Mücken zählen mit KI

Wie smarte Fallen Mückenarten erkennen sollen und warum Laborwerte und Artfunde allein keinen verhinderten Ausbruch belegen.

Von Wolfgang

27. Okt. 20265 Min. Lesezeit

Die Falle liefert Daten – keine Diagnose

Eine Mücke landet auf einer Klebefläche, zwei Kameras fotografieren sie. Ein Programm versucht zu erkennen, um welche Art es sich handelt. Auf einer Karte könnten Fachleute sehen, wo mögliche Krankheitsüberträger vorkommen. Das ist die Idee einer intelligenten Mückenfalle aus Florida.

Die Hoffnung dahinter ist verständlich: Wer schneller weiß, wo bestimmte Arten häufiger auftreten, kann seine Überwachung gezielter planen. Doch der Nachweis einer Mückenart ist noch kein Nachweis eines Virus. Und ein gutes Laborergebnis sagt nicht automatisch, wie zuverlässig die Technik im Regen, bei schlechten Lichtverhältnissen oder mit beschädigten Insekten funktioniert.

Mehrere Entwicklungen zeigen, warum die automatische Erkennung für Gesundheitsbehörden interessant ist – und weshalb Fachwissen, Proben und praktische Maßnahmen weiter gebraucht werden.

Warum die Art überhaupt zählt

Verschiedene Mückenarten unterscheiden sich darin, welche Krankheitserreger sie übertragen können und wo sie leben. Für eine Behörde macht es deshalb einen Unterschied, welche Arten sie in einer Falle findet. Die US-Gesundheitsbehörde CDC beschreibt verschiedene Fallentypen, die je nach Bauart und Lockstoff unterschiedliche Mücken oder Entwicklungsstadien erfassen.

Eine Falle ist dabei nur ein Ausschnitt der Umgebung. Ihr Standort, der Zeitpunkt, der Lockstoff und das Wetter beeinflussen, welche Tiere hineingeraten. Aus wenigen Fängen lässt sich nicht unmittelbar auf die gesamte Mückenpopulation schließen. Für Vergleiche braucht es deshalb ein durchdachtes Messnetz und möglichst vergleichbare Bedingungen.

Was die Falle aus Florida macht

Die University of South Florida beschreibt eine Falle des Start-ups Digitomy: Licht oder ein Köder lockt Mücken an, ein Ventilator zieht sie hinein. Auf einer Klebefläche werden sie von zwei Kameras fotografiert. Ein KI-System vergleicht die Bilder mit gelernten Merkmalen und soll Art, Geschlecht und eine mögliche Blutmahlzeit erkennen.

Die Universität berichtet von mehr als 98 Prozent Genauigkeit bei der Artbestimmung im Labor. Diese Zahl ist eine Angabe der beteiligten Institution für ihre Testbedingungen. Sie ist weder ein Nachweis für dieselbe Trefferquote an jedem Standort noch ein Beleg dafür, dass die Falle Krankheitsausbrüche verhindert. Für weitere Feldvalidierung bereitete das Team laut Universität eine Zusammenarbeit in Hillsborough County vor.

Der mögliche Vorteil liegt im Zeitgewinn: Bilder können automatisch vorsortiert und Ergebnisse auf einer Karte zusammengeführt werden. Behörden könnten dadurch schneller entscheiden, wo sie genauer hinsehen. Damit aus einem Bild eine belastbare Lageeinschätzung wird, muss aber klar sein, welche Tiere erfasst wurden und welche der Algorithmus möglicherweise übersehen hat.

Schematischer Ablauf von Mückenfalle über Kamera und Auswertung zur Prüfung durch Fachleute — Vereinfachter Ablauf: Die Bildauswertung unterstützt die Überwachung; Fachleute prüfen die Ergebnisse. Die Abbildung zeigt kein konkretes Gerät. (Quelle: KI generiert)

Die Universität beschreibt außerdem eine Verbindung zu einem digitalen Dashboard. Dort sollen Informationen aus Fallen mit Meldungen aus einem Bürgerforschungsprogramm zusammengeführt werden. Solche Meldungen können Hinweise aus mehr Orten liefern, entstehen aber unter anderen Bedingungen als systematisch aufgestellte Fallen. Wer beide Quellen gemeinsam betrachtet, muss deshalb ihre Herkunft und Unterschiede sichtbar halten.

Das Problem mit unbekannten Bildern

Ein Bilderkennungsprogramm lernt aus Beispielen. Sind im Training bestimmte Arten und Aufnahmebedingungen vertreten, kann es diese Muster später wiedererkennen. In einer echten Falle kann jedoch auch eine unbekannte Mückenart oder ein anderes Insekt sitzen. Ein System sollte dann möglichst melden, dass es unsicher ist, statt zwanghaft eine vertraute Art zu vergeben.

Eine unabhängige Studie in Scientific Reports untersuchte 2026 genau dieses Problem. Die Forschenden stellten einen Datensatz mit 11.514 ursprünglichen Bildern von 33 vorgegebenen Mückenarten zusammen und prüften zusätzlich Datensätze mit unbekannten Arten und anderen Insekten. Ihr Verfahren soll Bilder und einzelne Funde erkennen, die nicht gut zu den bekannten Kategorien passen.

Das ist ein anderer Ansatz als die Falle aus Florida, kein Test derselben Hardware. Auch hier bleiben Fehler: Die Forschenden berichten unterschiedliche Ergebnisse je nach Testdatensatz. Die Auswertung zeigt, dass das Erkennen unbekannter Beispiele verbessert werden kann, nicht dass die Frage im Feld abschließend gelöst wäre.

Von der Karte zur Gesundheitsentscheidung

Angenommen, mehrere Fallen zeigen über Wochen mehr Exemplare einer Art, die grundsätzlich ein Virus übertragen kann. Fachleute können daraufhin zusätzliche Fallen aufstellen, Brutstätten untersuchen oder Proben analysieren. Ob tatsächlich ein Erreger zirkuliert und ob Menschen gefährdet sind, muss anhand weiterer Daten geprüft werden.

Die Falle ersetzt diese Schritte nicht. Eine Art kann vorkommen, ohne dass jedes einzelne Tier infiziert ist. Umgekehrt kann ein Standort mit wenigen Fängen ein Risiko übersehen, wenn Fallen ungünstig platziert sind oder die Technik ausfällt. Eine Karte wirkt präzise, zeigt aber nur das, was das Messnetz erfassen konnte.

Auch die Reaktion muss zur Situation passen. Fachleute wägen ab, ob Aufklärung, das Entfernen stehender Wasserstellen, weitere Untersuchungen oder andere lokal geeignete Maßnahmen sinnvoll sind. Die Daten beschleunigen eine Entscheidung nur dann, wenn genügend Personal und Mittel vorhanden sind, um daraus zu handeln.

Eine schnelle Auswertung kann auch helfen, begrenzte Arbeitszeit besser zu verteilen. Allerdings lässt sich aus einem einzelnen Fund nicht ableiten, ob eine Maßnahme die Zahl der Krankheitsfälle senken wird. Dazu müsste man Maßnahmen und Krankheitsentwicklung über einen geeigneten Zeitraum untersuchen und andere Einflüsse berücksichtigen.

Worauf es beim Einsatz ankommt

Für einen fairen Praxistest müsste die automatische Erkennung mit menschlich geprüften Fängen verglichen werden – über verschiedene Standorte, Jahreszeiten und Bedingungen hinweg. Dabei wären nicht nur korrekte Treffer wichtig, sondern auch übersehene Mücken, falsche Zuordnungen und der Umgang mit unbekannten Arten.

Hinzu kommen Kosten für Geräte, Betrieb und Wartung. Kameras müssen saubere Bilder liefern, Klebeflächen gewechselt und Daten übertragen werden. Ein System, das im Labor schnell arbeitet, hilft einer Gemeinde wenig, wenn es vor Ort häufig ausfällt oder Ergebnisse nicht zuverlässig geprüft werden können.

KI kann die Arbeit von Überwachungsteams erleichtern, indem sie viele Bilder schnell vorsortiert und Veränderungen sichtbar macht. Ihr Wert entscheidet sich aber nicht allein an einer Prozentzahl. Entscheidend ist, ob zuverlässige Informationen rechtzeitig bei Menschen ankommen, die sie einordnen und daraus eine passende Maßnahme ableiten können.