Monitoring küstennaher Flachwasser­bereiche durch raumzeitliche Satelliten­bilddatenanalyse mittels KI-gestützter optischer Hydrographie für eine anlassbezogene Seevermessung

Die Kenntnis der Variabilität des Meeresbodens ist eine wesentliche Voraussetzung für eine bedarfsgerechte und ressourceneffiziente Seevermessung. Ein möglicher Ansatz zur Generierung dieses Wissens besteht in der Bereitstellung und Analyse raumzeitlich hochaufgelöster Bathymetrien aus multispektralen Satellitenbilddaten. Das auf diesen Entwicklungen basierende Verfahren wurde prototypisch als vollautomatischer operationeller Dienst beim Bundesamt für Seeschifffahrt und Hydrographie realisiert. Die im ersten Schritt notwendige spektrale Ableitung der Bathymetrie wird mit Hilfe eines Convolutional Neural Network für Flachwasserbereiche bis circa 10 m Tiefe ermittelt. In den durchgeführten Untersuchungen wurde ein mittlerer absoluter Fehler von 0,47 m sowie ein RMSE von 0,86 m ermittelt. Für die anschließende Änderungsanalyse werden verschiedene Verfahren eingesetzt, darunter eine Hauptkomponentenanalyse, eine Change-Vector-Analyse, ein Least-Squares-Tracking und eine robuste Mediandifferenz. Die Ergebnisse werden stochastisch gewichtet, zu einem repräsentativen Änderungswert zusammengefasst, räumlich aggregiert und schließlich in ein intuitives Ampelschema überführt. Auf dieser Grundlage werden für die Einsatzplanung der Seevermessung anlassbezogene Handlungsempfehlungen bereitstellt.

optische Hydrographie | Sentinel-2 | multispektrale Tiefenbestimmung | satellitengestützte Bathymetrie | Änderungsdetektion | Monitoring | Einsatzplanung

The knowledge of the variability of the seabed is an essential prerequisite for needs-based and resource-efficient hydrographic surveying. One possible approach to generating this knowledge is to provide and analyse high-resolution bathymetry data from multispectral satellite imagery. The process based on these developments was implemented as a prototype fully automated operational service at the German Federal Maritime and Hydrographic Agency (BSH). The spectral derivation of bathymetry required in the first step is performed using a convolutional neural network for shallow waters up to a depth of approximately 10 m. The investigations carried out determined an average absolute error of 0.47 m and an RMSE of 0.86 m. Various methods are used for the subsequent change analysis, including principal component analysis, change vector analysis, least squares tracking and robust median difference. The results are stochastically weighted, merged into a representative change value, spatially aggregated and finally converted into an intuitive traffic light scheme. On this basis, event-related recommendations for action are provided for the deployment planning of hydrographic surveying at BSH.

optical hydrography | Sentinel-2 | spectrally-derived bathymetry | satellite-derived bathymetry | change detection | monitoring | hydrographic survey planning