Hochwasserservice
Das Deutsche Fernerkundungsdatenzentrum des DLR betreibt ein System zur Detektion und zum Monitoring von Hochwasserereignissen in naher Echtzeit. Es besteht aus vollautomatischen Prozessketten zur Ableitung des Ausmaßes von Hochwasserflächen basierend auf Daten der Radarsatelliten Sentinel-1 und TerraSAR-X/TanDEM-X, der Multi-Spektralsatelliten Sentinel-2 und Landsat, verschiedener hochauflösender optischen Satellitenmissionen (z.B. GeoEye-1, WorldView-2, WorldView-3) sowie UAV und Luftbilddaten.
Die automatischen Prozessketten beinhalten die folgenden Schritte: Datenintegration, Vorprozessierung, Berechnung und Anpassung globaler Zusatzdaten (zum Beispiel digitale Höhenmodelle, Geländeneigung, topographische Indizes und Referenzwassermasken) sowie die Extraktion der Hochwasserflächen.
Zur automatischen Segmentierung der Hochwasserflächen aus Sentinel-1 und optischen Fernerkundungsdaten kommen Modelle aus dem Bereich der Künstlichen Intelligenz zum Einsatz, die durch umfangreiche Referenzdatensätze trainiert wurden, während TerraSAR-X/TanDEM-X Daten durch einen automatischen Tile-basierten Schwellwertansatz in Kombination mit einem Fuzzy-Logic Postklassifikationsprozess ausgewertet werden.
Während die systematisch aufgenommenen Sentinel-1/2 sowie Landsat Daten ein kontinuierliches Hochwassermonitoring entsprechend des vordefinierten Aufnahmeplans der Europäischen Weltraumorganisation (ESA) beziehungsweise der National Aeronautics and Space Administration (NASA) erlauben, werden die Hochwasserprozessketten höher auflösender Satellitenmissionen aktiviert, sobald entsprechende Daten über den betroffenen Gebieten programmiert werden (beispielsweise im Rahmen unterschiedlicher Mechanismen zur Katastrophenbewältigung wie der Internationalen Charta „Space and Major Disasters“).
Aufgrund von Entwicklungsarbeiten sind die Prozessketten derzeit primär nur intern verfügbar. Autorisierten Nutzern können jedoch im Bedarfsfall auf Anfrage Hochwasserprodukte bereitgestellt werden.
Referenzen
Bereczky, M., Wieland, M., Krullikowski, C., Martinis, S., Plank, S., 2022. Sentinel-1-based water and flood mapping: Benchmarking Convolutional Neural Networks against an operational rule-based processing chain. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 15, 2023–2036.
Martinis, S., Twele, A., Voigt, S., 2009. Towards operational near real-time flood detection using a split-based automatic thresholding procedure on high resolution TerraSAR-X data. Nat. Hazards Earth Syst. Sci. 9, 303–314.
Martinis, S., Kersten, J., Twele, A., 2015. A fully automated TerraSAR-X based flood service. ISPRS J. Photo. Remote Sens. 104, 203–212.
Martinis, S., Groth, S., Wieland, M., Knopp, L., Rättich, M., 2022. Towards a global seasonal and permanent reference water product from sentinel-1/2 data for improved flood mapping. Remote Sens. Environ. 278, 113077.
Wieland, M., Martinis, S., 2019. A modular processing chain for automated flood monitoring from multi-spectral satellite data. Remote Sens., 11 (19), 2330.
Wieland, M., Fichtner, F., Martinis, S., Groth, S., Krullikowski, C., Plank, S., Motagh, M., 2023. S1S2-Water: A global dataset for semantic segmentation of water bodies from Sentinel-1 and Sentinel-2 satellite images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 17, 1084–1099.
Wieland M., Martinis S., Kiefl R., Gstaiger V., 2023. Semantic segmentation of water bodies in very high-resolution satellite and aerial images. Remote Sens. Environ., 287.