensräume besiedeln (Penone et al. 2018).
Fledermäuse werden von der Öffentlichkeit oft vergessen, spielen aber wohl eine ebenso wichtige Rolle bei der Erhaltung der Widerstandsfähigkeit von Waldökosystemen, einschließlich der Kontrolle von Insektenschädlingen in Wäldern und darüber hinaus. Wie Vögel suchen Fledermäuse in großen räumlichen Maßstäben nach Nahrung, und ihr Vorkommen hängt ebenso stark von der Verfügbarkeit von Lebensraum und der Konnektivität auf Landschaftsebene ab wie von einzelnen Beständen. Der Reichtum europäischer Fledermausarten nimmt mit der Bedeckung durch Laubwälder in gemäßigten und borealen Regionen (z. B. Meramo et al. 2025) und mit der Fülle von Nadelbäumen in mediterranen Landschaften zu, wobei diese Veränderungen der Vegetationsstruktur wiederum die zugrunde liegenden Veränderungen der Insektendichte widerspiegeln (Barbaro et al. 2019). Oft ist der Schutz seltener Vögel und Fledermäuse ein eigenständiges Naturschutzziel, aber generell sind sie wertvolle Ergänzungen eines Überwachungsplans, da sie unterschiedliche Lebensraumpräferenzen und -anforderungen haben, insbesondere in Bezug auf Nist- und Schlafplätze, was ergänzende Informationen über den Erfolg der Wiederaufforstung liefert.
2.4.2 Erhebungsmethoden
Obwohl Audio bereits seit Jahrzehnten häufig zur Erforschung von Vögeln und Fledermäusen eingesetzt wird, hat sich in den letzten Jahrzehnten dank günstigerer digitaler Geräte das passive akustische Monitoring (PAM) als anerkannte Technik zur Überwachung vieler Standorte über längere Zeiträume etabliert (Gibb et al. 2018; Sugai et al. 2018). PAM eignet sich für die automatisierte Datenerfassung und -verarbeitung, sodass große Datenmengen problemlos analysiert werden können und die Faktoren, die die Erkennung beeinflussen, leichter zu quantifizieren sind als für menschliche Beobachter (was von Fachwissen abhängt) und daher besonders nützlich ist, wenn sich wiederholte Untersuchungen über viele Jahre erstrecken können. Während eine kontinuierliche Überwachung für die meisten Restaurierungsprojekte wahrscheinlich nicht gerechtfertigt ist, eröffnet die Aussicht auf vernetzte Sensoren und integrierte Analyse-Pipelines die Möglichkeit einer Echtzeit-PAM-Überwachung und eines adaptiven Managements in der Zukunft, die weiterhin als Beitrag zur öffentlichen Beteiligung dienen können (Roe et al. 2021; Sethi et al. 2018).
PAM ermöglicht eine systematische, langfristig vergleichbare Datenerhebung, sofern detaillierte Protokolle der Aufzeichnungspläne beigefügt sind (Gibb et al. 2018). PAM-Rekorder sind typischerweise durch ihre Leistung und Speicherkapazität begrenzt. Der Stichprobenaufwand bei der akustischen Überwachung kann daher die Verteilung der akustischen Sensoren und die Aufzeichnungspläne optimieren, um die Überwachungszeiträume zu maximieren und den Wartungsaufwand zu verringern (Sugai et al. 2019). Wie in Abschnitt 1.4 beschrieben, können Pilotstudien, sofern noch kein Referenzmodell zur Steuerung der Überwachungsgestaltung existiert, schnell die Anzahl der Rekorder und die Dauer der für das Ökosystem am besten geeigneten Untersuchungen bestimmen (Metcalf et al. 2023; Sugai et al. 2019).
2.4.3 Datenerhebung bis zur Datenberichterstattung
Die akustische Überwachung erzeugt große Datenmengen (z. B. GB pro Tag und Rekorder), die eine automatisierte Verarbeitung und Analyse erfordern. Ein Ansatz zur Minimierung des Rechenaufwands besteht darin, die Klanglandschaft als Ganzes zu betrachten (Bradfer-Lawrence et al. 2023). Die Konzentration auf umfassendere Klanglandschaftsmuster kann vorzuziehen sein, wenn sich die Wiederherstellungsziele auf die Integrität der Lebensraumqualität und die Funktionsfähigkeit des Ökosystems statt auf bestimmte Arten konzentrieren (Bullock et al. 2022). Obwohl weitgehend Einigkeit darüber besteht, dass Veränderungen der Klanglandschaft stets ein guter Indikator für Veränderungen in der Gemeinschaft sind, hat es sich als schwierig erwiesen, konsistente Veränderungen der Klanglandschaft zu identifizieren (z. B. Sethi et al. 2023), und sie werden sowohl von Landverwaltern als auch von Geldgebern als weniger greifbare Ziele angesehen (Cord et al. 2025).
Ein anderer, weniger aufwendiger Analyseansatz, der kein großes Fachwissen erfordert, besteht darin, Programme alle ähnlichen Laute gruppieren zu lassen und zu vergleichen, wie sich Vielfalt und Häufigkeit dieser Typen verändern. Eine manuelle Überprüfung ist in der Regel erforderlich, um auszuschließen, dass die Laute von anthropogenen Aktivitäten herrühren. Wichtig ist, dass einzigartige Lauttypen Rufe mehrerer Arten enthalten können oder mehrere unterschiedliche Laute alle von derselben Art stammen. Obwohl diese Methode leicht skalierbar ist, hat sie sich bisher nicht weit verbreitet, wahrscheinlich weil die Ergebnisse zwischen den Studien schwer vergleichbar sind und die Beteiligten in der Regel an der Identität bestimmter Arten interessiert sind.
Der detaillierteste Ansatz ist schließlich die Anwendung von Software zur automatischen Artenerkennung und -klassifizierung. Für sehr große Datensätze sind automatisierte Klassifikatoren die einzige praktikable Möglichkeit, Informationen auf Artenebene zu generieren, die mit traditionellen Kennzahlen wie Artenreichtum und Gemeinschaftszusammensetzung gleichgesetzt werden können. Klassifikatoren für maschinelles Lernen machen zwar immer noch Fehler, da viele Arten ähnlich klingen oder ihre Rufe je nach Verhalten modulieren können, aber immer fortschrittlichere Methoden des maschinellen Lernens verbessern den Stand der Technik ständig (Kahl et al. 2021; Google Research 2023; Huus et al. 2025). BirdNET ist beispielsweise darauf trainiert, über 6000 Vogelarten zu identifizieren (Kahl et al. 2021) und hat sich als effektiv erwiesen, deren Vorkommen in großen Datensätzen zu identifizieren (Funosas et al. 2024), insbesondere bei kryptischen Arten (Bota et al., 2023). Beachten Sie, dass die Software Geräusche erkennt, aber ohne die Entwicklung eines akustischen Systems, das speziell die Richtung eines Geräuschs erkennt, bietet die Frequenz der akustischen Erkennung keinen guten Indikator für Häufigkeit oder Dichte. Während große Modelle des maschinellen Lernens optimiert werden, um den erforderlichen Nachbearbeitungsüberprüfungsaufwand zu minimieren (Pérez-Granados, 2023), bleibt die Hauptfrage, wie der Einfluss von Fehlern minimiert werden kann, die die Beurteilung der Zusammensetzung und des Artenreichtums von Gemeinschaften erheblich verzerren können. Obwohl PAM zweifellos eine leistungsstarke Technik zur Erfassung von Vögeln und Fledermäusen ist, die zur Standardisierung der Überwachung über Raum und Zeit beiträgt und eine praktische und skalierbare Lösung bietet, die Kosten und ökologische Erkenntnisse in Einklang bringt, müssen Benutzer bei der Berichterstattung von Ergebnissen, die vollständig automatisiert sind, vorsichtig sein. Daher sind aktuelle PAM-Anwendungen typischerweise halbautomatisiert und beinhalten regelmäßige manuelle Gegenprüfungen, um mehrdeutige Klassifizierungen innerhalb der Analysen zu klären (Campos-Cerqueira & Aide, 2016; Doser et al., 2021). Auf diese Weise kann das Vorhandensein wichtiger Arten, beispielsweise solcher, die unter Naturschutz stehen, effizient überprüft werden (z. B. Wimmer et al. 2013).
