elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Re-learning observed flood extents can improve remote sensing products

Brill, Fabio und Schlaffer, Stefan und Martinis, Sandro und Schröter, Kai und Kraibich, Heidi (2021) Re-learning observed flood extents can improve remote sensing products. In: Second International Conference on Natural Hazards and Risks in a Changing World 2021. Second International Conference on Natural Hazards and Risks in a Changing World 2021, 2021-10-05 - 2021-10-06, Potsdam.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Kurzfassung

Flood extent data is critical for both response action and subsequent impact modelling. Satellite-based emergency mapping products typically exhibit low sensitivity in vegetated and urban areas, though. As the information content of spaceborne sensor data is limited in these areas, e.g. due to shadow and overlay effects, advances in processing can primarily reduce overdetection, but hardly avoid underdetection. We present a novel procedure of re-learning the observed flood extent from different features (i.e. not derived from sensor data) using a one-class classifier (OCC). This allows us to treat the entire flood mask as training region, and extrapolate into unobservable areas. The approach was tested for hurricane Harvey in Houston, where three satellite-based flood masks of varying quality were available to us, as well as a 50 cm resolution aerial image for validation. An assessment of the initial masks showed that the standard emergency mapping product effectively detected only open water, while the high quality products detected about 40% flooded urban areas. All of these products could be improved by our presented modelling approach, with the best models raising the k score by 0.2 (high quality product) to 0.7 (standard product).

elib-URL des Eintrags:https://elib.dlr.de/144729/
Dokumentart:Konferenzbeitrag (Poster)
Titel:Re-learning observed flood extents can improve remote sensing products
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Brill, FabioGeoforschungszentrum PotsdamNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schlaffer, Stefanstefan.schlaffer (at) geo.tuwien.ac.atNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Martinis, Sandrosandro.martinis (at) dlr.dehttps://orcid.org/0000-0002-6400-361XNICHT SPEZIFIZIERT
Schröter, KaiGeoforschungszentrum PotsdamNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kraibich, HeidiGeoforschungszentrum PotsdamNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2021
Erschienen in:Second International Conference on Natural Hazards and Risks in a Changing World 2021
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:Flood, SAR, one-class classifier
Veranstaltungstitel:Second International Conference on Natural Hazards and Risks in a Changing World 2021
Veranstaltungsort:Potsdam
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:5 Oktober 2021
Veranstaltungsende:6 Oktober 2021
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Martinis, Sandro
Hinterlegt am:02 Nov 2021 20:32
Letzte Änderung:22 Jul 2024 13:11

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.