Auswirkungen des Klimawandels, wie der Anstieg des Meeresspiegels und sich verändernde Stürme, bedrohen die Küstenregionen. Korrekte Vorhersagen der signifikanten Wellenhöhe (SWH) sind daher für den Küstenschutz von entscheidender Bedeutung. In den Küstengebieten der ostfriesischen Nordsee bestimmen die morphodynamische Variabilität der Sandbänke des Gezeitendeltas (ETD) das Seegangsklima. Ziel dieser Arbeit ist es, die Auswirkungen der Küstenmorphodynamik auf den Seegang durch die Analyse des ETD-Dämpfungseffektes zu verstehen und dieses Wissen zur Verbesserung von räumlichen und zeitlichen Vorhersagen der SWH mit maschinellen Lernverfahren im Forschungsgebiet Norderney zu nutzen. Aufgrund von Variationen der Küstenmorphodynamik zeigte die Quantifizierung der Seegangsdämpfung eine Variabilität von 14 2%, während die ETD-Sandbänke einen Dämpfungseffekt von 41 11% verursachten. Erstmals wurde ein neuronales LSTM-Netz mit bathymetrischen Inputdaten entwickelt. Mit einem RMSE von 0,069 m konnte eine parallele LSTM-Struktur die Rekonstruktion der SWH um 16,7% verbessern. Es wurde ein zweidimensionales CNN zur räumlichen Vorhersage der Wellenhöhen unter Berücksichtigung der sich kontinuierlich morphodynamisch verändernden ETD-Sandbänke entwickelt. Aufgrund der begrenzt verfügbaren bathymetrischen Daten wurden erstmalig geostatistische Variogrammanalysen und Zufallsfelder für die Simulation synthetischer ETD-Sandbänke eingesetzt, um Trainingsdaten zu generieren. Trainiert auf gemischten Daten aus numerischen SWAN-Modellen sowie metozeanischen Messungen, erreichte das CNN einen räumlich-gemittelten RMSE von 0,097 m. Eine weitere Validierung mit Bojenmessungen ergab eine vergleichbare Leistung von CNN (RMSE = 0,23 m) und SWAN (RMSE = 0,218 m). Da der Ansatz des maschinellen Lernens die Berechnungszeit im Vergleich zum numerischen Modell um einen Faktor >300 000 reduzieren konnte, bietet er die Möglichkeit der Echtzeitvorhersage.

Climate change impacts such as sea level rise and change in storms threaten coastal regions. Therefore, predictions of significant wave height (SWH) become crucial for coastal protection. Especially for the coastal areas of the East Frisian North Sea, the complex morphodynamic variability of ebb-tidal delta (ETD) sandbanks determines the wave climate. The major aim of this dissertation was to enhance the understanding of coastal morphodynamic impacts on the nearshore sea state by analysis of the ETD damping effect as well as utilizing this knowledge to improve spatial and temporal machine learning predictions of SWH in the research area of Norderney, Germany. Quantification of the sea state damping revealed a crucial variability of up to 14 2% due to variations of the coastal morphodynamics, while an average damping effect of 41 11% was found for the ETD sandbanks. An LSTM neural network using bathymetric data for SWH predictions was developed for the first time. With an RMSE of 0.069 m, a parallel LSTM structure was able to improve the SWH reconstruction using bathymetric data by 16.7%. A two-dimensional CNN SWH forecasting model was developed for spatial predictions considering ETD sandbanks. Limited by the few costly bathymetric data available, it was required to develop a method to generate sufficient training data. For the first time, geostatistical variogram analysis and random fields were applied for ETD sandbank simulations. Trained with SWAN-modeled and metocean ground truth, the mixed-data CNN surrogate model achieved good accuracy with an spatial averaged RMSE of 0.097 m. Validation on buoy measurements revealed similar performance of the CNN (RMSE = 0.23 m) and SWAN (RMSE = 0.218 m). In addition, the efficient machine learning approach offers the possibility of real-time forecasting and exploration of morphodynamic and metocean scenarios for coastal p++