Schätzung der Küstenwassertiefe aus dem Weltraum mittels satellitengestützter Bathymetrie

Seit der Antike war die Kenntnis der Tiefe von Küstengewässern der Schlüssel für eine sichere und erfolgreiche Navigation und Ausbeutung der Meeresressourcen. Heute ist die Bathymetrie – die Messung der Meerestiefe – noch wichtiger und spielt eine wesentliche Rolle in unserem Verständnis des Meeres Umwelt und bei der Entwicklung großer Meeresstrukturen.

Mit der Entwicklung bordeigener Echolote zu Beginn des 20. Jahrhunderts wurden bei der Bathymetrie erhebliche Fortschritte hinsichtlich Genauigkeit und Komfort erzielt. Allerdings gibt es auch mit modernen Echoloten noch viele Schwierigkeiten bei der Durchführung vonbathymetrischen Vermessungen. Dazu gehören hohe Kosten, unvorhersehbares Wetter, hoher Schiffsverkehr und potenzielle geografische oder diplomatische Probleme, um nur einige zu nennen.

Um diese Probleme anzugehen, haben Wissenschaftler auf der ganzen Welt Techniken der satellitengestützten Bathymetrie (SDB) entwickelt, die die Wassertiefe anhand multispektraler Satellitenbilder schätzen. Diese Methoden können manchmal genaue Ergebnisse liefern, insbesondere für Tiefen von bis zu 20 Metern.

Leider wurden die meisten SDB-Modelle anhand von Daten aus Küstenregionen mit klarem Wasser und gleichmäßiger Verteilung der Meeresbodensedimente entwickelt. Da Licht je nach Wassertrübung und Zusammensetzung des Meeresbodens unterschiedlich reflektiert wird, hat sich die Entwicklung von SBD-Modellen mit konsistenter Leistung in verschiedenen Küstenumgebungen als Herausforderung erwiesen.

In diesem Zusammenhang hat ein koreanisches Forschungsteam ein neues SDB-Modell entwickelt, das maschinelles Lernen nutzt, um Licht auf die verschiedenen Faktoren zu werfen, die die Genauigkeit beeinträchtigen können, und so den Weg für mögliche Lösungen zu ebnen. Ihre neueste Studie, an der Dr. Tae-ho Kim von Underwater Survey Technology 21 (UST21) beteiligt war, wurde im veröffentlicht Zeitschrift für angewandte Fernerkundung.

Eines der Hauptziele dieser Studie bestand darin, zu analysieren, wie sich die einzigartigen Merkmale jeder Region auf das in verschiedenen Küstenregionen trainierte Modell auswirken würden. Zu diesem Zweck wählten sie drei Gebiete rund um die koreanische Halbinsel aus: Samcheok, das sich durch sein klares Wasser auszeichnet; Cheonsuman, bekannt für sein trübes Wasser; und Hallim, wo der Meeresboden verschiedene Arten von Sedimenten enthält.

Das Team erhielt von den Sentinel-2A/B-Missionen multispektrale Satellitendaten dieser Regionen, die offen von der Europäischen Weltraumorganisation bereitgestellt wurden, und wählte mehrere Bilder dieser Gebiete zu unterschiedlichen Zeiten bei klarem Himmel aus. Um das SDB-Modell anhand dieser Daten zu trainieren, erwarben sie außerdem Seekarten, die von Echoloten der Korean Hydrographic and Oceanographic Agency (KHOA) abgeleitet wurden. Diese Diagramme wurden als Grundwahrheit verwendet.

Das SDB-Modell selbst basierte auf einem gut etablierten theoretischen Rahmen, der verknüpft, wie Licht von der Sonne von der Atmosphäre, dem Meer und dem Meeresboden reflektiert wird, bevor es einen Satelliten erreicht. Für den maschinellen Lernteil des Modells verwendete das Team einen Random-Forest-Algorithmus, da dieser in der Lage ist, sich bei der Verarbeitung großer Datenmengen an mehrere Variablen und Parameter anzupassen.

Nach dem Training und Testen regionalspezifischer Instanzen des SDB-Modells stellten die Forscher fest, dass die Genauigkeit für Samcheok im Allgemeinen akzeptabel war, mit einem quadratischen Mittelfehler von etwa 2,6 Metern. Im Gegensatz dazu war die Genauigkeit bei Cheonsuman und Hallim deutlich geringer, da die Tiefenvorhersagen der Satelliten erheblich von den KHOA-Messungen abwichen.

Um diese Diskrepanzen besser zu verstehen, versuchten die Forscher zunächst, die Vorhersagen zu korrigieren, indem sie einen Trübungsindex in die Berechnungen einbezog. Dies verbesserte die Ergebnisse vor allem für Cheonsuman. Um die Fehlerquellen weiter zu untersuchen, erfasste das Team anschließend hochauflösende Satellitenbilder der WorldView-3-Mission sowie Fotos vor Ort. Analysen ergaben, dass die Reflexionseigenschaften von Meeresbodensedimenten einen großen Einfluss auf die Tiefenschätzungen hatten, wobei dunkel gefärbter Basalt zu einer ständigen Überschätzung führte.

„Wenn wir in Zukunft zusätzliche räumliche Meeresbodendaten in den Trainingsdatensatz integrieren, erwarten wir Verbesserungen in der Modellleistung“, sagte Dr. Kim. „Das Forschungs- und Entwicklungsprojekt sollte eine Sedimentverteilungskarte bereitstellen, die aus luftgestützten Hyperspektralbildern erstellt wird.“

Abschließend testeten die Forscher dann die Generalisierbarkeit ihres Ansatzes, indem sie regionalspezifische SDB-Modelle auf andere Küstengebiete mit ähnlichen Merkmalen anwendeten.

„Im Gegensatz zu früheren Studien, in denen SDB-Modellergebnisse nur für Gewässer mit hoher Transparenz präsentiert wurden, haben wir individuelle SDB-Modelle entwickelt, die auf Gewässer mit unterschiedlichen Eigenschaften angewendet werden können, und Methoden vorgeschlagen, um bessere Ergebnisse zu erzielen“, sagte er. sagte Dr. Kim.

Wir hoffen, dass diese Bemühungen zu Verbesserungen in der SDB-Technologie führen und den Weg für eine praktischere Kartierung der Küstentiefen ebnen.

Zufrieden mit den Ergebnissen kommt Dr. Kim zu dem Schluss: „Letztendlich werden die SDB-Ergebnisse als Tiefenüberwachungsdaten verwendet, um die sichere Durchfahrt von Schiffen in Küstengebieten zu erleichtern, sowie als Eingabedaten für digitale Ozeanmodelle und so zu verschiedenen wissenschaftlichen Erkenntnissen beitragen.“ Felder.