Jeder Fangeintrag ist ein Punkt auf der Karte — genau, aber spärlich: niemand kartiert jede überhängende Weide. Und genau in diesen Metern denkt ein Angler: diese eine Weide, die T-Verzweigung im Kanal, der Schilfgürtel, der umgestürzte Baum. Lässt sich diese feine Struktur aus Luftbildern lernen — überall, nicht nur dort, wo zufällig jemand beprobt hat — und damit verknüpfen, welcher Fisch dort steht?
Zuerst die Sackgasse
Der naheliegende Ansatz: von Hand ein paar hundert Beispiele labeln — umgestürzter Baum, Seerose, Schilfkante, Brücke, T-Verzweigung — und darauf ein Klassifikationsmodell trainieren. Wir bauten das Label-Werkzeug und begannen. Dann fiel der Groschen: Indem man die Klassen selbst wählt, setzt man dem Modell eine Decke auf. Es kann nie etwas finden, was wir nicht schon gedacht hatten. Und es gibt wohl Hunderte visueller Muster, die niederländische Gewässer unterscheiden — Wasserfarbe, Ufermaterial, städtisch versus ländlich, Algenton — die wir von Hand nie benennen würden.
Das Modell selbst entdecken lassen
Also drehten wir es um. Wir schneiden Luftbilder in kleine Kacheln und schicken sie durch DINOv2 — ein offenes Bildmodell von Meta, das ohne Labels lernt, was Bilder voneinander unterscheidet. Keine vorgegebenen Klassen; das Modell baut selbst eine Landkarte visueller Muster. Dann clustern wir diese Muster, und jetzt kommt der Kniff, den wir den Fang-Schiedsrichter nennen: Die Fangdaten selbst entscheiden, welche Cluster zählen. Für jedes Cluster prüfen wir, welche Fischarten in diesen Rasterzellen häufiger vorkommen als im Durchschnitt.
Was wir von Hand labeln — und warum wir dranbleiben
Selbstüberwachtes Lernen findet die Muster; um sie zu benennen und pro Art zu prüfen, labeln wir dennoch von Hand — aber nun gezielt. Brücken, umgestürzte Bäume, T-Verzweigungen, Seerosenfelder, kleine Inseln. Für jede fragen wir: Welche Art zieht diese Struktur an, und welche stößt sie ab?
Manche Signale sind stark und konsistent. Seerosenfelder sind positiv für Schleie, aber negativ für Zander — und das ist ökologisch genau richtig. Andere sind weitaus unbeständiger. Und diese Unbeständigkeit ist der Grund, warum dieses Kapitel nicht abgeschlossen ist.
Das Brücken-Paradox — und warum wir es nicht veröffentlichen
Nehmen wir Brücken. Unsere handgelabelte Analyse sagte: An Brücken steht unterdurchschnittlich viel Fisch — negativ für Karpfen, Brassen, Hecht, Barsch und Zander. Eine scheinbar saubere Schlussfolgerung: 'Fische meiden Brücken.' Doch zugleich markierte unser Bildmodell Brücken immer wieder als vielversprechend. Zwei Analysen auf denselben Daten, entgegengesetzte Antworten.
Deshalb bringen wir 'Fische meiden Brücken' nicht als Schlagzeile heraus. Zuerst korrigieren wir für Zugänglichkeit; erst was danach übrig bleibt, ist das echte Fischsignal. Genau diese Arbeit sieht man im fertigen Produkt nie — und genau deshalb kann man den Schlussfolgerungen vertrauen, die wir veröffentlichen.
Was noch darunter liegt
Unterwegs lernten wir noch ein paar Dinge. Die Wahl des Bildmodells zählt: Ein auf Luftbildern trainierter Backbone schlägt DINOv2 bei den feinsten Merkmalen — Domänenwissen gewinnt. Und die Form erweist sich als überraschend aussagekräftig: Clustert man jedes niederländische Gewässer allein nach seiner Geometrie, zeigt sich ein 'Fingerabdruck'. Die Bachschmerle etwa lebt ausgeprägt in kleinen runden Tümpeln und ausgeprägt nicht in langen Kanälen — derselbe kleine Fisch, entgegengesetztes Signal, allein durch die Form des Gewässers.
Warum das noch nicht live ist
Das ist bewusst noch kein Knopf in der App. Wir wollen die echten Signale von den Bias-Signalen trennen, und genau diesen Schritt überspringen die meisten. Unsere Regel ist dieselbe wie bei den Modellen — die Widerlegungsprobe: Es geht erst live, wenn wir unsere eigene Schlussfolgerung nicht mehr widerlegen können. Bei überhängenden Bäumen und Karpfen sind wir fast so weit. Bei Brücken noch lange nicht.
Status: laufend. Wir veröffentlichen pro Erkenntnis, nicht pro Versprechen.
Aktualisiert: 9. Juli 2026