Analyse der räumlich-spektralen Auflösung mithilfe von Drohnen-Hyperspektral- und Satelliten-Multispektralaufnahmen zur Überwachung flacher Küstengewässer

Warum diese Küstenstudie wichtig ist

Flache Küstengewässer beherbergen Seegraswiesen, Riffe und Algenfelder, die Küstenlinien schützen, Fischbestände unterstützen und Kohlenstoff speichern. Diese Lebensräume sind jedoch schwer regelmäßig nur mit Booten zu kartieren und zu überwachen. Die Studie zeigt, wie der Einsatz einer Hyperspektralkamera auf einer Drohne in Kombination mit satellitenähnlichen Aufnahmen detaillierte, reproduzierbare Karten von Wassertiefe und Meeresboden-Habitaten liefern kann, die Gemeinden dabei helfen, empfindliche Küsten unter zunehmendem menschlichem und klimatischem Druck zu managen.

Den Blick aufs Meer von oben

Die Forschenden konzentrierten sich auf den Strand Las Canteras, eine städtische Küste auf Gran Canaria, die wegen ihrer vielfältigen Meereslebewesen geschützt ist, aber stark von Anwohnern und Touristen genutzt wird. Eine natürliche Felsbarriere beruhigt das Wasser und macht den Meeresboden von oben gut sichtbar, ideal für optische Fernerkundung. Historisch gab es in der Gegend ausgedehnte Seegraswiesen, die weitgehend verschwunden sind, nachdem Küstenbauten die Sandbewegungen verändert haben. Heute bilden Flecken grüner, brauner und roter Algen sowie Sand und Fels ein Mosaik auf dem Meeresboden, das sowohl natürliche Veränderungen als auch menschliche Einflüsse widerspiegelt.

Unterschiedliche „Augen“ über dem Wasser testen

Kern des Projekts ist ein geschicktes Experiment: Anstatt verschiedene Kameras, die zu unterschiedlichen Zeiten geflogen oder umkreist wurden, direkt zu vergleichen, begannen die Forschenden mit einem sehr detaillierten Drohnenbild, aufgenommen mit einem Hyperspektralsensor (97 schmale Farbkanäle bei 10 Zentimeter Auflösung). Aus dieser einzelnen Referenz „verallgemeinerten“ (downgradeten) sie die Daten mathematisch, um ein kommerzielles Satellitensystem mit 8 breiteren Bändern und eine einfache RGB-Kamera mit nur 3 Bändern zu simulieren, jeweils in feiner (10 cm) und gröberer (2 m) Pixelgröße. So entstanden sechs kontrollierte Versionen derselben Szene, frei von Unterschieden in Wetter, Wassertrübung oder Gezeiten. Diese Bilder nutzten sie anschließend zur Schätzung der Wassertiefe (Bathymetrie) und zur Klassifizierung von Meeresboden-Typen (Vegetation, Sand und Fels) mithilfe einer Mischung aus bewährten Formeln und modernen Methoden des maschinellen Lernens.

Tiefe und Habitat aus der Farbe ablesen

Zur Rekonstruktion der Tiefe verglich die Studie einen etablierten mathematischen Ansatz, der Licht in zwei Farbkanälen mit Tiefe verknüpft, mit einem flexibleren maschinellen Lernmodell, das Muster aus vielen Bändern zugleich erlernt. Für die Meeresboden-Habitate trainierten sie zwei Arten von Klassifikatoren: Support Vector Machines und Feedforward-Neuronale Netze, beide gestützt durch Feldmessungen und Meeresbodenfotos. In allen Tests lieferten die drohnenbasierten Hyperspektraldaten die genauesten Ergebnisse, mit Tiefenfehlern bis hin zu etwa 15 Zentimetern und rund 94 % korrekter Habitatklassifikation. Multispektrale Aufnahmen, vergleichbar mit denen gängiger kommerzieller Satelliten, schnitten fast ebenso gut ab und bieten einen starken Kompromiss zwischen Detail, Abdeckung und Kosten. Die einfachere RGB-Version lieferte akzeptable Ergebnisse für die Tiefe, tat sich jedoch schwer, in diesem komplexen Habitat zuverlässig verschiedene Bodentypen zu trennen, insbesondere bei ähnlichen Algenarten.

Was ist wichtiger: Schärfe oder spektrale Vielfalt?

Eine der zentralen Fragen war, ob feinere Pixel oder reichere Farbinformationen den größeren Unterschied machen. Bei der Tiefe ist die Antwort überraschend: Die Änderung der Pixelgröße von 10 cm auf 2 m beeinträchtigte die Genauigkeit kaum. Da die Tiefe vor allem davon gesteuert wird, wie Licht im Wasser abgeschwächt wird, bringt sehr hohe räumliche Detailtiefe wenig, wenn das Wasser nur wenige Meter tief und relativ glatt ist. Für die Habitatkartierung hingegen spielen sowohl räumliche als auch spektrale Vielfalt stärker eine Rolle. Feinere Pixel verringern die Vermischung von Sand, Fels und Pflanzen innerhalb eines Pixels und erleichtern so die Trennung der Klassen. Und wenn das Ziel darin besteht, ähnliche Algenarten auseinanderzuhalten, helfen mehr Spektralbänder deutlich. Das neuronale Netzwerkmodell nutzte diese zusätzlichen Informationen am besten und übertraf den traditionelleren Klassifikator.

Ein besorgniserregender Verlust an marinem Grün

Über den Methodentest hinaus verglich das Team auch ein echtes Satellitenbild von 2016 mit den Drohnendaten von 2023, angepasst an die gröbere Auflösung des Satelliten. Sie entdeckten einen geschätzten Verlust von etwa 7.200 Quadratmetern mariner Vegetation, größtenteils vermutlich durch Bestände der grünen Alge Cymopolia barbata. In Kombination mit dem bereits dokumentierten Verschwinden historischer Seegrasbestände sowie einem lokalen Erwärmungstrend der Meeresoberflächentemperatur, starker Freizeitnutzung und periodischen Problemen mit der Wasserqualität deuten die Ergebnisse darauf hin, dass dieses urbane Riff erheblich unter Stress steht.

Was das für Küsten und Gemeinschaften bedeutet

Für Nichtfachleute ist die Botschaft zweifach. Erstens können moderne Aufnahmen von Drohnen und Satelliten, kombiniert mit maschinellem Lernen, nun genaue, reproduzierbare Karten von flacher Wassertiefe und Meeresboden-Lebensräumen liefern, ohne ständige Bootsaufnahmen. Das macht es praktikabel, Veränderungen von Küstenhabitaten über Jahre oder sogar Saisons hinweg zu beobachten. Zweitens zeigt der Fall Las Canteras, warum eine solche Überwachung dringend ist: Wertvolle Unterwasser-„Wälder“ können leise schrumpfen unter dem kombinierten Druck wärmerer Meere und lokaler menschlicher Nutzung. Der hier vorgestellte Ansatz bietet Städten und Naturschutzbehörden ein praktisches Instrumentarium, um ihre Unterwasser-Nachbarschaften genauer zu beobachten und zu handeln, bevor Schlüsselhabitaten verloren gehen.

Zitation: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Schlüsselwörter: Küstenkartierung, Drohnen-Hyperspektralbildgebung, Bathymetrie flacher Gewässer, Überwachung benthischer Lebensräume, Verlust mariner Vegetation