Das Bundesamt für Seeschifffahrt und Hydrographie (BSH) überwacht beim Bau von Offshore-Windparks den Schalleintrag, der bei den Rammarbeiten entsteht.
Um Messdaten des Unterwasserschalls effektiver auswerten zu können, hat die Bundesoberbehörde mit Sitz in Hamburg die Fachanwendung „BSoundH“ um Methoden des Maschinellen Lernens erweitert.[ds_preview]
Diese ermöglichen eine automatisierte Erkennung von Rammschlägen aus Offshore-Bauaktivitäten und auch von Explosionen, wenn Munition gesprengt werden muss. „Das BSH arbeitet permanent daran, seinen Beitrag für den Meeresumweltschutz und die nachhaltige Meeresnutzung zu intensivieren. Mit den Methoden des Maschinellen Lernens können wir große Datenmengen effizient verarbeiten und schneller relevante Ergebnisse gewinnen – und die gewonnene Arbeitszeit an anderer Stelle einsetzen“, erläutert BSH-Präsident Helge Heegewaldt.
Eine der Aufgaben des BSH ist die Zulassung von Offshore Windparks in der deutschen ausschließlichen Wirtschaftszone (AWZ). Um dabei den Schutz der Meeresumwelt sicherzustellen, überwacht die Behörde unter anderem den Schalleintrag, der durch Rammarbeiten bei den Baumaßnahmen entsteht. Sie erhält dazu Messdaten von Offshore-Windpark-Betreibern. Im Rahmen der Umsetzung der Meeresstrategie-Rahmenrichtlinie (MSRL) erhebt das BSH außerdem eigene Messdaten und führt das Nationale Schallregister Deutschlands, in welches die aufgenommen Daten fließen. Das Schallregister gewährleistet ein umfassendes Monitoring des Zustands von Nordsee und Ostsee.
Auswertung großer Datenmengen
Mit dem bestehenden Tool „BSoundH“ hat das BSH bereits in den vergangenen Jahren Messdaten aus der Überwachung von Offshore-Baustellen, wie auch aus dem nationalen Schallmonitoring ausgewertet und analysiert. Modular aufgebaut kann das Tool große Datenmengen aus den Schallmessungen im Meer unter Berücksichtigung von nationalen und internationalen Standards validieren und auswerten.
„BSoundH“ wurde nun um Methoden des Maschinellen Lernens erweitert, um durch einen höheren Automatisierungsgrad Daten schneller auswerten zu können. Impulshafte Schallereignisse wie Rammschall und Explosionen können voneinander unterschieden werden sowie für Rammschläge das eingesetzte Schallminderungssystem identifiziert werden. „Das Machine Learning ermöglicht uns, 99 Prozent der Rammschläge zu detektieren“, unterstreicht Ben Schmidt, Experte für Unterwasserschall im BSH.
Zusätzlich zur reinen Ermittlung von Rammschlägen wurde ein Netzwerk für die Bestimmung der Entfernung und der für die Rammung eingesetzten Schallminderungssysteme trainiert. Die Genauigkeit bei der Erkennung verschiedener Schallminderungssysteme liegt bei rund 70%. Dies sei nach Angaben des BSH aufgrund von projektspezifischen Unterschieden und differenten Messentfernungen zwischen einzelnen Pfahlrammungen ein gutes Ergebnis. Der Hauptzweck der entwickelten Algorithmen ist die verbesserte Überwachung des Rammschalls, um sowohl die geforderten Maßnahmen zur Vermeidung von negativen Auswirkungen auf die Meeresumwelt in der Wirksamkeit zu überprüfen als auch eine Qualitätskontrolle der Messdaten durchzuführen.
Impulsschallereignisse besser überwachbar
„BSoundH“ kann zudem Schallereignisse erkennen, die durch Explosionen von Munitionssprengungen in der Nordsee und der Ostsee entstehen. Dazu wurde das neuronale Netzwerk zur Rammschlag-Erkennung anhand weniger Audio-Beispiele auf die Erkennung von Explosionen umtrainiert. Obwohl die Datenmenge über Explosionen von Altmunition derzeit noch sehr klein ist, konnten 96% der Ereignisse eindeutig zugeordnet werden. Zusätzlich zur verbesserten Auswertung des Rammschalls ermöglichen die Algorithmen somit eine bessere Erkennung von Schallereignissen, die bisher nicht bekannt waren.
Unterwasserschall-Experte Schmidt fasst zusammen: „Mit BSoundH können wir die Lärmbelastung durch genauere Erfassung aller relevanten Impulsschallereignisse deutlich besser überwachen.“
