Da der Klimawandel die Intensität von Stürmen erhöht, sind neue Werkzeuge erforderlich, um Überschwemmungen in wenig erforschten Gebieten zu kartieren.
Ein neues Kartierungstool der North Carolina State University nutzt maschinelles Lernen und Open-Source-Satellitenbilder, um Überschwemmungen in städtischen Gebieten zu modellieren. Das neue Modell könnte Karten erstellen, die Überschwemmungen in städtischen Gebieten vorhersagen, die Stadtplanern traditionell nicht zugänglich waren. Dies könnte dazu beitragen, potenziell überschwemmungsgefährdete Gebiete in städtischen Gebieten zu identifizieren, und den Beamten helfen, besser informierte Entscheidungen darüber zu treffen, wo Ressourcen für Hochwasserschutz und -prävention eingesetzt werden sollen.
Die Arbeit ist veröffentlicht im Journal Natürliche Gefahren.
Rebecca Composto, eine Doktorandin an der North Carolina State University und Hauptautorin eines Aufsatzes, in dem das Modell beschrieben wird, sagte, dass städtische Gebiete besondere Herausforderungen bei der Erfassung von Satellitendaten und der Verfolgung des Wasserflusses mit sich bringen.
„Eines der ersten Probleme ist der Schatten, den Gebäude werfen. Höhere Gebäude werfen mehr Schatten, was bedeutet, dass die Satellitenbilder dunkler erscheinen und weniger Informationen enthalten“, sagte sie. „Städtische Gebiete haben auch eine komplexere Hydrologie, da es aufgrund der vielen Entwässerungssysteme und Betonoberflächen, die kein Wasser aufnehmen, schwieriger ist, vorherzusagen, wo sich Wasser ansammelt.“
Überschwemmungen in städtischen Gebieten beginnen und enden zudem häufig schnell, manchmal zu schnell, als dass Satelliten genügend verwertbare Daten sammeln könnten. Um dieses Problem zu lösen, nutzte Composto Satellitendaten des Hurrikans Ida, der 2021 im Nordosten der USA erhebliche Überschwemmungen und Schäden verursachte. Die Überschwemmungen durch Ida dauerten in Gebieten wie Philadelphia länger als üblich, und dies in Kombination mit einer plötzlichen Auflockerung der Wolkendecke lieferte Composto genau die Art von Satellitendaten, die sie brauchte.
Der nächste Schritt bestand darin, ein maschinelles Lernmodell zu trainieren, um Überschwemmungen zu erkennen und zu kartieren. Um genügend Trainingsdaten für das Modell zu erstellen, damit es Überschwemmungen in Städten erkennen kann, hat Composto monatelang von Hand Polygone auf ihre Satellitenbilder gezeichnet, damit das Programm besser versteht, was es sieht. Diese Polygone halfen dem maschinellen Lernalgorithmus, die Merkmale der Satellitenbilder zu „erkennen“, die am ehesten mit Überschwemmungen in Zusammenhang stehen, und diese dann zu kartieren.
Composto verglich die resultierende Karte, die als Überschwemmungsgebiet bezeichnet wird, dann mit den Überschwemmungsgebieten der Federal Emergency Management Agency. Diese Gebiete werden nach ihrer Überschwemmungswahrscheinlichkeit ausgewiesen. In einem „500-Jahres-Überschwemmungsgebiet“ liegt die Wahrscheinlichkeit einer jährlichen Überschwemmung beispielsweise bei etwa 1:500. Andere Gebiete gelten als „minimales Überschwemmungsrisiko“, was sie außerhalb der Grenzen der 500-Jahres-Überschwemmungsgebietsbezeichnung platziert.
Das Modell ergab, dass es in diesen Gebieten mit minimaler Gefährdung mehr Überschwemmungen gab als in den 500-Jahres-Zonen. Composto sagte, dass dies wahrscheinlich auf die viel größere Größe der Zonen mit minimaler Gefährdung zurückzuführen sei – obwohl dort mengenmäßig mehr Überschwemmungen auftraten, war das Überschwemmungsrisiko in diesen Gebieten immer noch proportional geringer als in den 500-Jahres-Zonen.
Weitere Forschungen könnten sich auf die Vereinfachung des Modells konzentrieren, um die Nutzung zu erleichtern. Composto plant, eine neue Karte mit der Anzeige der Hochwassertiefe zu integrieren und ihren Code als Open Source freizugeben, um ihn leichter mit Einsatzleitern teilen zu können.
Zu den Co-Autoren der Forschung gehören Mirela G. Tulbure, Varun Tiwari, Mollie D. Gaines und Júlio Caineta.
Mehr Informationen:
Rebecca W. Composto et al., Quantifizierung des Ausmaßes urbaner Überschwemmungen mithilfe von Satellitenbildern und maschinellem Lernen, Natürliche Gefahren (2024). DOI: 10.1007/s11069-024-06817-5