INTERGEO Agenda - deutsch

Angesichts des Klimawandels stellen die Überwachung und das Management von Wasserressourcen eine zentrale Herausforderung dar. Der Start der neuen Mission „Surface Water and Ocean Topography“ (SWOT) markierte den Beginn einer neuen Ära in der Satellitenaltimetrie und ermöglicht eine beispiellose räumliche Abdeckung der Süßwasserressourcen der Erde. Dank dieser verbesserten räumlichen Abdeckung und der sehr hohen räumlichen Auflösung des Pixel Cloud (PIXC)-Produkts, die beide durch das innovative, breitstreifige Messsystem an Bord des Satelliten ermöglicht werden, eröffnen sich neue Möglichkeiten für die globale Überwachung von Gewässern.

In dieser Studie stellen wir einen auf Deep Learning basierenden Ansatz zur Verbesserung der Wasserdetektion in SWOT-PIXC-Daten vor. Die vorgeschlagene Methode nutzt ein dynamisches Graph Convolutional Network, um sowohl räumliche Nähe als auch Featureähnlichkeit zu berücksichtigen und so unter stark unausgewogenen Bedingungen binäre Klassenlabels zu prädizieren.

Das Modell wird auf SWOT-Daten eines gesamten Jahres trainiert, die den Großraum Dallas und Fort Worth (USA), wobei zeitnahe Labels aus der DSWx-Produktsuite verwendet werden, die auf Pixelebene abgeglichen sind. Anschließend wird das Modell an einem unabhängigen Testdatensatz validiert, der aus dem Folgejahr generiert wurde, und mit dem im SWOT-PIXC-Datenprodukt bereitgestellten nativen Klassifizierungsattribut verglichen. Relative zu den aus DSWx abgeleiteten Ground-Truth-Labels verbesserte sich der mittlere F1-Score für die binäre Wasser-Land-Klassifizierung auf dem zeitlich getrennten Testdatensatz von 0,597, erreicht durch die native SWOT-Klassifizierung, auf 0,913 unter Verwendung des untersuchten Models.

Der Schwerpunkt der Studie liegt auf der Bewertung der Wirksamkeit der vorgeschlagenen Methode bei der Land-Wasser-Abgrenzung. Ein besonderer Schwerpunkt liegt auf der Verringerung von Fehlklassifikationen im Zusammenhang mit starken Radarechos, die durch bebaute Flächen verursacht werden und in städtischen Umgebungen eine vorherrschende Ursache für Fehlklassifikationen darstellen. Die Ergebnisse liefern Erkenntnisse über die Eignung dynamischer, auf graph-neuronalen Netzen basierender Ansätze für die Land-Wasser-Klassifizierung bei der höchsten räumlichen Auflösung, die die bahnbrechende SWOT-Mission bietet. Verbesserungen bieten die Aussicht auf eine genauere Hochwasserüberwachung und -management, insbesondere in städtischen Umgebungen.

(Originaltext: englisch; übersetzt mit Hilfe von DeepL)