LabelKAN: Neue Netzwerke verbessern Vogelpopulationen vorhersagen

Die weltweite Biodiversitäts‑Verlustrate beschleunigt sich, und internationale Initiativen wie das Kunming‑Montreal Global Biodiversity Framework (GBF) sowie die UN‑Ziele für nachhaltige Entwicklung fordern neue, robuste Methoden, um die Verbreitung von Arten zu verstehen und ihre Beziehungen innerhalb ökologischer Gemeinschaften zu erfassen.

In jüngster Zeit haben tiefgreifende Lernansätze im Bereich der gemeinsamen Artenverteilungsmodelle die Vorhersagegenauigkeit deutlich gesteigert. Dennoch bleibt die effektive Einbindung von Gemeinschafts‑Lernprozessen – also die Berücksichtigung von Art‑zu‑Art‑Beziehungen neben Art‑umwelt‑Verknüpfungen – eine offene Herausforderung.

Hier setzt das neue Framework LabelKAN an. Es nutzt Kolmogorov‑Arnold‑Netzwerke (KANs), um Inter‑Label‑Verbindungen aus den Vorhersagen einzelner Labels zu lernen. Bei der Modellierung von Vogelarten zeigt LabelKAN erhebliche Leistungssteigerungen bei der Mehrheit der untersuchten Arten.

Besonders beeindruckend sind die Verbesserungen bei seltenen und schwer vorherzusagenden Arten – genau die Arten, die für die Festlegung von Biodiversitätszielen im GBF entscheidend sind. Durch die stärkere Berücksichtigung von Art‑zu‑Art‑Beziehungen werden nicht nur die räumlichen Muster der Arten mit größerer Zuversicht vorhergesagt, sondern auch die Struktur der gesamten Gemeinschaften präziser abgebildet.

Ein konkretes Beispiel ist die Anwendung auf den Großen Blaue Kranich, eine emblematische Vogelart. Dort demonstriert LabelKAN sowohl qualitative als auch quantitative Fortschritte, die die Grundlage für fundiertere Naturschutzentscheidungen legen.