Schnelle Windwurferfassung mit Nah-Echtzeit Daten und KI-Unterstützung

Abstract

Bei Katastrophenereignissen ist es essentiell, sich schnell ein Bild über die Schäden zu verschaffen. Im Falle des Windwurfs geschieht dies häufig anhand von optischen und Radardaten z.B. der Sentinel-1 und Sentinel-2 Satelliten, wobei die Erkennung kleinerer Schäden oft nicht möglich ist. Für eine genaue Erfassung der Schäden werden oft Luftbilder erhoben. Diese liegen in der Regel wenige Wochen nach der Befliegung als Orthobilder vor, mittlerweile werden auch sogenannte Fast oder Rapid-Orthobilder mit reduzierter Qualität innerhalb von Tagen bis Wochen bereitgestellt. Die interaktive Digitalisierung der Schäden erfolgt in der Regel innerhalb mehrerer Wochen. Mit Hilfe eines integrierten Workflows ist es möglich, aus Bilddaten in Echtzeit bzw. direkt nach der Landung ein georeferenziertes Bildmosaik zu erstellen und den Anwendern als WMS oder GeoTiff kurzfristig bereitzustellen. Als Alternative zur manuellen Digitalisierung wurden 2 neuronale Netze, DeepLabv3+ und U-Net, anhand manuell digitalisierter Schadpolygone in 4 Klassen (kein Wald, Wald mit Windwurf, Wald ohne Windwurf, beräumte Fläche) trainiert und klassifiziert. Sturmwurfgebiete konnten in DeepLabv3+ mit einer Genauigkeit von 86.3% bei einer IoU von 0,75 erfasst werden, die Gesamtklassifikationsgenauigkeit beträgt 95.0% über alle Klassen. Eine Kombination aus (Nah-) Echtzeitdaten und automatisierter Windwurfdetektion bietet die Chance, Schadgebiete deutlich schneller zu erheben als dies aktuell der Fall ist.