Vision Transformer zur Hochwassererkennung mit Satellitenbildern von Sentinel-1 und Sentinel-2

Hochwasser sind verheerende Phänomene, die fast überall auf der Welt auftreten und erhebliche Verluste sowohl an Menschenleben als auch an wirtschaftlichen Schäden verursachen. Wenn Hochwasser auftreten, besteht eine der Herausforderungen für Notfallhilfeagenturen darin, das überflutete Gebiet zu identifizieren, damit Zugangspunkte und sichere Routen schnell bestimmt werden können. Diese Studie stellt eine Hochwassererkennungsmethodik vor, die Transferlernen mit Vision Transformers und Satellitenbildern aus offenen Datensätzen kombiniert. Transformers sind leistungsfähige Modelle, die erfolgreich in der Verarbeitung natürlicher Sprache (NLP) angewendet wurden. Eine Variante dieses Modells ist der Vision Transformer (ViT), der auf Aufgaben der Bildklassifizierung angewendet werden kann. Die Methodik wird für zwei Arten von Satellitenbildern angewendet und evaluiert: Synthetic Aperture Radar (SAR)-Bilder von Sentinel-1 und Multispektralinstrument (MSI)-Bilder von Sentinel-2. Durch die Verwendung eines vortrainierten Vision Transformers und Transferlernens wird das Modell auf diesen beiden Datensätzen verfeinert, um die Modelle zu trainieren, ob die Bilder Hochwasser enthalten. Es wird festgestellt, dass die vorgeschlagene Methodik eine Genauigkeit von 84,84 % im Sentinel-1-Datensatz und 83,14 % im Sentinel-2-Datensatz erreicht, was ihre Unempfindlichkeit gegenüber dem Bildtyp und die Anwendbarkeit auf eine Vielzahl verfügbarer visueller Daten zur Hochwassererkennung zeigt. Darüber hinaus zeigt diese Studie, dass der vorgeschlagene Ansatz moderne CNN-Modelle um bis zu 15 % bei den SAR-Bildern und 9 % bei den MSI-Bildern übertrifft. Insgesamt wird gezeigt, dass die Kombination aus Transferlernen, Vision Transformers und Satellitenbildern ein vielversprechendes Werkzeug für Experten im Hochwasserrisikomanagement und Notfallhilfeagenturen ist.