Analysis of seafloor sediment distribution in the Port of Hamburg using backscatter data from dual-head multibeam systems for the optimisation of a sedimentological model
This article presents the analysis and classification of seafloor surface sediments in the Port of Hamburg using normalised backscatter data from dual-head multibeam echo sounder systems to optimise the existing sedimentological model of the Hamburg Port Authority (HPA). Seven locations within the port were selected for detailed backscatter analysis. Ground-truth sediment samples and corresponding median grain size (D50) values were used to develop a machine learning-based sediment classification. A Random Forest regressor was trained on backscatter intensity data and D50 values to predict continuous grain size distributions at the pixel level of backscatter mosaics. Re-substitution and K-fold cross-validation results demonstrate that combining mean backscatter intensities from 200 kHz and 400 kHz significantly improves predictive performance compared to single-frequency inputs. Comparison with the existing HPA sedimentological model shows that the machine learning approach more accurately captures spatial variations in seafloor sediment grain size, particularly in coarse and mixed sediment environments, and provides closer agreement with ground-truth data, whereas the current HPA model tends to oversimplify local sediment dynamics.
multibeam backscatter | sediment classification | machine learning | Port of Hamburg
Dieser Artikel präsentiert die Analyse und Klassifizierung von Sedimenten auf dem Gewässerboden im Hamburger Hafen unter Verwendung normalisierter Rückstreudaten von Dual-Head-Fächerecholotsystemen zur Optimierung des bestehenden sedimentologischen Modells der Hamburg Port Authority (HPA). Sieben Bereiche innerhalb des Hafens wurden für eine detaillierte Rückstreuanalyse ausgewählt. Anhand von Sedimentproben und den entsprechenden mittleren Korngrößenwerten (D50) wurde eine auf maschinellem Lernen basierende Sedimentklassifizierung entwickelt. Ein Random-Forest-Regressor wurde anhand von Rückstreuintensitätsdaten und D50-Werten trainiert, um kontinuierliche Korngrößenverteilungen auf Pixelebene von Rückstreumosaiken vorherzusagen. Die Ergebnisse der Resubstitution und der K-fachen Kreuzvalidierung zeigen, dass die Kombination der mittleren Rückstreuintensitäten von 200 kHz und 400 kHz die Vorhersageleistung im Vergleich zu Einfrequenz-Daten deutlich verbessert. Ein Vergleich mit dem bestehenden sedimentologischen HPA-Modell zeigt, dass der maschinelle Lernansatz räumliche Schwankungen der Korngröße von Bodensedimenten, insbesondere in groben und gemischten Sedimentumgebungen, genauer erfasst und eine bessere Übereinstimmung mit den Bodenproben liefert, während das aktuelle HPA-Modell dazu neigt, die lokale Sedimentdynamik zu stark zu vereinfachen.
Fächerecholot-Rückstreuung | Sedimentklassifizierung | maschinelles Lernen | Hafen Hamburg
