DOI: https://doi.org/10.3389/frsen.2026.1672398
تاريخ النشر: 2026-01-26
المؤلف: Aïcha Naumann وآخرون
الموضوع الرئيسي: البحوث في الصوتيات تحت الماء
نظرة عامة
تسلط الأبحاث الضوء على التقدمات الكبيرة في الكشف عن الصخور الكبيرة المعتمدة على الذكاء الاصطناعي باستخدام بيانات الهيدروأكوستيك، مما يعزز من توصيف الشعاب الجيولوجية في بحر البلطيق الألماني. من خلال استخدام الشبكات العصبية التلافيفية، حققت الدراسة معدل كشف أعلى بحوالي 6.7 مرات مقارنة بالطرق الآلية السابقة، حيث تم التعرف على ما يصل إلى 550 صخرة كبيرة لكل خلية شبكة بمساحة 50 × 50 م عبر منطقة تبلغ 306 كم². تم تقديم مقياس جديد، وهو مؤشر تعقيد حقل الصخور الكبيرة (BFCI)، لقياس تعقيد حقل الصخور الكبيرة من خلال دمج عدد الصخور، وحدّة الانتقال، والتوزيع المكاني. كشفت هذه المقياس عن تباين كبير في تعقيد حقل الصخور الكبيرة عبر مواقع الدراسة المختلفة، حيث أظهرت منطقة Plantagenet الساحلية أعلى تعقيد بينما كانت منطقة Western Rönnebank البحرية الأقل تعقيدًا. ومن الجدير بالذكر أن وفرة الصخور الكبيرة كانت مرتبطة سلبًا بعمق المياه، مما يشير إلى كثافات أعلى في المياه الضحلة.
تخلص الدراسة إلى أن الكشف الدقيق عن الصخور الكبيرة أمر حاسم لفهم توزيع الركائز الصلبة في البيئات ذات الرواسب الناعمة، داعيةً إلى استخدام مقاييس مستمرة مثل BFCI بدلاً من التصنيفات التقليدية. لا تلتقط هذه الطريقة التباين المكاني فحسب، بل تضع أيضًا الأساس لربط تعقيد الموائل بأنماط المجتمع القاعى ووظائف النظام البيئي. يتم تشجيع الأبحاث المستقبلية لاستكشاف الآثار البيئية لتباين تعقيدات حقول الصخور الكبيرة، لا سيما كيف تؤثر على تركيب المجتمع القاعى وتفاعلات الأنواع، بالإضافة إلى الدور المحتمل لقطع BFCI العالية كحدود بيئية أو “حجارة خطوات” لحركة الأنواع.
مقدمة
تسلط المقدمة الضوء على الأهمية البيئية للركائز الصلبة الجيولوجية، التي تعتبر موائل حيوية حاسمة لمجتمعات القاع المتنوعة، حيث توفر خدمات النظام البيئي الأساسية مثل المأوى، والتغذية، ومناطق التفريخ لمجموعة متنوعة من الكائنات البحرية. هذه الموائل مهددة بشكل متزايد من الأنشطة البشرية، مما يستدعي حمايتها واستعادتها. فهم توزيع هذه الركائز أمر بالغ الأهمية، ومع ذلك فإن طرق الاستشعار عن بعد البصرية التقليدية محدودة في البيئات البحرية، مما يجعل تقنيات الهيدروأكوستيك ضرورية لرسم خرائط قاع البحر بشكل فعال.
تناقش هذه الفقرة استخدام السونار الجانبي وأجهزة قياس العمق متعددة الحزم لتحديد الصخور الكبيرة في الشعاب الجيولوجية، مع التأكيد على أهمية التوقيعات الصوتية في رسم خرائط هذه الموائل. تصنف الأطر التنظيمية الأوروبية المختلفة الركائز الصلبة بشكل مختلف، وقد وضعت ألمانيا إرشادات محددة لتحديد وتحديد موائل الشعاب. أدت التقدمات الأخيرة في التعلم الآلي، وخاصة الشبكات العصبية، إلى تحسين كفاءة ودقة الكشف عن الصخور الكبيرة في بيانات الهيدروأكوستيك، مما يسمح برسم خرائط مفصلة لحقول الصخور الكبيرة. يقترح المؤلفون مقياسًا جديدًا يدمج كل من عدد الصخور والترتيب المكاني لالتقاط التعقيد الهيكلي لهذه الموائل بشكل أفضل، مع معالجة القيود في أنظمة التصنيف الحالية التي تركز فقط على وفرة الصخور.
النتائج
في هذا القسم، يتم تقديم نتائج الدراسة حول توزيع الصخور الكبيرة عبر أربعة مواقع دراسة متميزة (PTG، MB، KB، وWRB)، بعد اتباع منهجية معالجة ما بعد دقيقة باستخدام QGIS الإصدار 3.34. شمل التحليل تطبيق نظام شبكة بمساحة 50 × 50 م لتسهيل المقارنات مع الأساليب التقليدية ولتلبية متطلبات تقارير الحفظ. من الجدير بالذكر أنه تم تحديد وإزالة العيوب السفلية من مناطق KB وWRB، بينما كانت هناك حاجة لتنظيف البيانات يدويًا في MB وPTG بسبب غياب خرائط توزيع الصخور الكبيرة التي أنشأها الخبراء. قلل عملية التنظيف بشكل فعال من الإيجابيات الكاذبة من خلال إزالة الاكتشافات في الخلايا المصنفة على أنها “لا توجد صخور كبيرة”.
تكشف النتائج عن تباين كبير في وفرة الصخور الكبيرة عبر مواقع الدراسة، حيث أظهرت PTG أعلى عدد وسطي يبلغ 58 صخرة كبيرة لكل خلية، تليها MB (عدد وسطي 43)، KB (عدد وسطي 10)، وWRB (عدد وسطي 10). أكدت التحليلات الإحصائية باستخدام اختبار مان-ويتني U وجود اختلافات كبيرة في توزيعات عدد الصخور الكبيرة بين جميع المواقع (قيمة p < 0.001). لوحظت علاقة سلبية بين عدد الصخور الكبيرة وعمق المياه، مما يشير إلى أن وفرة الصخور الكبيرة تنخفض مع زيادة العمق، خاصة في المناطق الضحلة. أظهر تحليل قيم الحدة، التي تعكس الانتقال بين المناطق الغنية بالصخور والمناطق الفقيرة بالصخور، أن PTG كانت لديها أعلى تباين، بينما أظهرت WRB توزيعًا أكثر تجانسًا. كما قامت الدراسة بتحديد الترتيب المكاني للصخور الكبيرة من خلال نسبة التوزيع المكاني (SDR)، كاشفةً عن أنماط مشابهة عبر المواقع، حيث أظهرت الأعداد المنخفضة من الصخور مجموعة من خصائص التوزيع.
المناقشة
في هذه الدراسة، بحثنا في التعقيد المكاني لحقول الصخور الكبيرة على طول ساحل بحر البلطيق الألماني، مستخدمين طرق الكشف المتقدمة المعتمدة على الذكاء الاصطناعي لتحليل أنماط توزيع الصخور الكبيرة عبر إعدادات جيولوجية متنوعة. شملت الأبحاث أربعة مواقع دراسة، كل منها يتميز بعمق مياه وأنواع رواسب مختلفة، واستخدمت بيانات السونار الجانبي لتحديد الصخور الكبيرة بناءً على مقياس وينتوورث. استخدمت عملية الكشف التلقائي شبكة عصبية تلافيفية (YOLOv4) تم تدريبها على تعليقات محددة للمنطقة، محققة تحسينات كبيرة في معدلات الكشف مقارنة بالدراسات السابقة. يدمج مؤشر تعقيد حقل الصخور الكبيرة (BFCI) مقاييس وفرة الصخور، وحدّة الانتقال، والتوزيع المكاني، كاشفًا عن تباين كبير في هياكل حقول الصخور الكبيرة عبر المواقع، وهو ما فشلت التصنيفات التقليدية في التقاطه.
تسلط نتائجنا الضوء على أهمية ليس فقط كمية الصخور الكبيرة ولكن أيضًا ترتيبها المكاني في التأثير على الديناميات البيئية داخل البيئات البحرية. يوفر BFCI مقياسًا مستمرًا يعكس التاريخ الجيولوجي والعمليات الهيدروديناميكية الجارية، مما يقدم رؤى حول خصائص الموائل والآثار البيئية المحتملة لتعقيد حقول الصخور الكبيرة. ومع ذلك، لا تزال هناك قيود، خاصة فيما يتعلق بالتعقيد الشكلي للصخور الكبيرة والحاجة إلى مسوحات بيولوجية وجيوفيزيائية متكاملة لتعزيز فهمنا لعلاقات وظيفة الموائل. يجب أن تركز الأبحاث المستقبلية على الاستجابات البيئية المرتبطة بقيم BFCI المتنوعة، واستكشاف كيف تؤثر خصائص حقول الصخور الكبيرة على تركيبات المجتمع القاعى والأدوار المحتملة لهذه الهياكل في النظم البيئية البحرية.
DOI: https://doi.org/10.3389/frsen.2026.1672398
Publication Date: 2026-01-26
Author(s): Aïcha Naumann et al.
Primary Topic: Underwater Acoustics Research
Overview
The research highlights significant advancements in AI-based boulder detection using hydroacoustic data, which enhances the characterization of geogenic reefs in the German Baltic Sea. By employing convolutional neural networks, the study achieved a detection rate approximately 6.7 times higher than previous automated methods, identifying up to 550 boulders per 50 × 50 m grid cell across a 306 km² area. A new metric, the Boulder Field Complexity Index (BFCI), was introduced to quantify boulder field complexity by integrating boulder count, transition sharpness, and spatial distribution. This metric revealed substantial variability in boulder field complexity across different study sites, with the coastal Plantagenet Ground exhibiting the highest complexity and the offshore Western Rönnebank the lowest. Notably, boulder abundance was negatively correlated with water depth, indicating higher densities in shallower waters.
The study concludes that accurate boulder detection is crucial for understanding the distribution of hard substrates in soft-sediment environments, advocating for the use of continuous metrics like the BFCI over traditional categorical classifications. This approach not only captures spatial heterogeneity but also lays the groundwork for linking habitat complexity to benthic community patterns and ecosystem functioning. Future research is encouraged to explore the ecological implications of varying boulder field complexities, particularly how they influence benthic community composition and species interactions, as well as the potential role of high BFCI patches as ecotones or ‘stepping stones’ for species movement.
Introduction
The introduction highlights the ecological significance of geogenic hard substrates, which serve as critical habitats for diverse benthic communities, providing essential ecosystem services such as shelter, feeding, and spawning areas for various marine organisms. These habitats are increasingly threatened by human activities, necessitating their protection and restoration. Understanding the distribution of these substrates is crucial, yet traditional optical remote sensing methods are limited in marine environments, making hydroacoustic techniques vital for effective seafloor mapping.
The section discusses the use of side scan sonar and multibeam echo sounders to identify boulders in geogenic reefs, emphasizing the importance of acoustic signatures in mapping these habitats. Various European regulatory frameworks classify hard substrates differently, and Germany has developed specific guidelines for identifying and delineating reef habitats. Recent advancements in machine learning, particularly neural networks, have improved the efficiency and accuracy of boulder detection in hydroacoustic data, allowing for detailed mapping of boulder fields. The authors propose a novel metric that incorporates both boulder count and spatial arrangement to better capture the structural complexity of these habitats, addressing limitations in current classification schemes that focus solely on boulder abundance.
Results
In this section, the results of the study on boulder distribution across four distinct study sites (PTG, MB, KB, and WRB) are presented, following a rigorous post-processing methodology using QGIS Version 3.34. The analysis involved the application of a 50 × 50 m grid system to facilitate comparisons with conventional approaches and to meet conservation reporting requirements. Notably, nadir artifacts were identified and removed from the KB and WRB areas, while manual data cleaning was necessary in MB and PTG due to the absence of expert-generated boulder distribution maps. The cleaning process effectively reduced false positives by eliminating detections in cells classified as “no boulders.”
The findings reveal significant variability in boulder abundance across the study sites, with PTG exhibiting the highest median count of 58 boulders per cell, followed by MB (median 43), KB (median 10), and WRB (median 10). Statistical analysis using the Mann-Whitney U-Test confirmed significant differences in boulder count distributions among all sites (p-values < 0.001). A negative correlation between boulder count and water depth was observed, indicating that boulder abundance decreases with increasing depth, particularly in shallower areas. The analysis of sharpness values, which reflect the transition between boulder-rich and boulder-poor areas, showed PTG with the highest variability, while WRB displayed the most homogeneous distribution. The study also quantified the spatial arrangement of boulders through the Spatial Distribution Ratio (SDR), revealing similar patterns across sites, with low boulder counts exhibiting a range of distribution characteristics.
Discussion
In this study, we investigated the spatial complexity of boulder fields along the German Baltic Sea coast, utilizing advanced AI-driven detection methods to analyze boulder distribution patterns across diverse geological settings. The research encompassed four study sites, each characterized by varying water depths and sediment types, and employed side-scan sonar data to identify boulders based on the Wentworth scale. The automatic detection process utilized a convolutional neural network (YOLOv4) trained on region-specific annotations, achieving significant improvements in detection rates compared to previous studies. The resulting Boulder Field Complexity Index (BFCI) integrates metrics of boulder abundance, transition sharpness, and spatial distribution, revealing substantial variability in boulder field structures across sites, which traditional categorical classifications failed to capture.
Our findings highlight the importance of not only boulder quantity but also their spatial arrangement in influencing ecological dynamics within marine environments. The BFCI provides a continuous measure that reflects geological history and ongoing hydrodynamic processes, offering insights into habitat characteristics and the potential ecological implications of boulder field complexity. However, limitations remain, particularly regarding the morphological complexity of boulders and the need for integrated biological and geophysical surveys to enhance our understanding of habitat-function relationships. Future research should focus on the ecological responses associated with varying BFCI values, exploring how benthic community compositions are influenced by boulder field characteristics and the potential roles of these structures in marine ecosystems.