KI-gestützte Detektion von Eisfacetten aus Multi-Sensordaten im Rahmen des Monitorings der Eiskapelle im Nationalpark Berchtesgaden

Der fortschreitende Klimawandel zeigt in den Alpen drastische Auswirkungen: Die Eiskapelle im Nationalpark Berchtesgaden, einst das tiefstgelegene permanente Firneisfeld der bayerischen Alpen, ist im September 2025 nahezu vollständig eingestürzt. Im Rahmen dieser Masterarbeit wurde in Kooperation mit Dipl.-Ing. (univ.) Andreas Wolf vom Institut für angewandte Karst- und Höhlenkunde unmittelbar nach dem Ereignis eine hochauflösende 3D-Messkampagne durchgeführt.

Für die Datenerfassung wurde ein Multi-Sensor-Ansatz eingesetzt: ein handgehaltener Laserscanner (XGRIDS Lixel L2 Pro), eine UAV-Plattform (DJI M350 RTK mit Zenmuse L2) sowie photogrammetrische Aufnahmen mit einer Sony Alpha 7R. Die kombinierte Aufnahme ermöglichte eine vollständige und detaillierte Erfassung des komplexen Geländes inklusive der verbliebenen Eisreste der Eiskapelle mit Genauigkeiten im Bereich von 2–3 cm.

Die Qualität des zugrunde liegenden Festpunktfeldes wird durch eine Netzausgleichung mit 17 weich gelagerten Anschlusspunkten und 31 berechneten Neupunkten bestätigt. Dabei ergeben sich mittlere Standardabweichungen von ca. 12 mm in der Lage und 17 mm in der Höhe und liegen damit im erwarteten Genauigkeitsbereich von 2-3 cm. Auch die anschließende Registrierung der Punktwolken liefert konsistente RMS-Werte von 2-3 cm, sodass insgesamt eine hohe geometrische Qualität der Datengrundlage gewährleistet ist. Durch das freigelegte Urgelände konnte erstmals eine absolute Volumenbestimmung durchgeführt werden. Der Epochenvergleich mit historischen Daten zeigt dabei einen massiven Volumenverlust der Eiskapelle: Bereits zwischen 2019 und 2021 halbierte sich das Volumen, und nach dem Einsturz im Jahr 2025 ist weniger als 1 % des ursprünglichen Volumens vorhanden (insgesamt ca. 1 Mio. m³ Verlust).

Ein zentraler Bestandteil der Arbeit ist die automatisierte Detektion von Eisfacetten in den Punktwolken. Hierfür wurden vier Methoden untersucht: DBSCAN und RANSAC (geometriebasiert) sowie Random Forest und YOLOv8 (maschinelles Lernen). Die geometrischen Ansätze sowie der Random Forest stießen insbesondere in komplexen geometrischen Bereichen an ihre Grenzen. Der YOLOv8-basierte Ansatz zeigt hingegen die besten Ergebnisse. Durch die Transformation der Punktwolken in Falschfarben-Rasterbilder wird eine robuste und sensorunabhängige Detektion ermöglicht. Mit einem F1-Score von 0,72 übertrifft YOLO die anderen Methoden deutlich. Das Verfahren erkennt gezielt klar ausgeprägte Facetten und unterscheidet semantisch zwischen Facette und Hintergrund. Einschränkungen bestehen aktuell noch bei kleinen Facetten sowie in stark gekrümmten Wandbereichen, da hier die Projektion in die Bildebene an ihre Grenzen stößt.

Insgesamt zeigt die Arbeit, dass die Kombination aus Multi-Sensor-Erfassung und KI-gestützter Auswertung ein leistungsfähiger Ansatz für das Monitoring dynamischer Hochgebirgsprozesse ist. Insbesondere der YOLOv8-Ansatz eröffnet perspektivisch großes Potenzial für die automatisierte Analyse geomorphologischer Strukturen, auch über den alpinen Raum hinaus.