Durch den Einsatz von Light Level Geolocators (Helldunkelgeolokatoren) bieten sich viele Möglichkeiten, detaillierte Einblicke in den Zug und das Verhalten von Vögeln zu gewinnen. Neben der Rekonstruktion von Zugwegen kann mithilfe von Licht-, Temperatur- und Leitfähigkeitsdaten das Brutverhalten von Steinwälzern (Arenaria interpres) durch den Einsatz von Machine-Learning-Algorithmen analysiert werden. Hierfür wurde ein selbst klassifizierter Trainingsdatensatz erstellt, durch den mehrere Modelle trainiert wurden, die unterschiedliche Methoden des maschinellen Lernens nutzen. Das Auftreten von einer der drei klassifizierten Verhaltensweisen (“random”, “incubation” und “brooding”) wurde durch Wahrscheinlichkeiten für den Brutzeitraum in der hohen Arktis angegeben. Die Machine-Learning-Algorithmen ermöglichen es, diese Verhaltensmuster zu identifizieren und die zeitliche Verteilung der verschiedenen Aktivitäten während der Brutzeit zu untersuchen. Dies erlaubt u.a. eine genaue Analyse der Länge der Brut und ihres Erfolgs. Die Kombination von Light Level Geolocators und neuartigen Machine-Learning-Algorithmen erwies sich als sehr schnelle und effektive Methode zur Untersuchung der Migration und des Brutverhaltens von Steinwälzern. Vor allem für große Datensätze erlaubt diese Methode eine objektive Einschätzung der Brutphänologie und kann darüber hinaus ein großer Zeitgewinn sein, da nur wenige Datensätze (Trainingsdaten) selbst klassifiziert werden müssen. Diese Herangehensweise bietet wertvolle Einblicke in die Ökologie dieser Vögel und kann als Grundlage für weitere Forschungen dienen. Hierdurch könnten z.B. in Zukunft auch Änderungen in der Brutphänologie von Individuen untersucht werden.