Automatisierte Erkennung und Kartierung von Lawinenablagerungen mit optischen Fernerkundungsdaten

Abstract

Lawinen bedrohen Gebäude sowie Verkehrsinfrastruktur im Alpenraum. Sie fordern in der Schweiz mehr Todesopfer als jeder andere Typ von Naturkatastrophen. Deshalb sind rasch verfügbare und präzise Informationen über die Lage und Reichweite von Lawinenereignissen wichtig für die Lawinenwarnung und die Entscheidungsfindung bezüglich der Sperrung von Strassen, Bergbahnen und Skipisten. Für die Evaluation der Gefahrenprognose, für die Erstellung von Kataster und Gefahrenkarten sowie für die Kalibrierung und Evaluation von Lawinenmodellen sind sie ebenfalls von grosser Bedeutung. Heute werden diese Informationen vorwiegend von Beobachtern vor Ort erhoben. Aufgrund der eingeschränkten Zugänglichkeit hochalpiner Gebiete im Winter kann aber nur ein Bruchteil aller Lawinenereignisse erfasst werden. Insbesondere kleinere bis mittlere Lawinenereignisse in abgelegenen Gebieten werden nur sporadisch kartiert. Aber gerade dieser Lawinentyp fordert die meisten Todesopfer unter der steigenden Zahl von Wintersportlern, die sich abseits der markierten Pisten bewegen. Fernerkundungssensoren können auch über schwer zugänglichem Gebiet grossflächig Daten erheben und sind deshalb ein potentielles Werkzeug, das zur Schliessung dieser Informationslücke beitragen kann. In dieser Arbeit wird systematisch untersucht, inwiefern Lawinenkegel mit räumlich hochauflösenden optischen Fernerkundungsdaten erkannt und kartiert werden können. Anhand von Feld-Spektroradiometermessungen von neun Lawinenkegeln wird analysiert, ob allgemeingültige, substantielle spektrale Unterschiede zwischen Lawinenkegel und der angrenzenden, ungestörten Schneedecke bestehen. Obwohl interessante Absorptionsfeatures im nahen Infrarotbereich des elektromagnetischen Spektrums identifiziert werden können, sind die Unterschiede kaum ausgeprägt genug, um sie mit flugzeug- oder satellitengestützten Sensoren zu erfassen. Das direktionale Reflexionsverhalten der rauen Oberfläche eines Lawinenkegels verhält sich konträr zum Reflexionsverhalten der ungestörten Schneedecke. Anhand von Daten des Luftbildscanners ADS40, aufgenommen aus unterschiedlichen Blickwinkeln, kann gezeigt werden, dass dieser Unterschied im Reflexionsverhalten der zwei Schneeoberflächentypen mit grosser Wahrscheinlichkeit genutzt werden kann, um Lawinenkegel zu detektieren. Allerdings reicht der in dieser Untersuchung verfügbare Blickwinkelunterschied von 16° nicht aus, um Lawinenkegel allein auf Basis der direktionalen Unterschiede mit genügender Genauigkeit zu kartieren. Die Texturen von Lawinenkegeln und der ungestörten Schneedecke unterscheiden sich deutlich. Eine grobe Unterscheidung ist bereits von blossem Auge möglich. Die Statistik zweiter Ordnung, welche die räumliche Verteilung von Intensitätswerten berücksichtigt, kann Texturmerkmale in digitalen Bilddaten quantitativ erfassen. Dies ist die Voraussetzung für eine automatisierte Erkennung spezifischer Texturen. Anhand von RC30 Luftbildern, aufgenommen während des Lawinenwinters 1999, werden in der Literatur beschriebene Texturmasse auf ihre Eignung für die Unterscheidung zwischen Lawinenkegel und ungestörter Schneedecke getestet. Dabei werden die massgebenden Parameter systematisch variiert, um die optimalen Einstellungen zu identifizieren. Das Texturmass Entropy erweist sich als stabilster Indikator für die Differenzierung zwischen rauen und glatten Schneeoberflächen. Weil aber auch weitere raue Schneeoberflächen, wie vom Wind modellierte Schneedecken oder künstlich angehäufter Schnee an Rändern von Skipisten, vergleichbare Texturwerte wie Lawinenkegel zeigen, reichen Texturparameter alleine nicht aus, um Lawinenkegel eindeutig zu identifizieren. Basierend auf den Erkenntnissen aus den vorangegangenen Untersuchungen wird eine Prozessierungskette entwickelt, welche spektrale und direktionale Parameter mit Texturparametern und Informationen aus Hilfsdatensätzen kombiniert. Diese Prozessierungskette wird anhand von Daten des Luftbildscanners ADS40 im Raum Davos evaluiert und verbessert. Dabei werden 94% der in drei Testgebieten vorhandenen Lawinenkegel vom Algorithmus korrekt erkannt. Auch kleinere Kegel mit einer Fläche von weniger als 2000 m2 und Kegel in Schattenhängen werden korrekt erfasst. Dieses Ergebnis zeigt das grosse Potential des entwickelten Ansatzes für die automatisierte Erkennung und Kartierung von Lawinenkegeln. Die Verfügbarkeit geeigneter Daten ist aber aufgrund der nach intensiven Schneefällen häufigen noch vorhandenen Bewölkung eingeschränkt. Zudem treten vereinzelt Fehlklassifikationen auf. Dies sind hauptsächlich vom Wind modellierte Schneedecken, künstlich angehäufter Schnee und von spärlicher Vegetation durchsetzte Flächen. Trotz diesen Einschränkungen kann der in dieser Arbeit entwickelte Ansatz in Zukunft zur Schliessung substanzieller Datenlücken beitragen. Besonders in Gebirgen von Entwicklungsländern, in denen noch kaum verlässliche Informationen über Lawinenniedergänge existieren, können damit wertvolle Informationen für die Gefahrenkartierung und die Siedlungsplanung gewonnen werden.


Summary
Snow-avalanches kill more people in Switzerland than any other natural hazard and threaten buildings and traffic infrastructure. Rapidly available and accurate information about the location and extent of avalanche events is important for avalanche forecasting, safety assessments for roads and ski resorts, verification of warning products as well as for hazard mapping and avalanche model calibration/validation. Today, isolated observations from individual experts in the field provide information with limited coverage. Only a fraction of all avalanche events can be recorded due to restricted accessibility of many alpine terrain sections during winter season. Information on small to medium size avalanche events within remote regions is collected only sporadically. However, these avalanches notably claim most casualties within the raising number of people pursing off-slope activities. Remote sensing instruments are able to acquire wide-area datasets even over poorly accessible regions. Therefore they are promising tools to close the above- mentioned information gap. This research systematically investigates the potential of spatially high resolved remote sensing instruments for the detection and mapping of snow-avalanche deposits. Fieldspectroradiometer data of nine avalanche deposits are analysed to identify universally valid and significant spectral offsets between avalanche deposits and the adjacent undisturbed snow cover. Promising absorption features are found in the near-infrared region of the electromagnetic spectrum. Nevertheless, the differences are unlikely to be distinct enough for a detection using air- or spaceborne remote sensing instruments. The directional reflection of rough avalanche deposit surfaces is contrary to the directional reflection of smooth undisturbed snow covers. The potential of multriangular remote sensing data for the detection and mapping of avalanche deposits is demonstrated using multiangular data acquired by the airborne scanner ADS40. However, the difference between observation angles (16°) proves to be insufficient for accurate avalanche detection solely on the base of directional properties. Therefore, auxiliary data has to be utilised. The texture of avalanche deposits and undisturbed snow cover can already be distinguished by the naked eye. Using second-order statistics, comprising the spatial distribution of the variation in pixel brightness, textural characteristics in digital image data can be quantified. This is a prerequisite for an automated detection of particular textures. Different established texture measures are tested for their discriminating potential of avalanche deposits and undisturbed snow cover using RC30 aerial images of avalanche deposits acquired within the avalanche winter 1999 in Switzerland. The control parameters such as the size of the filter box are systematically varied to find the ideal settings. The texture measure Entropy is identified as the most distinct and stable indicator to distinguish between rough and smooth snow surfaces. But avalanche deposits are not the only rough snow surfaces within the Alpine winter landscape. For example wind modeled snow surfaces or artificially piled snow at the edge of roads and ski slopes show texture characteristics similar to avalanche deposits. Consequently, a classification approach using texture information only is not sufficient for an accurate identification of avalanche deposits. Based on the findings described above, we develop an avalanche detection and mapping processing chain, combining spectral, directional and textural parameters with auxiliary datasets. The processing chain is tested and improved using data acquired by the airborne scanner ADS40 over the region of Davos, Switzerland. The accuracy assessment, based on ground reference data within three test sites, shows that 94% of all existing avalanche deposits are identified. Even small scale deposits (area < 2000 m2) and deposits within shadowed areas are detected correctly. These results demonstrate the big potential of the proposed approach for automated detection and mapping of avalanche deposits. Yet, cloud cover constrains the availability of appropriate optical remote sensing data after heavy snowfall while wind modeled snow surfaces, artificially piled snow and sparsely vegetated snow surfaces cause sporadic misclassifications. Despite these constraints, the approach developed within this research shows a big potential to fill existing gaps in avalanche information. Especially within alpine areas of developing countries with almost no reliable information on past avalanche events, such an approach may be used to acquire valuable data for hazard mapping and settlement planning.