Für das FFH-Monitoring des Eurasischen Luchses (Lynx lynx) ist es von entscheidender Be-deutung die Parameter zu kennen, anhand derer sein Erhaltungszustand beurteilt werden kann. Einer dieser Parameter bildet dabei die Populationsgröße. Um diese möglichst genau ermitteln zu können, wird oftmals ein systematisches Fotofallenmonitoring durchgeführt, um Nachweise über das Vorkommen und die Verteilung der Tiere zu erhalten. Anhand seines individuellen Fellmusters kann der Luchs identifiziert werden und ist dadurch für Fang-Wie-derfang-Methoden prädestiniert. Nach der Erfassung erfolgt die Datenauswertung der Foto-fallenbilder derzeit häufig noch manuell, was sehr zeit- und kostenintensiv ist. Im Rahmen dieser Masterarbeit wurde evaluiert, inwieweit eine KI-gestützte Detektion, Art- und Individu-enerkennung diesen Prozess vereinfachen kann. Dafür wurde ein Datensatz mit 255 Luchs-Fotofallenbildern erstellt, die im Rahmen des Monitorings des Nationalparks Bayerischer Wald von 2008 – 2022 entstanden. Als Detektionsmodell kam dabei Microsofts Megadetector v.5a zum Einsatz, welches 100 % der Luchse auf den Fotofallenbildern nachweisen und der Klasse ‚Tier‘ zuweisen konnte. In einem zweiten Schritt wurde für die Arterkennung das Klas-sifikationsmodell Deepfaune v.1.1 verwendet, welches alle 255 Tiere korrekt als Luchs er-kannte. Die anschließende Individuenerkennung erfolgte mit IBEIS (Hotspotter). Dafür wurde der Datensatz auf 66 Bilder für den Referenzdatensatz und auf 189 Bilder für den Abfrageda-tensatz aufgeteilt. Unter Einbeziehung von zehn Rängen (TOP 10) in IBEIS, konnten 91 % aller Individuen erfolgreich wiedererkannt werden.
Für die statistische Auswertung der Individuenerkennung wurde ein Generalisiertes gemisch-tes lineares Modell (GLMM) erstellt. Dabei wurde untersucht, ob die Parameter „Bildqualität“, „Pixelanzahl des Abfragebildes“, „Felltyp des Luchses“ und „Blitztyp der Kamera“ einen Ein-fluss auf die von IBEIS im Bild gefundene Anzahl an Matching-Features haben. Den größten Einfluss hat dabei der Interaktionsterm aus Felltyp und Blitztyp (X² = 825,49, p< 0,0001). Einen geringeren Einfluss haben die Bildqualität (X² = 230,10, p< 0,0001) und die Anzahl der Pixel (X² = 146,13, p < 0,0001). In einem zweiten Schritt der statistischen Analyse wurde ein neues Maß ermittelt, anhand dessen die Vertrauenswürdigkeit eines von IBEIS vorgeschlagenen Matches 1.Ranges überprüft werden kann. Dieses Maß ist der Quotient aus dem von IBEIS erstellten Matchscore 1.Ranges und 2.Ranges. Ist dieses Verhältnis im Mittel größer als 2,51 (X² = 37,57, p < 0,0001), kann davon ausgegangen werden, dass das von IBEIS vorgeschla-gene Bild 1.Ranges, ein korrektes Match ergibt. Ermittelt wurde dies mithilfe einer binär lo-gistischen Regression. Die Ergebnisse dieser Arbeit können dazu beitragen, das Fotofallen-monitoring im Freiland anzupassen und den Einsatz von Künstlicher Intelligenz verstärkt in die Auswertung von Fotodaten zu integrieren.