Navigation mit Access Keys

Hauptinhalt

 
 

Automatische Detektion von Lawinen in Fernerkundungsdaten

Flächendeckende und räumlich hochaufgelöste Satellitendaten sind sehr gut zur Dokumentation von Lawinenperioden geeignet. Kleinere Gebiet könne auch mit Drohnen abgedeckt werden. Um Information zu den aufgetretenen Lawinen möglichst zeitnah zur Verfügung stellen zu können, arbeitet das SLF an einer Automatisierung der Kartierung aus solchen Daten.

 

Hintergrund

Informationen zur räumlichen Verteilung und der Grösse der aufgetretenen Lawinen sind zentral für die Lawinenwarnung, die Lawinendokumentation, die Gestaltung von Schutzmassnahmen sowie die Gefahrenzonenausweisung. Trotz dieses Einflusses stehen diese Information zurzeit nur für begrenzte Regionen und Zeitintervalle zur Verfügung. Mit Lawinenkartierungen aus Satellitenbildern, welche in letzter Zeit getestet wurden, wird versucht diese Lücke zu schliessen.

Im Januar 2018 und 2019 gab es in grossen Teilen der Schweiz, erstmals seit dem «Lawinenwinter 1999», Perioden mit sehr grosser Lawinengefahr (Stufe 5). In Zusammenarbeit mit dem BAFU, den Kantonen Wallis und Graubünden und der swisstopo wurde einegrossfläche Erfassung der Lawinen aus SPOT6 Satellitenbildern (optisch, 1.5m Auflösung) durchgeführt (Bühler et al., 2019). Für diese Kartierung wurde insgesamt eine Fläche von ~22’000 km2 (2018: ~12’500 km2; 2019: ~9’500 km2) untersucht und insgesamt 24 778 (2018: 18 737; 2019: 6 041) Lawinenumrisse erfasst. Zusätzlich wurden auf kleinerem Gebiet wetterunabhängige Radardaten (TerraSAR-x & Sentinel-1) getestet (Leinss et al., 2020).

 

 

 
 

Zuverlässigkeit der Kartierungen

Um Herauszufinden wie zuverlässig und vollständig die kartierten Lawinen der verschiedenen Methoden sind, haben wir dies in einem Testgebiet von 180 km2 rund um Davos untersucht. Die SPOT Kartierung erfasst mit einer Probability of Detection (POD) von 0.74 und einem Positive Predictive Value (PPV) von 0.88, für Lawinen grösser als Grösse 1, zuverlässig den Grossteil aller Lawinen. Im gleichen Gebiet erzielte Sentinel-1 (Radar) einen POD von 0.27 und einen PPV von 0.87 (Lawinen ≥ Grösse 2). Die Unterschiede lassen sich auf abweichenden Detektionsraten von Lawinen verschiedener Grösse zurückführen, denn die abnehmenden Detektionsraten mit abnehmender Lawinengrösse sind bei Sentinel-1 stärker ausgeprägt (Abb xy). Mit einem PPV von 0.81 und einer POD von 0.06 wurden aus Sentinel-2 (optisch, niedrigere Auflösung als SPOT) nur sehr wenige Lawinen kartiert.

 
 

Mit dieser Untersuchung haben wir erstmals die Zuverlässigkeit und Vollständigkeit von Lawinenkartierungen basierend auf Sensoren, die grosse Regionen abdecken können, untersucht. Durch diese Analyse konnten wir zeigen, dass Kartierungen aus SPOT grosses Potential haben um grossflächig Lawinen zu kartieren, während Sentinel-1 für grössere Lawinen (Grösse 3 bis 5) recht zuverlässig ist. Die Vollständigkeit der Kartierung basierend auf Sentinel-2 ist nicht zufriedenstellend (Hafner et al., 2020).

 

Automatisierung der Kartierung mit machine learning (ML)

Durchschnittlich wurden bei der manuellen Kartierung aus SPOT für eine Lawine sowie die Erfassung ihrer Attribute zwei Minuten benötigt. Bei grossen Gebieten mit vielen Lawinen ergibt sich dadurch eine erhebliche Gesamtkartierzeit, welche hohe Kosten verursacht. Um zukünftige Kartierungen zu beschleunigen arbeiten wir an einer Automatisierung der Lawinenkartierung mit Machine Learning Algorithmen. Aus diesem Grund beschäftigt sich je eine Person in ihrer Doktorarbeit bzw. Masterarbeit mit dem Thema, beide in Zusammenarbeit mit dem EcoVision Lab der ETHZ. Mithilfe der manuell kartierten Lawinen von 2018 und 2019, die wir für Training, Evaluation und Testen verwenden, arbeiten wir so daran die Kartierung in Zukunft auf (fast) Echtzeit zu beschleunigen. Für ein optimales Ergebnis werden wir dabei verschiedene Algorithmen testen, kombinieren und adaptieren (u.a. Deep Learning, Random Forest).

 
 

Projekt AvalMapper

Im Rahmen des AvalMapper Projektes arbeiten wir mit dem Autonomous System Lab (ASL) der ETHZ zusammen. Dabei kombinieren wir ihr Wissen bei der Entwicklung von Starrflügeldrohnen für spezielle Anwendungen mit unserer Erfahrung von Drohneneinsätzen im hochalpinen Gelände und der Kartierung von Lawinen aus Fernerkundungsdaten. Gemeinsam arbeiten wir daran, eine Drohne zu bauen die Lawinenperioden in der Landschaft Davos autonom dokumentiert und bei der anschliessend die aufgenommen Lawinen automatisch kartiert werden. Um dies zu erreichen, testen wir vorhandene Drohnen und Kameras, während wir gleichzeitig den Kartieralgorithmus verfeinern und anpassen um Lawinen aus hochauflösenden optischen Drohnendaten zu kartieren.

 

Video 1: So ähnlich könnte die AvalMapperdrohne aussehen: SenseSoar2, eine Starrflügeldrohne mit Solarunterstützung die im Autonomous Systems Lab an der ETHZ entwickelt wurde.

 

 

 

WEITERFÜHRENDE INFORMATIONEN