Automatische Detektion von Lawinen in Fernerkundungsdaten

Flächendeckende und räumlich hochaufgelöste Satellitendaten sind sehr gut zur Dokumentation von Lawinenperioden geeignet. Kleinere Gebiet können auch mit Drohnen abgedeckt werden. Um Informationen 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 eine grossfläche 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).

Abbildung 1: Lawinendichte pro Quadratkilometer für 2018 und 2019 berechnet mit den aus SPOT kartierten Lawinen.

Zuverlässigkeit der Kartierungen ¶

Um Herauszufinden wie zuverlässig und vollständig die kartierten Lawinen der verschiedenen Methoden sind, haben wir dies in einem Testgebiet von 180 km²rund 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 2). 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.

Abbildung 2: Detektionsrate nach Lawinengrösse für die Kartierungen aus SPOT (optisch), Sentinel-1 (Radar) und Sentinel-2 (optisch). Die schwarzen Punkte, die schwarze Linie und der grau schattierte Bereich zeigen den Anteil der Lawinen einer Grösse die durchschnittlich kartiert wurden. Zusätzlich sind die Werte für 2018 (gelbe Dreiecke) und 2019 (türkise Quadrate) dargestellt.

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 in Zusammenarbeit mit dem EcoVision Lab der ETHZ an einer Automatisierung der Lawinenkartierung mit Machine Learning Algorithmen. Mithilfe der manuell kartierten Lawinen von 2018 und 2019 haben wir ein DeepLabV3+ trainiert. Beim DeepLabV3+ handelt es sich um ein Modell zur semantischen Segmentation das erfolgreich für viele andere Datensätze eingesetzt wurde. Wir haben das Modell leicht angepasst, um das für Lawinen wichtige Gelände explizit berücksichtigen zu können.

Die Validierung hat gezeigt, dass das Model Lawinen in SPOT 6/7 Satellitenbildern genauso gut identifizieren kann wie ein Mensch (sh. Abb. 3). Für zukünftige Anwendungen möchten wir herausfinden wie gut das Model bei anderen Beleuchtungs- und Schneeverhältnissen sowie mit Daten anderer Sensoren funktioniert.

Abbildung 3: Ergebnisse einer automatisierten Lawinenkartierung für ein Gebiet im Mattertal am 6. Januar 2018 auf dem nicht trainiert wurde. Je dunkler der Farbton, desto wahrscheinlicher schätzt das Model das Vorkommen einer Lawine ein. Blau umrandet sind die Lawinenumrisse aus der manuellen Kartierung dargestellt. (SPOT6/7 ©Airbus DS2018)

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.