AI-driven detection of quartzite blocks in the River Rhine using CNN U-Net with backscatter and bathymetric data

Submerged quartzite blocks in shallow inland waterways present a significant hazard to navigation, particularly in high-traffic rivers such as the River Rhine. Conventional detection methods rely on manual interpretation of multibeam echo sounder (MBES) data, which is time-consuming, subjective and difficult to scale. This study evaluates the application of deep learning for automated detection of submerged rock features using bathymetric and backscatter data. A U-Net convolutional neural network with a ResNet-50 encoder was trained on a dataset comprising over 8,000 manually digitised rock features from a 7.5 km section of the Rhine. In addition to single bathymetry and backscatter inputs, derivative features were generated and combined using a principal component analysis to form composite datasets. Model performance was assessed using Intersection over Union (IoU), precision, recall and F1-score. The best results were achieved using a composite dataset integrating backscatter, slope and roughness, yielding an IoU of 0.492 and an F1-score of 0.659. The model demonstrated strong agreement with manual annotations and identified additional potential features not previously mapped. The results highlight the value of combining acoustic intensity and terrain derivatives in deep-learning workflows. This study demonstrates a scalable and objective approach to submerged hazard detection, with implications for improving hydrographic survey efficiency and navigational safety.

boulder detection | inland water mapping | autonomous data processing | backscatter data | CNN | PCA

Untergetauchte Quarzitblöcke in flachen Binnengewässern stellen eine erhebliche Gefahr für die Schifffahrt dar, insbesondere in stark befahrenen Flüssen wie dem Rhein. Herkömmliche Detektionsmethoden basieren auf der manuellen Auswertung von Fächerecholotdaten (MBES), was zeitaufwendig, subjektiv und schwer skalierbar ist. Diese Studie evaluiert die Anwendung von Deep Learning zur automatisierten Detektion untergetauchter Felsformationen mit Hilfe bathymetrischer Daten und Rückstreudaten. Ein U-Net-Faltungsnetzwerk mit einem ResNet-50-Encoder wurde mit einem Datensatz trainiert, der über 8000 manuell digitalisierte Felsformationen eines 7,5 km langen Rheinabschnitts umfasst. Zusätzlich zu den Rohdaten aus Bathymetrie und Rückstreuung wurden abgeleitete Merkmale generiert und mittels Hauptkomponentenanalyse zu zusammengesetzten Datensätzen kombiniert. Die Modellleistung wurde anhand von Intersection over Union (IoU), Präzision, Trefferquote und F1-Score bewertet. Die besten Ergebnisse wurden mit einem kombinierten Datensatz erzielt, der Rückstreuung, Neigung und Rauheit integrierte und einen IoU-Wert von 0,492 sowie einen F1-Score von 0,659 ergab. Das Modell zeigte eine hohe Übereinstimmung mit manuellen Annotationen und identifizierte zusätzliche, bisher nicht kartierte potenzielle Merkmale. Die Ergebnisse unterstreichen den Nutzen der Kombination von akustischer Intensität und Geländederivaten in Deep-Learning-Workflows. Diese Studie demonstriert einen skalierbaren und objektiven Ansatz zur Erkennung von Unterwassergefahren mit Implikationen für die Verbesserung der Effizienz hydrographischer Vermessungen und der Sicherheit der Schifffahrt.

Quarzitblockerkennung | Binnengewässerkartierung | autonome Datenverarbeitung | Rückstreudaten | CNN | PCA