Erweiterte Perspektive
Einsatz von Fernerkundung in der maritimen Notfallvorsorge

Aktuell setzt das Havariekommando als operationelles Fernerkundungssystem zur Erkennung von Ölverschmutzungen auf dem Meer bzw. allgemeiner zur Unterstützung der maritimen Notfallvorsorge eine Kombination aus zwei Sensorflugzeugen vom Typ Do228 und einen Satellitendienst der europäischen Agentur für die Sicherheit des Seeverkehrs ein. So ist eine großflächige, effiziente Überwachung der Meere auf Oberflächenverschmutzungen möglich. Bei komplexen Schadenslagen liefern diese zudem wertvolle Überblicks- und Detailinformationen zur Bewertung und Bewältigung der Lage. Gerade live übertragene Video- und Sensorbilder zusammen mit Beobachtungen der erfahrenen Operateure haben sich als besonders wertvoll erwiesen. Die neue Generation der Mehrzweckschiffe der Wasserstraßen- und Schifffahrtsverwaltung wird ergänzend mit weiteren Fernerkundungssystemen ausgestattet: neben einem Ölradar und einer stabilisierten Kamera mit optischem und thermalem Kanal werden unbemannte Flugsysteme (UAS bzw. Drohnen) wichtige Zusatzinformationen liefern.

Fernerkundung | maritime Notfallvorsorge | Ölverschmutzung | Drohne

The Central Command for Maritime Emergencies (in German: Havariekommando) currently employs a combination of two Do228 sensor aircraft and a satellite service provided by the European Maritime Safety Agency as an operational remote sensing system for detecting oil spills at sea and, more generally, to support maritime emergency preparedness. This enables large-scale, efficient monitoring of the seas for surface pollution. In complex emergency situations, these also provide valuable overview and detailed information for assessing and managing the situation. Live video and sensor images, in particular, combined with observations by experienced operators, have proven to be particularly valuable. The new generation of multi-purpose vessels operated by the Federal Waterways and Shipping Administration will be equipped with additional remote sensing systems: alongside an oil radar and a stabilised camera with optical and thermal channels, unmanned aerial systems (UAS or drones) will provide important supplementary information.

remote sensing | maritime emergency preparedness | oil pollution | drone

• Ausgabe: HN 134, Seite 26–30
• DOI: 10.23784/HN134-07
• Autor/en: Björn Baschek, Alina Ermertz

Cost-effective seafloor geodesy with GNSS-acoustic measurements from a wave glider

subduction zones | seafloor observations | wave glider | sound speed

Subduktionszonen | Meeresbodenbeobachtung | Wellengleiter | Schallgeschwindigkeit

• Ausgabe: HN 134, Seite 24–25
• DOI: 10.23784/HN134-06
• Autor/en: James Foster

Alles open! – Immer richtig?
Geoinformationen im Spannungsfeld zwischen der Open-Data-Philosophie und den aktuellen Sicherheitsanforderungen

Geoinformationssicherheit | Open-Data | digitaler Zwilling | NGIS 2.0 | kritische Infrastruktur

geoinformation security | open data | digital twin | NGIS 2.0 | critical infrastructure

• Ausgabe: HN 134, Seite 22–23
• DOI: 10.23784/HN134-04
• Autor/en: Paul Becker

A healthy ocean with all
Transdisciplinary approaches to ocean sustainability

ocean | transdisciplinarity | sustainability | blue economy | citizen science

Ozean | Transdisziplinarität | Nachhaltigkeit | Blue Economy | Bürgerwissenschaft

• Ausgabe: HN 134, Seite 20
• DOI: 10.23784/HN134-03
• Autor/en: Toste Tanhua, Steffen Knodt

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

• Ausgabe: HN 134, Seite 14–19
• DOI: 10.23784/HN134-02
• Autor/en: Eric Idun