Die DLR-Wissenschaftler Steffen Dietenberger (links) und Marlin Müller machen Aufnahmen mit einer Drohne von der Wurster Die Drohnenaufnahmen dienen als Datengrundlage für 3D-Modelle und Grafiken mit geografischen Koordinaten.
Quelle: DLR

26.04.2024 – Der Schutz küstennaher Infrastrukturen ist das Kernthema des Projekts RESIKOAST (Resiliente Versorgungsinfrastruktur und Warenströme im Kontext küstennaher Extremwetterereignisse). In dem 2023 gestartetem Projekt forscht das Deutsche Zentrum für Luft- und Raumfahrt (DLR) daran, wie der Ausfall kritischer Infrastrukturen wie Energienetze oder Seehäfen verhindert und die Versorgung der Bevölkerung nach solchen Ereignissen weiterhin gewährleistet werden kann. Am 24. April 2024 erhob das DLR Daten an der Wurster Nordseeküste. Die Geoinformatiker Marlin Müller und Steffen Dietenberger vom DLR-Institut für Datenwissenschaften ließen dazu eine Drohne fliegen, die zentimetergenaue Fotos vom Deich, der Küstenlinie sowie des Dei

chvorlandes mit den dort vorhanden Lahnungsfeldern und Salzwiesen aufnahm. Die Untersuchungsgebiete umfassen einen Deichabschnitt südlich von Dorum Neufeld sowie das schwimmende Moor bei Sehestedt am Jadebusen. Anschließend werden die Forscher auch 3D-Daten aus den aufgenommenen Einzelbildern generieren.

Im Herbst 2023 hatten die beiden Wissenschaftler aus Jena bereits Daten des gleichen Gebiets gesammelt. Nun können sie diese mit den aktuellen Daten vergleichen. Veränderungen der Küstenlinie, der Höhe und Beschaffenheit des Deichs sowie die Vegetation auf dem Deich können sie so automatisiert entdecken. Der Vorteil im Projekt ist, das verschiedenen Datenquellen zur Verfügung stehen. Das DLR verfügt auch über eine Vielzahl an Erdbeobachtungsdaten von Flugzeugen und Satelliten, um Bodenbewegungen langfristig zu beobachten. Mithilfe der Drohnenaufnahmen erstellen die Forscher auch sogenannte Orthomosaike. Bei solchen Bildern ist jeder Pixel genau mit geographischen Koordinaten verknüpft. So können diese Bilddaten mit Satellitendaten oder anderen Aufnahmen aus der Luft zusammengeführt werden. Solche Daten könnten auch für den örtlichen Deichverband von Interesse sein. Eine mögliche Zusammenarbeit wird derzeit ausgelotet.

Höhenmodell der Wurster-Nordseeküste, das auf zentimetergenauen Drohnendaten basiert.
Quelle: DLR

Unterstützung bei Extremwetterereignissen

Hintergrund von RESIKOAST ist der Klimawandel, der die Nord- und Ostseeküsten wie auch die angrenzenden Regionen vor neue Herausforderungen stellt. Neben einem wahrscheinlichen Anstieg des Meeresspiegels rechnen Klimaforschende mit einer steigenden Zahl an Extremwetterereignissen wie Sturmfluten, Stürmen oder Starkregen.

„Das Ziel des Projekts RESIKOAST ist, die DLR-Kompetenzen aus den Bereichen Sicherheit, Raumfahrt und Verkehr zu bündeln. Dadurch wollen wir Szenarien ableiten, die es lokalen Behörden erlauben bei Extremwetterereignissen flexibel zu reagieren. Logistikketten sowie die Versorgung der Bevölkerung sollen jederzeit sichergestellt sein“, sagt RESIKOAST-Projektleiter Dr. Jens Kahlen vom DLR-Institut für den Schutz terrestrischer Infrastrukturen aus Sankt Augustin. Besonders küstennahe Städte müssen sich zukünftig auf klimawandelbedingte Wetterereignisse wie Sturmfluten einstellen.

3D-Modell-des-Deichvorlands-der-Wurster-Nordseekueste. Veränderungen können durch automatisierten Abgleich mit Daten aus dem Jahr 2023 automatisch erkannt werden.
Quelle: DLR

Um die großen Datenmengen aus satellitenbasierten Erdbeobachtungsdaten automatisiert verarbeiten zu können, entwickeln die Forschenden KI-basierte Algorithmen. Anwendungsfälle sind zum einen die Beobachtung vom Wetter und der Auswirkung auf die Infrastrukturen, zum anderen soll es darum gehen, mögliche Folgen schneller vorauszusagen und den entsprechenden Akteuren Handlungsempfehlungen zu geben. „Ein Beispiel dafür wäre, kurzfristige Wettervorhersagen zu verbessern, so dass bei einer sich ankündigenden Sturmflut, die Hafen-Betreiber frühzeitig einen Hinweis erhalten. So hätten sie ausreichend Zeit, um Lösungen zu finden, wie die Anbindung an das Schienennetz weiterhin funktioniert und die Logistikkette erhalten bleibt“, so Kahlen. Das DLR bündelt in dem Projekt verschiedene Kompetenzen. Beteiligte sind DLR-Institute für den Schutz terrestrischer Infrastrukturen, den Schutz maritimer Infrastrukturen, Datenwissenschaften, Methodik der Fernerkundung, Verkehrssystemtechnik, Fahrzeugkonzepte, Hochfrequenztechnik und Radarsysteme, Softwaretechnologie, KI-Sicherheit sowie das Deutsche Fernerkundungsdatenzentrum.

Im nächsten Schritt des Projekts wird mit Behörden und anderen Forschungseinrichtungen ein Planspiel für die Stadt Bremerhaven erarbeitet.

www.dlr.de

Der Beitrag DLR-Projekt RESIKOAST: KI-basierte Auswertung von Drohnen- und Satellitendaten erschien zuerst auf Business Geomatics.

Wie viel Schnee liegt in den Alpen? Wieviel Wasser ist darin gebunden und speist Flüsse und Talsperren? Und wie verändert sich die Situation langfristig? Solche Fragen, die nicht nur für den Wintertourismus, sondern vor allem für Energie- und Umweltfragen, relevant sind. Beispielsweise muss man davon ausgehen, dass die Einspeisung von Wasser in die großen Flusssysteme sich über das Jahr stark verändern. Und dies auch Auswirkungen auf die Binnenschifffahrt hat.

Neueste Forschungsarbeiten in der Schweiz setzen neueste Technologien und Methoden ein, um Schneehöhen gelichermaßen flächendeckend, detailliert und aktuell zu bestimmen. Zum Einsatz kommen dafür photogrammetrische Messmethoden, Satellitendaten und KI.

Ein erstes groß angelegtes Forschungsprojekt fokussiert auf die Anwendung von Photogrammetrie für die Messung und stellt dabei die Frage, ob man dies auch für großflächige und systematische Messungen nutzen kann. Bisher war die einhellige Meinung in der Forschungslandschaft, dass Schneehöhnen nur auf Basis von Laserscanning großflächig kartiert werden kann. Zwischen den Jahren 2010 bis 2016 kartierte das SLF mit Hilfe von Airborne Laserscannern. Seitdem werden die untersuchten Gebiete photogrammetrisch beflogen, wodurch eine lückenlose, 11jährige Messdatenreihe für die Schneehöhen entstanden ist.

Großflächige photogrammetrische Analysen

Neu eingesetzt wurde dazu eine Großformatkamera Vexcel UltraCam. Für ein Gebiet bei Davos, von Klosters im Norden bis zum Piz Fourun im Süden, dem Dischma-Tal im Zentrum und einer Fläche von rund 250 Quadratkilometern haben Wissenschafter:innen die Schneedecke kartiert, dies mit einer Auflösung von einem halben Meter und einer Genauigkeit von 15cm, wie der Vergleich mit Messungen von Drohnen aus und mit der Hand zeigte.

Yves Bühler, Leiter der Forschungsgruppe Alpine Fernerkundung am SLF: «Wir waren selbst überrascht, dass wir Schnee mit Hilfe von Fotos aus dem Flugzeug in sehr hoher Auflösung so genau kartieren können.» Die erzielte Genauigkeit sei vergleichbar mit den mit ALS erzielten Ergebnissen und erfüllt die Anforderungen an eine aussagekräftige, räumlich kontinuierliche Schneehöhenkartierung in komplexem, offenem Gelände, so Bühler. Der Einsatz von Bodenkontrollpunkte war jedoch unerlässlich für die Genauigkeitsanforderungen. „So konnten wir die Komplexität der Schneehöhenverteilung in Hochgebirgsregionen besser zu verstehen“, so Bühler.

Mit biologisch abbaubarem Farbspray markieren die Forschenden mehrere Punkte zur genauen Orientierung des Oberflächenmodells. Quelle: Yves Bühler/SLF

Diese Modelle ermöglichen es, aus der Abschätzung der Schneedecke auch die Menge des darin gespeicherten Wassers (SWE) abzuschätzen. Dies geschieht über den sogenannten Schneewasseräquivalent (SWE). Die flächendeckende Gewinnung von SWE-Daten mit einem entsprechenden System ist jedoch noch in der Erprobung und gilt als komplex. Die Schneehöhe ist dabei ein erster Parameter, der für eine aussagekräftige Modellrechnung von hoher Bedeutung ist. Daher forscht das SLF auch an weiteren neuen Ansätze zur Kartierung der Schneehöhe, etwa mit optischen und Radarsatelliten.

ETH-Forschungsprojekt

Ein zweites neues Projekt erweitert neue Forschungsansätze auf den Bereich Satellitendaten und KI. Forschende an der ETH Zürich haben zusammen mit der Schweizer Firma ExoLabs ein KI-gestütztes Schneemesssystem entwickelt, das die Schneehöhe täglich und genauer als bisher bestimmen kann. Neben den besseren Daten schafft es die Technologie auch, Unsicherheiten der Schätzung mitzuliefern und damit die Bewertung der Messdaten transparent zu machen.

Das Forscherteam wurde von Konrad Schindler, ETH-Professor für Photogrammetrie und Fernerkundung geleitet. ExoLabs ist ein Spin-off der Universität Zürich und hat eine Technologie entwickelt, die mit Hilfe von Satellitenbildern und künstlicher Intelligenz die Schneehöhe analysiert.

Detaillierte Schneehöhen im Dischmatal im Jahr 2020. Quelle: Yves Bühler/SLF

„Während die besten bestehenden Schneekarten der Schweiz eine effektive Auflösung von etwa 250 mal 250 Meter haben, kann man in unsere Karten bis auf 10 mal 10 Meter hineinzoomen, um die Schneehöhe abzulesen“, sagt Schindler. Zudem sind regelmäßige Aktualisierungen zur Schneehöhe in Zukunft nicht mehr unbedingt auf neue Messdaten am Boden angewiesen. Öffentlich zugängliche Satellitenbilder reichen bei gutem Wetter aus.

Für ihre Technologie verwendeten die Forschenden optische Aufnahmen und Infrarotbilder von Sentinel-2-Satelliten der Europäischen Weltraumorganisation (ESA). Diese Satelliten nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von bis zu 10 mal 10 Metern pro Pixel auf. Das sind die detailliertesten Bilder, die derzeit kostenlos und unbeschränkt zugänglich sind.

Zusätzliche Nutzung von Geländedaten

Satellitenbilder, die weiße Flächen zeigen, reichen aber auch für eine KI nicht aus, um auf die Schneehöhe zu schließen. Daher füttern die Forschenden der KI mit Geländedaten. Daraus lässt sich ableiten, wie die Exposition sich auf den Schnee auswirkt, ein steiler Südhang beispielsweise lässt bei Sonnenschein mehr Schnee schmelzen als eine schattige Mulde.

Die Forschenden trainierten das KI-System daher darauf, die Schneehöhe aus Satelliten- und Geländedaten abzuleiten. Dazu ließen sie das System die Schneehöhen schätzen und verglichen die Ergebnisse mit realen Schneemessungen. «Wir haben an jedem Rasterpunkt festgestellt, wie weit die KI mit ihrer Schätzung daneben lag, und das System schrittweise so angepasst, dass die Fehler kleiner wurden», erklärt Schindler. In der KI-Fachsprache heißt diese Methode überwachtes Lernen.

In einer ersten Trainingsrunde verwendeten die ETH-Forschenden die Schneekarten von ExoLabs. Diese Karten basieren neben den Satellitenbildern von Sentinel-2 auch auf Bildern anderer Satellitenmissionen, die zwar räumlich weniger genau sind, dafür aber tägliche Aufnahmen liefern. Anhand der Schneekarten von ExoLabs prägte sich die KI vor allem die Muster der kleinräumigen Schneeverteilung ein, die über das eher grobmaschige Netz an Messstationen nicht erfasst werden kann.

Die Technologie der ETH-Forschenden erzeugt für die ganze Schweiz hoch aufgelöste Schneekarten auf Basis von Satelliten- und Geländedaten. Quelle: ETH Zürich

Das Finetuning der KI erfolgte dann mit sehr detaillierten Schneedaten, die das WSL-Institut für Schnee- und Lawinenforschung SLF lediglich im Bündner Dischmatal erhebt. Durch diese Daten lernte die KI, dass sich die Schneehöhe je nach Gelände innerhalb von wenigen Metern ändern kann. Diese räumlichen Zusammenhänge kann sie dann in der ganzen Schweiz anwenden und auch dort die Schneehöhe genau vorhersagen, wo keine detaillierten Messdaten durch Messtationen vorliegen.

Ein weiterer Vorteil der neuen Technologie ist, dass sie den Nutzer:innen auch die Unsicherheit der Schätzung mitliefert. Wenn es zum Beispiel länger bewölkt ist und neue Satellitenbilder keine brauchbaren Informationen liefern, steigt die Unsicherheit der Schätzung.

https://www.exolabs.ch/

www.ethz.ch

https://www.slf.ch/de/projekte/grossflaechige-schneehoehenkartierung-im-gebirge-mit-digitaler-photogrammetrie/

Der Beitrag Schneehöhenmessung mit Satelliten, Drohnen und KI erschien zuerst auf Business Geomatics.