Al4Flood: Artificial Intelligence (AI) for Near-Real Time Satellite-based Flood Response

Katastrophenmanager fordern häufig satellitengestützte Kriseninformationen für die Hochwasserüberwachung an, um die oft begrenzten Ressourcen gezielt zu nutzen und um im Katastrophenfall die einzelnen Aktivitäten zu priorisieren. Dieses Projekt zielt darauf ab, bestehende satellitengestützte Notfallkartierungsmethoden aus SAR-Daten (SynthetischesApertur Radar) zu verbessern, indem neue Algorithmen für maschinelles Lernen zur Extraktion von Wasserflächen bei Hochwasserereignissen getestet und validiert werden. Besonderer Fokus liegt dabei auf der Automatisierung des visuellen Bildanalyseprozesses durch den Einsatz von Convolutional Neural Networks (CNNs) zur semantischen Segmentierung von systematisch erfassten Sentinel-1A/B SAR-Daten mit hoher räumlicher(20m) und zeitlicher (3-5 Tage) Auflösung. Verschiedene Algorithmen des maschinellen Lernens mit dem Schwerpunkt CNNs werden implementiert, trainiert sowie umfassend validiert und getestet. Insbesondere der Einfluss verschiedener SAR-Informationen, die aus Amplituden und komplexen SAR Bildern abgeleitet werden, wird im Rahmen des Projektes evaluiert.

Partner:
- Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR)
- Deutsches Fernerkundungsdatenzentrum, Georisiken und zivile Sicherheit