SenSituMon Copernicus in Analyse und Monitoring von Überflutungsereignissen

Transkript

1 SenSituMon Nationales Fernerkundungsforum Berlin 1 Nationales Forum für Fernerkundung und Copernicus 2018 Copernicus gestaltet Fachsession: Fernerkundung und Copernicus für das Sendai-Monitoring SenSituMon Copernicus in Analyse und Monitoring von Überflutungsereignissen Alexandra Bicsan Dr. Nils Wolf

2 Agenda SenSituMon Nationales Fernerkundungsforum Berlin 2 Vorstellung Projektziele Eingangsdaten Analysemethode Vorläufige Ergebnisse

3 SenSituMon Nationales Fernerkundungsforum Berlin 3 Vorstellung Die EFTAS Fernerkundung Technologietransfer GmbH ist seit mehr als 30 Jahren einer der führenden Dienstleister für Luftbildinterpretation, Satellitenbildauswertung, Digitale Photogrammetrie und Geoinformation. Zu ihren Kunden gehören kommunale, nationale und internationale Behörden sowie Auftraggeber aus der Privatwirtschaft. Neben der operationellen Anwendung von Fernerkundungsverfahren zählt die Weiterentwicklung von Methoden zur automatischen Verarbeitung von Fernerkundungsdaten u.a. im Rahmen von Copernicus zu den Kernkompetenzen des Unternehmens. Dazu gehört auch die Weiterentwicklung von Big Data- und Data Mining-Methoden. Mit Produkten wie Micro Rapid Mapping und LAGEskizze oder Projekten wie BigGIS und SenSituMon versucht EFTAS seine Kompetenzen in einem neuen Markt, dem Feuer- und Katastrophenschutz, zu etablieren.

4 Projektziele SenSituMon Nationales Fernerkundungsforum Berlin 4 SenSituMon Prof. Dr. A. Remke (52 North), (EFTAS), Dr. Thore Fechner (con terra) Entwicklung und Erprobung innovativer Methoden und Technologien zur Erzeugung von nahe-echtzeit-informationsprodukten für das großflächige Monitoring von Überflutungsflächen aus Satelliten- und In Situ-Sensordaten

5 Projektziele SenSituMon Nationales Fernerkundungsforum Berlin 5 Zielsetzungen Automatisiertes großflächiges Monitoring von Überflutungsflächen aus verfügbaren Sensordaten (u.a.: S1, S2, Niederschlag, Wasserstände ) sowie weiterer In Situ-Daten (u.a.: DGM, DOM, Landbedeckung) Orientiert an den Anforderungen der Versicherungswirtschaft (Landwirtschaft, Wasserwirtschaft) Herausforderungen Qualität der resultierenden Informationsprodukte im automatisierten Prozess Skalierbarkeit (NRW, DE, EU) Integration von In Situ - Sensordaten (data fusion) Effiziente Prozessierung großer Datenmengen (big data) Integration bestehender Plattformen (u.a. CODE DE, Mundi WebServices)

6 Eingangsdaten SenSituMon Nationales Fernerkundungsforum Berlin 6 Ziel: Automatisierte Detektion von Überschemmungsflächen als Folge von Hochwasser/Starkregen Berechnet werden Überschwemmungsmasken auf Basis von Sentinel-Daten mit Fokus auf Sentinel-1 Intensitätsbildern. Für eine möglichst dichte Zeitreihe um das Überschwemmungsereignis werden Intensitätsbilder klassifiziert und aus dem Klassifizierungsergebnis Flutmasken abgeleitet. Aus den einzelnen Wassermasken können weitere Produkte wie die maximale Ausdehnung der Überschwemmung generiert werden.

7 Eingangsdaten SenSituMon Nationales Fernerkundungsforum Berlin 7 Sentinel-1 Intensitäten: Rückstreuung bei Wasser besonders niedrig, dadurch gute Unterscheidung von sonstigen Flächen möglich Sentinel-1 Intensität, dunkle Pixel = niedriger Wert = Wasserflächen Bei aktiven Radarsensoren keine Beeinträchtigung durch Bewölkung Aufnahmefrequenz innerhalb eines Überflugstreifens des Satelliten: 6 Tage, höhere Frequenz wenn Bilder aus überlappenden Flugstreifen genutzt werden Beispielflächen im Satellitenbild Zeitreihe S1-Intensitäten für Beispielflächen Wasser (blau) & Land (gelb, rot)

8 Eingangsdaten SenSituMon Nationales Fernerkundungsforum Berlin 8 Sentinel-1 Radar Intensität Zeitreihe

9 Eingangsdaten SenSituMon Nationales Fernerkundungsforum Berlin 9 Sum of water masks = 1 Aufsummierte Wassermasken, basierend auf Sentinel 1 Radarbilder;

10 Analysemethode SenSituMon Nationales Fernerkundungsforum Berlin 10 Site 1 Site 2 Site 3 Kein Wasser Wasser Site 4 Site 5

11 Analysemethode SenSituMon Nationales Fernerkundungsforum Berlin 11

12 Analysemethode SenSituMon Nationales Fernerkundungsforum Berlin 12 Beispiel einer Szene mit geringem Grauwertkontrast zwischen den Klassen Wasser und kein Wasser. Ursachen können Schneefall, Wind/Wellen oder trockener Offenboden in Dürreperioden sein S1B_IW_GRDH_1SDV_ T171556_ T171621_009841_011CBB_AB21

13 Analysemethode SenSituMon Nationales Fernerkundungsforum Berlin 13 Weitere Datenquellen ATKIS: Verwendung der Objektarten der Tatsächlichen Nutzung zur automatischen Generierung von Trainingsdaten für die Klassifikation ( Gewässer für die Abgrenzung permanenter Wasserflächen zu Überflutungsflächen) Höhendaten: Können sowohl für die Ersterzeugung der Wassermaske als auch für die Nachprozessierung und Plausibilitätsprüfung genutzt werden Sentinel-2 Daten: Werden aufgrund der Wolkenproblematik zunächst nicht weiter in die Analyse einbezogen. Einzelne Zeitpunkte als Referenz. Sentinel-2 CIR Szene Basis-DLM (ATKIS) permanenter Wasserkörper

14 Analysemethode SenSituMon Nationales Fernerkundungsforum Berlin 14 Überwachte Klassifikation Für die pixelbasierte Landbedeckungsklassifikation zur Überschwemmungsdetektion werden zwei Klassen definiert: o 1 Wasser o 2 kein Wasser Bei einer überwachten Klassifikation werden für jede Klasse Referenzdaten benötigt, anhand derer der Klassifikator auf den Bilddaten trainiert wird. Exkurs Trainingsdaten Repräsentative Beispielflächen der zu klassifizierenden Landbedeckungen Anhand dieser Referenzen lernt der Klassifikator die antrainierten Klassen zu unterscheiden Automatische Generierung von Trainingsdaten: Ableitung von Trainingsflächen aus ATKIS- Daten Statistische Bereinigung von unplausiblen Flächen zur Vermeidung von fehlerhaften Trainingsdaten

15 Analysemethode SenSituMon Nationales Fernerkundungsforum Berlin 15 Methode: Random Forest Überwachte Klassifikation Ensemble von randomisierten Entscheidungsbäumen Randomisierung verhindert Überanpassung an Trainingsdaten Recheneffizient Unkompliziertes Tuning der Hyperparameter Prädiktoren Beschreibung S1-T1 VV, VH, VV-Filter Backscatter zum Überflutungsereignis S1-T0-4M MC, MC-Filter Backscatter aggregiert über 4 Wochen vor dem Überflutungsereignis S1-T0-1Y MC, MC-Filter Backscatter aggregiert über 365 Tage vor dem Ereignis SRTM, DOM1L HAND, SLOPE, ASPECT Höhen- und Reliefinformation [ANIMATION!] S1 = Sentinel-1 T1 = Trigger-Zeitpunkt Überflutungsereignis 4M = 4 Wochen 1Y = 1 Jahr MC = Median-Komposite über Zeitachse HAND = Height above Nearest Drainage ATKIS-Basis-DLM gew01_f veg01_f veg02_f sie01_f Thematische a-priori Information (Gewässer, Agrar, Wald, Siedlung)

16 Vorläufige Ergebnisse SenSituMon Nationales Fernerkundungsforum Berlin 16 Überwachte Klassifikation im Use Case Überschwemmungserkennung Klassifikationsergebnis Wassermasken Sentinel-1 Intensität ATKIS TN Überschwemmungsmaske

17 Vorläufige Ergebnisse SenSituMon Nationales Fernerkundungsforum Berlin 17 Nach-Event/Normalsituation Sentinel-1 Szene vom 5. Januar 2018 (VV-Polarisation) S1B_IW_GRDH_1SDV_ T17240

18 Vorläufige Ergebnisse SenSituMon Nationales Fernerkundungsforum Berlin 18 Vor-Event/Normalsituation Median-Komposite aus 61 Szenen des Zeitraums 12 Monate vor dem Event

19 Vorläufige Ergebnisse SenSituMon Nationales Fernerkundungsforum Berlin 19 Überschwemmungsereignis am Niederrhein 5. Januar 2018 (Sturm Brunhild ) Luftbild mit Überschwemmungsmasken-Overlay (Wahrscheinlichkeiten) Low PROBABILITY high Xanten River Rhein Wesel

20 SenSituMon Nationales Fernerkundungsforum Berlin 20 - Senior-Berater - Forschung und Entwicklung EFTAS Fernerkundung Technologietransfer GmbH Oststraße 2-18 D Münster (Tel) (Fax) bodo.bernsdorf@eftas.com - Brandoberinspektor - Löschzugführer LZ 1 Stadtmitte und Pressesprecher Freiwillige Feuerwehr Werne Konrad-Adenauer-Platz 1b D Werne an der Lippe (Tel) (Fax) bodo.bernsdorf@feuerwehr-werne.de Berlin EFTAS Fernerkundung Technologietransfer GmbH ı Oststr ı Münster Dr. Bodo ı Germany Bernsdorf ı info@eftas.com ı Tel.: +49 (0) ı Fax: +49 (0)