Hyperspektrale Satellitenbilder erkennen Waldbrände

In den letzten Jahren haben Klimawandel und andere vom Menschen verursachte Umweltprobleme in der wissenschaftlichen Literatur große Beachtung gefunden. Waldbrände wurden traditionell hauptsächlich durch die Überwachung großer Gebiete von Feuerbeobachtungstürmen aus und mithilfe einfacher Geräte wie Brandmeldern erfasst. Diese Methode war jedoch nicht sehr genau, und ihre Effektivität konnte durch die Ermüdung der Beobachter während langer Beobachtungszeiten beeinträchtigt werden. Alternative Sensoren zur Erfassung von Gasen, Flammen, Rauch und Wärmeemissionen erfordern hingegen typischerweise längere Messzeiten. Aufgrund der begrenzten Reichweite dieser Sensoren kann zudem nur eine große Anzahl von Sensoren große Gebiete abdecken. Die rasante Entwicklung von Zielerkennung, Deep Learning und Fernerkundungstechnologien hat uns neue Methoden zur Erkennung und Verfolgung von Waldbränden eröffnet.

1. Wichtigste technische Klassifizierungen

Die derzeit weit verbreiteten Technologien lassen sich grob in drei Kategorien einteilen, die aktive Brände oder Rauch in Echtzeit oder nahezu Echtzeit erkennen oder beobachten können: bodengestützte, luftgestützte und satellitengestützte Systeme. Diese Technologien werden typischerweise mit Sensoren für sichtbares Licht, Infrarot, Multispektral- oder Hyperspektralsensoren kombiniert. Die erfassten Daten können anschließend mithilfe geeigneter Algorithmen der künstlichen Intelligenz (KI), meist Methoden des maschinellen Lernens (ML), verarbeitet werden. Diese Technologien nutzen die Extraktion von Merkmalen aus menschlichen Daten oder leistungsstarke KI-Methoden, um Waldbrände in ihren Frühstadien zu erkennen und das Verhalten von Rauch und Feuer zu simulieren. Verschiedene Arten von Branderkennungsmethoden sind in Abbildung 1 dargestellt.

Abbildung 1. Brandmeldeverfahren

In den letzten Jahren wurden umfangreiche Forschungsarbeiten durchgeführt, um Waldbrände mithilfe von Satellitenbildern zu identifizieren. Dies ist vor allem auf die große Anzahl gestarteter Satelliten und die damit verbundenen sinkenden Kosten zurückzuführen. Insbesondere wurde eine Reihe von Erdbeobachtungssatelliten entwickelt (z. B. Planet). Satelliten werden üblicherweise anhand ihrer Umlaufbahnen kategorisiert, wobei jede ihre eigenen Vor- und Nachteile hat. Tabelle 1 listet die wichtigsten Kategorien auf.

Tabelle 1. Satellitenkategorien

Die meisten geostationären Satelliten (GEO) in niedrigen polaren sonnensynchronen Umlaufbahnen (SSO) verfügen über präzise Höhen- und Bahnneigungsmessungen. Dadurch wird sichergestellt, dass die Satelliten bei jedem Überflug dieselbe Szene im gleichen Einfallswinkel des Sonnenlichts beobachten und die Schatten bei jedem Vorbeiflug identisch sind. Daten sonnensynchroner Satelliten weisen eine hohe räumliche, aber eine geringe zeitliche Auflösung auf (LandSat-7/8 wiederholt sich alle acht Tage, Sentinel-2A/2B in mittleren Breiten alle zwei bis drei Tage). GEO-Satelliten hingegen bieten eine geringere räumliche, aber eine höhere zeitliche Auflösung. Daher eignen sie sich nicht zur Echtzeit-Erkennung aktiver Waldbrände, sondern besser für weniger zeitkritische Aufgaben wie die Schätzung der Brandfläche. Geostationäre Satellitensysteme können Waldbrände erkennen, da sie große Gebiete erfassen können. Die meisten Satelliten, die die Erde fotografieren, verwenden multispektrale Bildsensoren und befinden sich in geostationären oder nahezu polaren sonnensynchronen Umlaufbahnen.

Tabelle 2. Liste einiger relevanter Fernerkundungssatellitensysteme und ihrer Eigenschaften

2. Aktuelle Erkennungsmethoden

Auf Basis hyperspektraler Daten lassen sich durch die Untersuchung einzelner Spektralbänder erste direkte Informationen gewinnen. So kann beispielsweise Rauch durch die Analyse des sichtbaren Nahinfrarotbereichs (VNIR) identifiziert werden, während aktive Waldbrände durch die Untersuchung gesättigter Pixel im kurzwelligen Infrarotbereich (SWIR) erkannt werden können. Tatsächlich sättigt sich das Signal im Bereich von 2000 nm bis 2400 nm bei der Beobachtung aktiver Waldbrände leicht, da das von der Erde empfangene Signal stärker ist als das von der Sonne (da Waldbrände als aktive Energiequellen wirken). Die Analyse der gesamten spektralen Eigenschaften mithilfe von Convolutional Neural Networks (CNNs) kann jedoch Fehler vermeiden und die Zuverlässigkeit der Klassifizierung verbessern.

Das CNN-Modell zur Mehrklassenklassifizierung ist in Abbildung 2 dargestellt. Das Eingangspixelspektrum der hyperspektralen Daten enthält SWIR- und VNIR-Kanäle. Es handelt sich daher um einen Hyperwürfel mit C = 2^34 Elementen (nach Entfernung ungenutzter Rohdaten). Die erste verborgene Schicht ist eine eindimensionale Faltungsschicht mit einem Kernel von 3, einem n1 = 112-Filter, gleichem Padding, einer ReLU-Aktivierungsfunktion und einem L2-Kernel-Regularisierer. Nach der Faltungsschicht folgt eine Max-Pooling-Schicht mit einer Pooling-Größe von 2 und einem Stride von 2 (n2 = n1, siehe Abbildung 2). Das Ergebnis dieses Max-Poolings wird anschließend durch eine Flattening-Schicht geleitet und dann mit einer vollständig verbundenen Schicht mit 128 Einheiten (ReLU-Aktivierungsfunktion) verbunden. Die letzte Schicht ist eine Dense-Unit-Schicht mit einer Softmax-Aktivierungsfunktion zur Mehrklassenklassifizierung. Es ist anzumerken, dass die Kennzahlen in den Abbildungen C1 und C2 leicht auszuwerten sind und von der Netzwerkarchitektur abhängen. Wir verwenden den Adam-Optimierer und die Klassifizierungs-Kreuzentropie-Verlustfunktion, um das Modell zu trainieren.

Abbildung 2. CNN-Modell zur Mehrklassenklassifizierung