Master

Fakultät 08
Entwicklung eines Algorithmus zur automatischen Detektion von Hochwasser auf Basis von multispektralen Satellitendaten
Kategorie:
Abschlussarbeit
Studiengang:
Status:
abgeschlossen
BetreuerIn:
Extern/e BetreuerIn:
Dr. Simon Plank, Dr. Sandro Martinis (Earth Observation Center, DLR)
Extern/e AutorIn:
Christian Becker
Jahr:
2016
Weiteres

Christian Becker 2016: Global flood detection using Sentinel-2A-MSI by combining histogram-based and regional methods compared with an automated RandomForest approach (MA extern)


Karte: Mississippi - USA Flood-Situation as of 17-01-2016
Karte: Mississippi - USA Flood-Situation as of 17-01-2016

Global flood detection using Sentinel-2A-MSI by combining histogram-based and regional methods compared with an automated RandomForest approach


Fernerkundung bietet die Möglichkeit zeitnah entscheidende Kriseninformationen zur Ausdehnung von überfluteten Gebieten zu liefern. Das Intergovernmental Panel on Climate Change (IPCC) erwartet zum Ende des Jahrhunderts einen Anstieg von Starkniederschlagsereignissen für die mittleren Breiten und die tropischen Gebiete. Eine Zunahme der Flutereignisse für die entsprechenden Regionen ist daher sehr wahrscheinlich. Um dem erwarteten Anstieg der Ereignisse gerecht zu werden, ist die Entwicklung von neuen Informationsdiensten im Rahmen des Global Monitoring for Environment and Security (GMES) Programm zu verfolgen. Diese Arbeit präsentiert eine globale Methode zur Flutdetektion aus den multispektralen Satellitendaten des Sentinel-2A Satelliten. Die Methode kombiniert verbreitete Indices zur Wasserdetektion, Histogramm-basierte Schwellwertoperationen mit morhoplogischen und regionalen Operatoren. Zusätzlich wird das Potential des RandomForest (RF) Klassifikators, einer der vielversprechendsten überwachten Ensemble-Klassifikatoren, untersucht. Da das manuelle Auswählen von representativen Trainingsgebieten sehr zeitintensiv ist, wird eine automatische Auswahlmethode basierend auf dem vorgestellten Water Rank Layer (WRL) präsentiert. Die Klassifikationsgenauigkeit wurde anhand von drei Testgebieten untersucht. Der Histogramm-basierte Ansatz zeigte insgesamt gute Ergebnisse, mit Overall Accuracy (OA) von 0.875 bis 0.983 und Kappa-Koeffizienten von 0.705 bis 0.901. Mit dem RandomForest (RF) Klassifikator konnte ein messbarer Anstieg der Genauigkeiten, mit Overall Accuracy (OA) von 0.929 bis 0.995 und Kappa-Koeffizienten von 0.679 bis 0.967, erreicht werden.

Suche

Suchen Sie
... Abschlussarbeiten, Projekte oder Publikationen zu einem bestimmten Thema? Dann verwenden Sie das Suchformular.

... oder von einem bestimmten Autor oder Betreuer? Dann können Sie auch auf den persönlichen Seiten nachsehen.