Hochauflösende und berührungslose Wasser-Tiefenmessung ist entscheidend für die Verwaltung und den Schutz von Blütenseen. Die Tiefenmessung mittels Satellitenfernerkundung kann die feinen unterwasser sedimentären Merkmale der Blütenseen nicht erfassen. In den letzten Jahren wurde die Fernerkundungstechnologie mit leichten und kleinen Drohnen zunehmend für die ultrahochauflösende Tiefenmessung in flachen Gewässern eingesetzt. Das klassische logarithmische Modell zur Tiefenrückrechnung ist jedoch schwierig an das in Blütenseen weit verbreitete Rayleigh-Streuung-Phänomen anzupassen. Daher verwendet diese Studie Maschinenlernmodelle, um die Tiefenrückrechnung in Blütenseen basierend auf Drohnenbildern zu untersuchen. Als Versuchsgebiet wurde das Huohua-See im Jiuzhaigou-Gebiet der Provinz Sichuan, China, gewählt. Modelle zur Tiefenrückrechnung basierend auf Random Forest (RF), Support Vector Machine (SVM) und Multi-Layer Perceptron (MLP) wurden trainiert und validiert, mit mittleren quadratischen Fehlern (RMSE) von 0,816 m, 0,945 m bzw. 0,832 m. Die Experimentergebnisse zeigen, dass Maschinenlernmodelle eine höhere Genauigkeit bei der Tiefenrückrechnung im Vergleich zum traditionellen logarithmischen Modell aufweisen. Dabei sind Random Forest- und Multi-Layer Perceptron-Modelle besser geeignet für die Tiefenrückrechnung in Blütenseen basierend auf Drohnenbildern als das Support Vector Machine-Modell.

Blütenseen; Drohnen; Luftbilder; Tiefenrückrechnung; maschinelles Lernen; Random Forest; Support Vector Machine; Multi-Layer Perceptron