Anwendung von hyperkomplexen Basen für die Fusion von Sentinel-1- und Sentinel-2-Daten zur Detektion von Waldbrandflächen

Waldbrände sind ein zentrales Umwelt- und Sicherheitsrisiko, da sie Menschen, Infrastruktur, Ökosysteme und klimarelevante Kohlenstoffspeicher gleichermaßen betreffen. Um ihre Folgen beurteilen zu können, werden möglichst aktuelle und räumlich genaue Informationen über die Ausdehnung verbrannter Gebiete benötigt. Satellitendaten bieten dafür eine wichtige Grundlage, doch jeder Sensor besitzt eigene Stärken und Einschränkungen.

Optische Aufnahmen des Satelliten Sentinel-2 ermöglichen mithilfe spektraler Brandindizes eine zuverlässige Erkennung verbrannter Vegetation. Ihre Verfügbarkeit kann jedoch durch Wolken, Rauch und Schatten stark eingeschränkt sein. Der Radarsatellit Sentinel-1 arbeitet dagegen weitgehend unabhängig von Bewölkung und komplett unabhängig von Beleuchtung. Dadurch stellt er ergänzende Informationen und zusätzliche Beobachtungszeitpunkte bereit. Seine Reaktion auf Waldbrände ist allerdings weniger eindeutig und hängt unter anderem von der Vegetation an sich, deren Feuchtigkeit, der Topografie und den Eigenschaften des jeweiligen Brandereignisses ab.

Im Rahmen der Masterarbeit wurde deshalb untersucht, ob die Fusion beider Sensoren einen Mehrwert gegenüber einer rein optischen Brandflächendetektion bietet. Dafür wurden Sentinel-1- und Sentinel-2-Daten mithilfe von Kennaugh- und Kennaugh-like-Elementen in einen gemeinsamen normierten Merkmalsraum überführt und kombiniert. Die erzeugten Rasterprodukte wurden anschließend mit der am Deutschen Zentrum für Luft- und Raumfahrt entwickelten Firebeetle-Prozesskette zu konkreten Brandflächenvorhersagen erweitert.

Untersucht wurden elf Waldbrandereignisse mit unterschiedlichen Landschafts-, Vegetations- und Sichtbarkeitsbedingungen. Verglichen wurden ein optisches Sentinel-2-Produkt, ein radarbasiertes Sentinel-1-Produkt und ein fusioniertes Produkt. Im Mittel erreichte die Fusion mit einem F1-Score von 0,711 die höchste Gesamtleistung. Das optische Referenzprodukt erreichte einen mittleren F1-Score von 0,629, das radarbasierte Produkt einen Wert von 0,497.

Die Fusion war jedoch in den meisten Untersuchungsgebieten nicht das optimale Produkt. Bei hoher optischer Sichtbarkeit (wolkenloser Himmel) lieferte Sentinel-2 häufig die besten Ergebnisse, wobei die Fusion meist jedoch nur minimal schlechter abschnitt. Der Nutzen von Sentinel-1 zeigte sich insbesondere dort, wo optische Beobachtungen eingeschränkt waren oder beide Sensoren unterschiedliche Bereiche einer Brandfläche erfassten.

Ein anschauliches Beispiel ist ein Untersuchungsgebiet in Kanada British Columbia. Dort bildeten Sentinel-1 und Sentinel-2 unterschiedliche Teilbereiche der Brandfläche ab. Durch die Fusion wurden die räumlich komplementären Informationen zusammengeführt, wodurch die Brandfläche vollständiger erfasst werden konnte als durch die jeweiligen Einzelprodukte.

Die Ergebnisse zeigen, dass Sentinel-1 optische Daten nicht grundsätzlich ersetzen kann. Sein Wert liegt vielmehr in der Ergänzung einer überwiegend optischen Prozesskette mithilfe der Datenfusion und in der höheren zeitlichen Verfügbarkeit zusätzlicher Beobachtungen. Besonders vielversprechend erscheint der Einsatz in dicht bewaldeten und eher schwach reliefierten Gebieten.

Langfristig besitzt die Multi-Sensoral-Fusion damit das Potenzial für eine robuste Brandflächenkartierung, die nicht zwingend in jedem Einzelfall das beste Ergebnis liefert, aber unter wechselnden Beobachtungsbedingungen eine stabilere und zeitnah verfügbare Informationsgrundlage bereitstellt.