Das analytische Ziel des Projekts besteht darin, die Möglichkeiten zur Modellierung der Mobilität von Jägern zu verbessern. Eine der Modellierungstechniken, die untersucht werden sollen – die Least-Cost-Path (LCP) Analyse – stützt sich im Allgemeinen auf Messungen der menschlichen Gehgeschwindigkeit und des Energieverbrauchs auf verschiedenen Hängen und Geländetypen^[1]. Anders als die LCP erfordert die agentenbasierte Modellierung Kenntnisse über die bei der Jagd getroffenen Entscheidungen, die für die Modellierung genutzt werden können. Heutzutage kann die Schrittgeschwindigkeit recht einfach mit Hilfe von GPS-Geräten aufgezeichnet werden. Eine Verbesserung der Modellierungstechniken in Bezug auf die Schrittgeschwindigkeit oder den Energieaufwand erfordert die Berücksichtigung von Topographie und Gelände. In den letzten Jahren wurde die Messung des Energieverbrauchs durch Sportgeräte wie Smartwatches, die für Extremsportarten bestimmt sind, leichter zugänglich^[2][3]. Diese vereinen GPS-Aufzeichnung und Herzfrequenzsensor (Handgelenk- oder Herzgurtsensor) mit hoher Messgenauigkeit (GPS-Ortung und Herzfrequenzmessungen pro ein oder zwei Sekunden). Darüber hinaus enthalten solche Smartwatches ein barometrisches Gerät, das eine höhere Auflösung und Genauigkeit als über GPS gemessene Höhenwerte hat. Vier verschiedene Arten von Smartwatches wurden während der Feldarbeit zur Messung ortsbezogener Daten wie Gehgeschwindigkeit und Energieverbrauch verwendet:

2x Apex (Coros)
1x Forerunner 935 (Garmin)

Diese beiden Arten von Extremsportuhren wurden ausgewählt, da sie in der Lage sind, GPS, Herzfrequenz und barometrische Höhenmessung über einen Zeitraum von 25 Stunden ohne Aufladen zu messen. Zwei verschiedene Modelle wurden verwendet, um potenzielle Fehleranfälligkeiten zu verteilen. Aufgrund von Budgetrestriktionen konnte nicht jeder Teilnehmer mit projekteigenen Extremsport-Smart-Uhren ausgestattet werden. Daher wurden auch persönliche Uhren verwendet:

2x Vívoaktiv (Garmin)
1x Forerunner 645 (Garmin)

Bei den letztgenannten Smartwatches handelt es sich jedoch um gewöhnliche Sportuhren ohne barometrisches Gerät. Zudem hält die Akkulaufzeit von GPS nur sechs bis acht Stunden. Ein Aufladen während des "Trainings" war daher unerlässlich. Technisch gesehen kann die Herzfrequenz bei Smartwatches auf zwei Arten gemessen werden: direkt am Handgelenk mittels Photoplethysmographie oder extern über einen Brustgurt. Die Photoplethysmographie ist eine optische Technik, die volumetrische Veränderungen des Blutes in der peripheren Zirkulation^[4] mittels Infrarot niedriger Intensität erfasst. Es wurde berichtet, dass die Photoplethysmographie bei dunklerem Hautton und beim Gehen versagt^[5]. Äussere Brustgurte haben diese Einschränkungen nicht, da sie die Elektrokardiogramm-Technologie (EKG) verwenden^[6][7]. Da sowohl Photoplethysmographiefehler aufgrund des Hauttons als auch des Gehens zu erwarten waren, musste jeder Teilnehmer mit einem zusätzlichen EKG-Brustgurt ausgestattet werden (2x Garmin, 3x BerryKing). Die Verbindung zwischen EKG-Gürtel und Smartwatch wurde über ANT+, eine unidirektionale Funktechnologie mit geringer Leistung, hergestellt.

Im Gegensatz zur körperlichen Verfassung der Teilnehmer können mobilitätsbeeinflussende Aspekte wie Bodenbedeckung und Verfolgungsentscheidungen nicht direkt erfasst werden. Zu einem gewissen Grad können Gehgeschwindigkeit, Energieaufwand als auch die Wegfindung von der Landbedeckung, der Topographie, oder der Windrichtung abhängen. Landschaftsmerkmale wie Gewässer, Vegetation oder felsige oder sandige Gebiete können aus der Ferne, z.B. über Satellitenbilder, erfasst werden^[8]. Aber in hyperariden Regionen wie dem Doro !nawas-Gebirge gibt es kaum Vegetation oder Gewässer. Hier beschränkt sich die Dokumentation der Landbedeckung auf verschiedene Grade der Festigkeit, bzw. des Einsinkens (hart – mittel – weich), bedingt durch die Korngröße des Gesteins (Geröll – Felsen – Kies – Kies – Playa – Sand). Theoretisch gilt: Je weniger fest der Boden ist, desto mehr Energie oder Zeit wird benötigt, um es zu durchqueren^[9]. Dennoch sind unterschiedliche Grade der "Festigkeit" des Geländes über Sandflächen oder Playa (fluviatile Sedimente) oder die Rutschfestigkeit von Kieshängen auf Satellitendaten kaum auszumachenund müssen an Ort und Stelle erfasst werden. Um die Landbedeckung so umfassend wie möglich zu erfassen, wurde eine redundante Strategie angewandt. Eine passive fotografische Dokumentation von Landbedeckung und Landschaftsmerkmalen erfolgte in Zehn-Sekunden-Schritten - zusammen mit GPS-Position und Zeitstempel - mit einer GoPro Kamera. Zusätzlich wurden Notizen über den subjektiven Eindruck von Korngröße, Härte und Rutschfestigkeit des Bodens, sowie der Windrichtung und -geschwindigkeit manuell in CyberTracker inklusive der aktuellen räumlichen Position auf dem Smartphone erfasst.

Anders als die Least-Cost-Pfadanalyse schließt die agentenbasierte Modellierung der menschlichen Mobilität menschliches Verhalten ein und zielt darauf ab, verschiedene Strategien bei der Veränderung von Landschaften zu testen^[10]. Die Datensammlung muss daher detaillierte Informationen über die Entscheidungen enthalten, die die Tracker unterwegs getroffen haben. Leider sind ethnographische Beschreibungen von Entscheidungen während der Jagdausflüge bisher selten bzw. wenig detailreich^[11]. Einerseits waren anstehende Entscheidungen nur schwer vorhersehbar und mussten entweder über Textnotizen oder Tonaufnahmen durchgeführt werden. Die Open-Source-Software Cybertracker vereint all diese Anforderungen. Das Tool wurde für die Evaluation von indigenen Trackern entwickelt^[12] und setzt damit auf eine möglichst intuitive Bedienung. Heute wird es in großem Umfang für das Monitoring von indigenem Wissen und Biodiversität eingesetzt^[13]. Seine Stärke liegt in seiner Flexibilität, da es die schnelle Organisation von Formularen für die Benutzereingabe jeglicher Art von Daten (Text, Foto, Audio) erlaubt. Jeder Eintrag wird zusammen mit der GPS-Position in einer SQL-Datenbank gespeichert; Wanderwege werden in definierbaren Entfernungen aufgenommen. Darüber hinaus ist das Tool nicht an ein bestimmtes Betriebssystem oder eine bestimmte Hardware gebunden und kann auf verschiedenen Arten von Handheld-Geräten installiert werden. Die heute üblichen Smartphones kombinieren die Fähigkeit, Textnotizen zu schreiben, Audio aufzunehmen und Fotos zu machen. Es gibt eine Reihe von Outdoor-Telefonen, die sich durch eine lange Akkulaufzeit und ein robustes Gehäuse zu relativ niedrigen Preisen vom riesigen Markt der Smartphones abheben. Es wurden zwei verschiedene robuste Outdoor-Smartphones verwendet, die sich im Wesentlichen in der Akkulaufzeit und damit in Größe und Gewicht unterscheiden:

1x Oukitel WP1: 10.000 mAh Akku
1x Oukitel WP2: 5.000 mAh Akku

 Auf beiden Telefonen lief die open-source Software CyberTracker, die es ermöglichte, gleichzeitig die gemachten Entscheidungen, die beobachteten Tierarten und ihre Fußspuren, sowie über Änderungen der Bodenbedeckung zu notieren und zu kommentieren.

Am Ende jedes Tages mussten die Daten von jedem dieser Geräte heruntergeladen werden, um einen Datenverlust im Falle eines Software- oder Hardwareschadens oder -verlusts zu vermeiden. Da jedes Gerät eine eigene Software und ein eigenes Verfahren für den Export benötigt, wurde ein leistungsfähiger, aber leichter Laptop (Lenovo Thinkpad T480) verwendet, um die Dateien zu sammeln, zu speichern und auf zwei separate externe Festplatten (2x 2TB Western Digital Elements) zu verteilen.

Während der ersten Feldforschung (→ Feldforschung Trockenzeit 2019) stellte sich heraus, dass ein wichtiger Faktor bei der Konzeption der Jagddokumentation ncht berücksichtigt worden war: der Wind. Aufgrund des stark konturierten Geländes waren die Windverhätlnisse sehr unbeständig und abhängig von den topographischen Gegebenheiten und der Tageszeit. Die Entscheidungen der Jäger bezüglich Laufrichtung, und aktueller Jagdregion aber auch die Techniken des gezielten Anschleichens an Jagdwild hingen stark von Windrichtung und Windstärke ab. Die Jäger selbst nutzten einfache Methoden, um in regelmäßigen Abständen Windrichtung und Windstärkge zu messen (z.B. durch regelmäßigen Aufwirbeln feinen Sandes). Nicht immer wurden die Wind-abhängigen Entscheidungen offen kommuniziert. Um die Entscheidungen und angewandten Techniken interpretieren zu können war daher eine unabhängige Messung der Windverhältnisse geboten.

Um die Windverhältnisse während der täglichen Wanderungen dokumentieren zu können ohne in das Geschehen einzugreifen, wurde kurzfristig ein mobiles Windmesssystem entwickelt. Dabei waren folgende Parameter zu berücksichtigen:

Das System musste

• Windstärke und Windrichung messen können;

• auf bewegliche Teile wie Windfahnen und Schalenanemometer verzichten, da deren Bewegung stark von der Laufbewegung beeinflusst worden wäre und so nur keine realen Werte produziert hätten;

• eine interne Stromquelle haben, da durch die Laufbewegungen der Kontakt zu einer externen Stromquelle unterbrochen werden konnte;

• nicht zu schwer sein, damit es am Rucksack befestigt werden konnte und beim Tragen wenig Kraft kostete;

• Daten im Minuten- oder Sekundentakt loggen können.

Bei der zweiten Feldforschungskampagne (→ Feldforschung Regenzeit 2020) wurde ein System eingesetzt, dass diese Kriterien erfüllt, bestehend aus zwei Ultraschall-Windanemometern der Firma LCJ Capteur, gekoppelt an zwei batteriebetriebene USB Datenlooger der Firma Hobo.

Die Daten, die ein Windmessgerät ausgibt, ergeben nur dann Sinn, wenn das Gerät nach Norden ausgerichtet ist. Eine feste Positionierung ist bei einem mobilen Einsatz aber nicht möglich. Stattdessen wurden die Windmessgeräte so am Rucksack befestgit, dass sie in Laufrichtung ausgerichtet waren. Auf diese Weise produzierten sie keine absoluten (genordeten) Windrichtungswerte, sondern relative. Diese wiederum ließen sich über die GPS-Position und die daraus zu gewinnenden Bewegungsrichtung umrechnen.

Die erste Aufgabe des Tages ist die Synchronisierung der Zeit zwischen den Geräten (Smartwatches, Smartphones, Go-Pro, Kamera). Da diese Aufgabe stark von der Qualität der verbauten GPS Antennen und einer guten GPS-Position abhängt, dauerte es bei der ersten Feldforschungskampagne bis zu 40 Minuten, um die Abweichung zwischen den Geräten auf unter 1 Sekunde zu reduzieren.

Was während der Feldarbeit ein Problem darstellte, war die Zeitsynchronisierung zwischen den Aufzeichnungsgeräten. Da die gesammelten Daten für die Modellierung verwendet werden sollten, musste die Position der Teilnehmer so genau wie möglich im Raum (GPS) und in der Zeit lokalisiert werden. Die interne Zeit der Smartwatches, Smartphones, Kamera, GoPro und Windmessgeräte musste daher auf möglichst uner eine Sekunde synchronisiert werden. Jedes Gerät konnte entweder direkt oder indirekt (über eine Smartphone-App) die Zeit über das GPS-Signal synchronisieren. Aufgrund von Unterschieden in der Qualität des GPS-Signals zwischen den Geräten und Softwarebeschränkungen war jedoch weder eine GPS-gesteuerte Zeitsynchronisation noch eine manuelle Zeiteinstellung in der gewünschten Genauigkeit möglich. Die Zeitsynchronisation wurde dadurch bei der ersten Feldforschung (→ Feldforschung Trockenzeit 2019) zu einem zeitaufwändigen allmorgendlichen Prozess, der über eine halbe Stunde in Anspruch nehmen konnte, und oftmals nicht das geforderte Ergebnis (Zeit) erbrachte.

Die individuelle Zeitsynchronisation der Geräte via GPS führte zu Schwankungen, die oft mehrere Sekunden betrug und dadurch eine genaues Nachvollziehen der zeitlichen und räumlichen Bewegungen der Geräte / Personen erschwerte. Dieses Problem ließ sich nur durch den Einsatz eines Zeitgebers bzw. Zeitservers lösen. Da im Untersuchungsgebiet aber kein mobiler Telefonempfang existiert, und somit keine internetbasierte Zeitsynchronisation möglich ist, musste der Zeitserver

1. GPS basiert sein. Da die Zeitsynchronisation der Smwartwatches nur direkt über GPS Empfang oder über gekoppelte Smartphones möglich ist, musste der Zeitserver
2. das Zeitsignal via WLAN verfügbar machen. Der Zeitserver musste also gleichzeitig als WLAN Router fungieren. Da Strom nur im Rahmen von Powerbanks zur Verfügung steht, musste der Zeitserver
3. mit dem 5 Volt  USB Anschluss einer Powerbank zu betreiben sein (siehe Abschnitt Stromversorgung).

Alle diese Anforderungen ließen sich kostengünstig mit einem Raspberry Pie 3 erfüllen. Dank integrierter WLAN Antenne und Linux-basierter open-source Betriebssysteme (hier Raspberry Pie OS) lässt sich der Minicomputer als WLAN Router einrichten. Ein aufsteckbares GPS-Modul mit integrierter Keramikantenne,auf das mit dem Tool chrony zugegriffen werden kann, erlaubt das Abgreifen des Puls pro Sekunde (PPS) Zeitgebers aus dem GPS Signal. Damit lässt ein ein NTP Server im lokalen WLAN ohne Internetzugang zur Verfügung stellen. Auf diese Weise ließ sich der Empfang und die Verteilung eines GPS-basierten Zeitsignals auf die Smartphones vollständig automatisieren. Der Raspberry Pie 3 besitzt allerdings keine eigene Echtzeituhr (real-time clock, RTC), welche die Systemzeit bis zum nächsten hochfahren speichert, wodurch das Erlangen eines GPS fixes und des PPS Signals zeitintensiver ist. Abilfe schafft hier das Aufstecken eines batteriebetrieben Echtzeituhr-Moduls.

Die Stromversorgung muss sich während der Feldforschung vollständig auf Sonnenenergie stützen. Sonnenlicht gehört zu den reichlich vorhandenen Ressourcen in Namibia, die überall verfügbar sind. Darüber hinaus sind Sonnenkollektoren im Gegensatz zu benzinbetriebenen Generatoren besonders klein und geräusch- und geruchsneutral. Die Nutzung der Sonnenenergie sorgte somit für eine wartungsfreie Stromversorgung und stellte sicher, dass die Tierwelt nicht gestört wurde. Allerdings konnten elektronische Geräte nicht direkt an die Solarpaneele angeschlossen werden, da Schwankungen im Ausgangsstrom zu einer raschen Verschlechterung der internen Batterien führen können. Zudem konnten die Geräte erst nach Sonnenuntergang geladen werden, da sie tagsüber benutzt wurden. Die Verwendung moderner Powerbanks löste beide Probleme auf einmal. Sie vertragen die schwankenden Ladeströme der Sonnekollektoren und können gleichzeitg Strom abgeben. Da die Feldarbeit stark von elektronischen Geräten abhängig war, wurde die Stromversorgung redundant ausgeführt, um Ausfälle abzufedern.

Nächste Seite: Feldforschung Trockenzeit 2019

Literatur

1. Herzog, I., 2013. The potential and limits of optimal path analysis, in: Bevan, A., Lake, M. (Eds.), Computational Approaches to Archaeological Spaces, UCL Institute of Archaeology Publications. Left Coast Press, Walnut Creek, California, pp. 179–211.

2. Seshadri, D.R., Li, R.T., Voos, J.E., Rowbottom, J.R., Alfes, C.M., Zorman, C.A., Drummond, C.K., 2019. Wearable sensors for monitoring the internal and external workload of the athlete. npj Digital Medicine 2, 71. DOI: 10.1038/s41746-019-0149-2

3. Phan, D., Siong, L.Y., Pathirana, P.N., Seneviratne, A., 2015. Smartwatch: Performance evaluation for long-term heart rate monitoring, in: 2015 International Symposium on Bioelectronics and Bioinformatics (ISBB). Institute of Electrical and Electronics Engineers Inc., Online publication, pp. 144–147. DOI: 10.1109/ISBB.2015.7344944

4. Spierer, D.K., Rosen, Z., Litman, L.L., Fujii, K., 2015. Validation of photoplethysmography as a method to detect heart rate during rest and exercise. Journal of Medical Engineering & Technology 39, 264–271. DOI: 10.3109/03091902.2015.1047536

5. Shcherbina, A., Mattsson, C.M., Waggott, D., Salisbury, H., Christle, J.W., Hastie, T., Wheeler, M.T., Ashley, E.A., 2017. Accuracy in Wrist-Worn, Sensor-Based Measurements of Heart Rate and Energy Expenditure in a Diverse Cohort. Journal of Personalized Medicine 7, 3. DOI: 10.3390/jpm7020003

6. Sartor, F., Gelissen, J., van Dinther, R., Roovers, D., Papini, G.B., Coppola, G., 2018. Wrist-worn optical and chest strap heart rate comparison in a heterogeneous sample of healthy individuals and in coronary artery disease patients. BMC sports science, medicine & rehabilitation 10, 10--10. DOI: 10.1186/s13102-018-0098-0

7. Terbizan, D.J., Dolezal, B.A., Albano, C., 2002. Validity of Seven Commercially Available Heart Rate Monitors. Measurement in Physical Education and Exercise Science 6, 243–247. DOI: 10.1207/S15327841MPEE0604\_3

8. Wulder, M.A., Coops, N.C., Roy, D.P., White, J.C., Hermosilla, T., 2018. Land cover 2.0. International Journal of Remote Sensing 39, 4254–4284. DOI: 10.1080/01431161.2018.1452075

9. Zamparo, P., Perini, R., Orizio, C., Sacher, M., Ferretti, G., 1992. The energy cost of walking or running on sand. European Journal of Applied Physiology and Occupational Physiology 65, 183–187. DOI: 10.1007/BF00705078

10. Romanowska, I., 2015. Agent-based modelling and archaeological hypothesis testing: The case study of the European Lower Palaeolithic, in: Traviglia, A. (Ed.), Across Space and Time. Amsterdam University Press, Amsterdam, pp. 203--214.

11. Tanaka, J., 1976. Subsistence ecology of central Kalahari San, in: Lee, R.B., DeVore, I. (Eds.), Kalahari Hunter-Gatherers: Studies of the !Kung and Their Neighbours. Harvard University Press, Cambridge, pp. 98–119.

12. Liebenberg, L., Steventon, L., Benadie, K., Minye, J., 1999. Rhino tracking with the CyberTracker field computer. Pachyderm 27, 59–61.

13. Ansell, S., Koenig, J., 2011. CyberTracker: An integral management tool used by rangers in the Djelk Indigenous Protected Area, central Arnhem Land, Australia. Ecological Management & Restoration 12, 13–25. DOI: 10.1111/j.1442-8903.2011.00575.x