Schnelle Krisenkartierung bei Hochwasser mit Hilfe von Fernerkundungsdaten und maschinellen Lernverfahren

Kurzfassung

Eine schnelle Katastrophenhilfe ist entscheidend, um Menschenleben zu retten und die Folgen von Naturkatastrophen zu begrenzen. Herkömmliche Verfahren zur Analyse von Fernerkundungsdaten – einschließlich Satelliten-, Luft- und Drohnenbildern – zur Unterstützung der Lagebewertung sind oft zeitaufwendig und ressourcenintensiv, was die Reaktionsgeschwindigkeit beeinträchtigen kann. Durch aktuelle Fortschritte im maschinellen Lernen eröffnen sich neue Möglichkeiten zur Automatisierung der Datenanalyse, die helfen, das stetig wachsende Datenvolumen sowie die räumlich-zeitliche Dynamik von Katastrophensituationen effizient zu bewältigen. Diese Arbeit bietet Einblicke in maschinelle Lernverfahren, die am Deutschen Zentrum für Luft- und Raumfahrt (DLR) für die schnelle Krisenkartierung erforscht und entwickelt wurden und im Rahmen verschiedener nationaler und internationaler Hochwasser zur Unterstützung der Katastrophenhilfe eingesetzt wurden. Wir diskutieren Aspekte der Datenerfassung und präsentieren Ergebnisse, die während der Hochwasserkatastrophen von den Einsatzkräften genutzt wurden. Darüber hinaus stellen wir experimentelle Ergebnisse aus den Forschungsprojekten KI4FloodDamage, RESITEK und AIFER vor. Dazu zählen das Hochwasser-Monitoring mit Radar-Satellitenbildern, die Detektion gefährdeter Infrastrukturen sowie die Identifizierung beschädigter Straßen und Gebäude anhand sehr hochauflösender Satelliten-, Luft- und Drohnenbilder.