Kartierung von Seegras mit dem Fächerecholot in der Ostsee mit Hilfe von maschinellem Lernen
Unterwasservegetation in den Küstenzonen führt bei hydrographischen Messungen häufig zu ungewünschten Störungen in Form von Fehlechos. Aus Sicht der Habitatforschung verbergen sich jedoch hinter den vermeintlichen Fehlechos wertvolle Informationen. Die akustische Fernerkundung in der Ostsee in Bezug auf die Habitatkartierung, insbesondere von Seegrasökosystemen, rückt in den letzten Jahren in den Forschungsvordergrund. Zudem gelten Seegrasvorkommen als stark gefährdet und es gibt kaum Basisdaten zur Verbreitung und räumlichen Struktur. Daher ist eine Kartierung der Lebensräume zu ihrem Schutz von großer Bedeutung. Ziel ist es, dem entgegenzuwirken und eine Methodik zu entwickeln, um Steine, Seegraswiesen sowie Sandflächen zu kartieren. Dies geschieht durch die Auswertung von Fächerecholotdaten, gezielte Punktwolkenanalyse, Merkmalsableitung und Klassifizierung durch künstliche Intelligenz.
Habitatkartierung | KI | Seegraswiese | SAV | Random Forest
Underwater vegetation in the coastal zones often leads to unwanted disturbances in the form of false echoes during hydrographic surveys. From the point of view of habitat research, however, the supposed false echoes conceal valuable information. Acoustic remote sensing in the Baltic Sea with regard to habitat mapping, especially of seagrass ecosystems, has moved into the research foreground in recent years. In addition, seagrass occurrences are considered highly endangered and there are hardly any baseline data on distribution and spatial structure. Therefore, habitat mapping is of great importance for their protection. The aim is to counteract this and to develop a methodology to map rocks, seagrass meadows as well as sandy areas. This is done by evaluating multibeam echo sounder data, targeted point cloud analysis, feature derivation and classification using artificial intelligence.
habitat mapping | AI | seagrass meadow | SAV | Random Forest
