TY - THES A1 - Korzeniowska, Karolina T1 - Object-based image analysis for detecting landforms diagnostic of natural hazards T1 - Objektbasierte Bildanalyse zur Erfassung spezieller diagnostischer Landformen von Naturgefahren N2 - Natural and potentially hazardous events occur on the Earth’s surface every day. The most destructive of these processes must be monitored, because they may cause loss of lives, infrastructure, and natural resources, or have a negative effect on the environment. A variety of remote sensing technologies allow the recoding of data to detect these processes in the first place, partly based on the diagnostic landforms that they form. To perform this effectively, automatic methods are desirable. Universal detection of natural hazards is challenging due to their differences in spatial impacts, timing and longevity of consequences, and the spatial resolution of remote-sensing data. Previous studies have reported that topographic metrics such as roughness, which can be captured from digital elevation data, can reveal landforms diagnostic of natural hazards, such as gullies, dunes, lava fields, landslides and snow avalanches, as these landforms tend to be more heterogeneous than the surrounding landscape. A single roughness metric is often limited in such detections; however, a more complex approach that exploits the spatial relation and the location of objects, such as object-based image analysis (OBIA), is desirable. In this thesis, I propose a topographic roughness measure derived from an airborne laser scanning (ALS) digital terrain model (DTM) and discuss its performance in detecting landforms principally diagnostic of natural hazards. I further develop OBIA-based algorithms for the detection of snow avalanches using near-infrared (NIR) aerial images, and the size (changes) of mountain lakes using LANDSAT satellite images. I quantitatively test and document how the level of difficulty in detecting these very challenging landforms depends on the input data resolution, the derivatives that could be evaluated from images and DTMs, the size, shape and complexity of landforms, and the capabilities of obtaining the information in the data. I demonstrate that surface roughness is a promising metric for detecting different landforms in diverse environments, and that OBIA assists significantly in detecting parts of lakes and snow avalanches that may not be correctly assigned by applying only the thresholding of spectral properties of data and their derivatives. The curvature-based surface roughness parameter allows the detection of gullies, dunes, lava fields and landslides with a user’s accuracy of 0.63, 0.21, 0.53, and 0.45, respectively. The OBIA algorithms for detecting lakes and snow avalanches obtained user’s accuracy of 0.98, and 0.78, respectively. Most of the analysed landforms constituted only a small part of the entire dataset, and therefore the user’s accuracy is the most appropriate performance measure that should be given in a such classification, because it tells how many automatically-extracted pixels in fact represent the object that one wants to classify, and its calculation does not take the second (background) class into account. One advantage of the proposed roughness parameter is that it allows the extraction of the heterogeneity of the surface without the need for data detrending. The OBIA approach is novel in that it allows the classification of lakes regardless of the physical state of their water, and also allows the separation of frozen lakes from glaciers that have very similar water indices used in purely optical remote sensing applications. The algorithm proposed for snow avalanches allows the detection of release zones, tracks, and deposition zones by verifying the snow heterogeneity based on a roughness metric evaluated from a water index, and by analysing the local relation of segments with their neighbouring objects. This algorithm contains few steps, which allows for the simultaneous classification of avalanches that occur on diverse mountain slopes and differ in size and shape. This thesis contributes to natural hazard research as it provides automatic solutions to tracking six different landforms that are diagnostic of natural hazards over large regions. This is a step toward delineating areas susceptible to the processes producing these landforms and the improvement of hazard maps. N2 - Naturgefahren und potenziell gefährliche Ereignisse der Erdoberfläche treten jeden Tag auf. Prozesse mit Zerstörungswirkungen sollten identifiziert werden, weil sie Gefahren für besiedelte Gebiete sowie menschliches Leben haben können. Naturgefahren haben erhebliche Einflüsse auf die Umwelt. Eine Vielzahl von Fernerkundungstechnologien, die heutzutage verfügbar sind, erlauben die Aufnahme und Speicherung von Datensätzen, die bei der Erkennung solcher Naturgefahren helfen können. Eine wichtige Grundlage dafür stellt die diagnostische Landform dar, welche die Naturgefahr ausbildet. Für eine effiziente Analyse sind automatische Methoden wünschenswert. Die Verwendung einer universellen Methode zur Erkennung von Naturgefahren ist deshalb eine Herausforderung, weil die räumlichen Ausdehnungen unterschiedlich sind. So können diese unterschiedlichen Alters sein und verschiedene räumliche Auflösungen in Fernerkundungsdaten besitzen. Dies beeinflusst den Detailierungsgrad bei der Abbildung der Erdoberfläche. Frühere Studien zeigen, dass Ableitungen wie beispielweise die Rauheit, die von Fernerkundungsdaten erfasst werden kann, es erlauben, Naturgefahrenphänomene wie z. B. Erosionsrinnen, Dünen, Lavafelder, Erdrutsche und Schneelawinen zu erkennen, weil sie heterogener sind als umgebende Objekte. Dennoch ist es nicht zulässig, allein mittels der eigenständigen Rauheit eine Unterscheidung zwischen den erfassten Landschaftsformen vorzunehmen. Hier ist ein komplexer Ansatz wie die Objektbasierte Bildanalyse (OBIA) wünschenswert, weil ein solcher sowohl die räumliche Relation als auch die Lage von Objekten verwendet. In dieser Dissertation schlage ich einen Oberflächenrauhigkeitsindex, abgeleitet aus einem durch Airborne Laserscanning (ALS) erfassten digitalen Geländemodells (DTM), vor und diskutiere die Faktoren, die die Darstellung von Naturgefahrenphänomenen mittels dieser Variable beeinflussen. Ich präsentiere auch OBIA-basierte, automatische Algorithmen für die Erkennung von Schneelawinen welche aus Nah-Infrarot (NIR) Luftbildern ausgewertet wurden sowie den Verlauf einer Seegrenze, die auf LANDSAT Satellitenbildern abgebildet wird. Ich zeige weiterhin, dass der Schwierigkeitsgrad für die Erfassung der analysierten Phänomene variabel und abhängig von den Dateneigenschaften, der Komplexität der getrackten Phänomene sowie von den qualitativen Ausprägungen des Informationsgehaltes ist. Ferner werde ich zeigen, dass die vorgeschlagene Oberflächenrauhigkeit die räumliche Ausdehnung der verschiedenen Phänomene zu bestimmen erlaubt, und dass der OBIA-Ansatz deutlich bei der Erkennung von Objekten und derjenigen Teile hilft, die nicht korrekt nur durch Verwendung spektraler Eigenschaften von Daten und deren Derivaten zugewiesen werden konnten. Der krümmungsbasierte Oberflächenrauhigkeitindex ermöglicht die Erkennung von Erosionsrinnen, Dünen, Lavafeldern, und Erdrutschen mit einer Benutzergenauigkeit von: 0.63, 0.21, 0.53 und 0.45. Vergleichend dazu erzielen die vorgestellten OBIA-Algorithmen für die Erfassung von Seen und Schneelawinen eine Benutzergenauigkeit von 0.98 und 0.78. Die in dieser Arbeit analysierten Landformen stellen einen Ausschnitt aus dem Gesamtspektrum vorkommender Strukturen dar. Die Benutzergenauigkeit stellt dabei den am besten geeigneten Leistungsindex dar, auf dem basierend eine Klassifikation durchgeführt werden kann. Die Benutzergenauigkeit gibt an, wie viele der automatisch extrahierten Pixel das zu klassifizierende Objekt tatsächlich repräsentieren. Eine Betrachtung einer zweiten (Hintergrund-) Klasse muss durch diesen Ansatz nicht erfolgen. Ein Vorteil des vorgeschlagenen Oberflächenrauhigkeitindex ist, dass er die Extraktion der Heterogenität der Oberfläche ohne die Notwendigkeit eines Daten-detrendings ermöglicht. Der OBIA-Ansatz für die Erfassung von Seegrenzen erlaubt es einerseits, Seen ungeachtet der physikalischen Zustände des Wassers zu klassifizieren und anderseits gefrorene Seen von den Gletschern zu unterschieden, welche ähnliche Eigenschaften beim Wasserindex aufweisen. Der für Schneelawinen vorgeschlagene Algorithmus wiederum ermöglicht insgesamt die Erfassung von Anbruchgebieten, Sturzbahnen und Ablagerungszonen durch Verifikation der Schneeheterogenität sowie die lokalen Beziehungen zu benachbarten Objekten. Dieser Algorithmus enthält einige Schritte, die es erlauben, gleichzeitig Lawinen zu klassifizieren, die in verschiedenen Berghängen auftreten und unterschiedliche Größen und Formen haben. Diese Dissertation trägt zur Naturgefahrenforschung bei, da sie automatische Lösungen für das Monitoring von sechs verschiedenen Landformen bietet, die typisch für Naturgefahren sind. Es wird somit dazu beigetragen, Gebiete abgrenzbar zu machen, welche für das Auftreten von Gefahrenphänomenen besonders anfällig sind. Zudem können damit auch Verbesserungen bei der Erstellung von Gefahrenkarten erreicht werden. KW - object based image analysis KW - automatic classification KW - GIS KW - satellite images KW - photogrammetry KW - landforms KW - natural hazards KW - snow avalanches KW - lakes KW - roughness KW - objektbasierte Bildanalyse KW - automatische Klassifizierung KW - GIS KW - Satellitenbilder KW - Photogrammetrie KW - Landformen KW - Naturgefahren KW - Lawinen KW - Seen KW - Rauheit Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-402240 ER - TY - THES A1 - Veh, Georg T1 - Outburst floods from moraine-dammed lakes in the Himalayas T1 - Ausbruchsfluten von moränen-gestauten Seen im Himalaya BT - detection, frequency, and hazard BT - Erkennung, Häufigkeit, und Gefährdung N2 - The Himalayas are a region that is most dependent, but also frequently prone to hazards from changing meltwater resources. This mountain belt hosts the highest mountain peaks on earth, has the largest reserve of ice outside the polar regions, and is home to a rapidly growing population in recent decades. One source of hazard has attracted scientific research in particular in the past two decades: glacial lake outburst floods (GLOFs) occurred rarely, but mostly with fatal and catastrophic consequences for downstream communities and infrastructure. Such GLOFs can suddenly release several million cubic meters of water from naturally impounded meltwater lakes. Glacial lakes have grown in number and size by ongoing glacial mass losses in the Himalayas. Theory holds that enhanced meltwater production may increase GLOF frequency, but has never been tested so far. The key challenge to test this notion are the high altitudes of >4000 m, at which lakes occur, making field work impractical. Moreover, flood waves can attenuate rapidly in mountain channels downstream, so that many GLOFs have likely gone unnoticed in past decades. Our knowledge on GLOFs is hence likely biased towards larger, destructive cases, which challenges a detailed quantification of their frequency and their response to atmospheric warming. Robustly quantifying the magnitude and frequency of GLOFs is essential for risk assessment and management along mountain rivers, not least to implement their return periods in building design codes. Motivated by this limited knowledge of GLOF frequency and hazard, I developed an algorithm that efficiently detects GLOFs from satellite images. In essence, this algorithm classifies land cover in 30 years (~1988–2017) of continuously recorded Landsat images over the Himalayas, and calculates likelihoods for rapidly shrinking water bodies in the stack of land cover images. I visually assessed such detected tell-tale sites for sediment fans in the river channel downstream, a second key diagnostic of GLOFs. Rigorous tests and validation with known cases from roughly 10% of the Himalayas suggested that this algorithm is robust against frequent image noise, and hence capable to identify previously unknown GLOFs. Extending the search radius to the entire Himalayan mountain range revealed some 22 newly detected GLOFs. I thus more than doubled the existing GLOF count from 16 previously known cases since 1988, and found a dominant cluster of GLOFs in the Central and Eastern Himalayas (Bhutan and Eastern Nepal), compared to the rarer affected ranges in the North. Yet, the total of 38 GLOFs showed no change in the annual frequency, so that the activity of GLOFs per unit glacial lake area has decreased in the past 30 years. I discussed possible drivers for this finding, but left a further attribution to distinct GLOF-triggering mechanisms open to future research. This updated GLOF frequency was the key input for assessing GLOF hazard for the entire Himalayan mountain belt and several subregions. I used standard definitions in flood hydrology, describing hazard as the annual exceedance probability of a given flood peak discharge [m3 s-1] or larger at the breach location. I coupled the empirical frequency of GLOFs per region to simulations of physically plausible peak discharges from all existing ~5,000 lakes in the Himalayas. Using an extreme-value model, I could hence calculate flood return periods. I found that the contemporary 100-year GLOF discharge (the flood level that is reached or exceeded on average once in 100 years) is 20,600+2,200/–2,300 m3 s-1 for the entire Himalayas. Given the spatial and temporal distribution of historic GLOFs, contemporary GLOF hazard is highest in the Eastern Himalayas, and lower for regions with rarer GLOF abundance. I also calculated GLOF hazard for some 9,500 overdeepenings, which could expose and fill with water, if all Himalayan glaciers have melted eventually. Assuming that the current GLOF rate remains unchanged, the 100-year GLOF discharge could double (41,700+5,500/–4,700 m3 s-1), while the regional GLOF hazard may increase largest in the Karakoram. To conclude, these three stages–from GLOF detection, to analysing their frequency and estimating regional GLOF hazard–provide a framework for modern GLOF hazard assessment. Given the rapidly growing population, infrastructure, and hydropower projects in the Himalayas, this thesis assists in quantifying the purely climate-driven contribution to hazard and risk from GLOFs. N2 - In kaum einer anderen Region treten Abhängigkeit, Nutzen und Gefährdung von Gletscher- und Schneeschmelze so deutlich zu Tage wie im Himalaya. Naturgefahren sind hier allgegenwärtig, wobei eine die Wissenschaftler in den vergangen zwei Jahrzehnten besonders beschäftigte: Ausbrüche von Gletscherseen traten in der Vergangenheit zwar selten, aber meist mit katastrophalen Konsequenzen für die darunterliegenden Berggemeinden auf. Gletscherseeausbrüche (englisches Akronym GLOFs – glacial lake outburst floods) beschreiben den plötzlichen Ausfluss von teils mehreren Millionen Kubikmetern Wasser aus natürlich gedämmten Schmelzwasserseen. Anhaltender Gletscherrückgang in vergangenen Jahrzehnten schuf mehrere tausend Hochgebirgsseen, mit ununterbrochenem Wachstum in Anzahl und Fläche, was den Schluss auf ein möglicherweise vermehrtes Auftreten von GLOFs nahelegte. Diese suggerierte Zunahme von GLOFs konnte jedoch bisher weder getestet noch bestätigt werden, vor allem weil Seen überwiegend jenseits von 4,000 m üNN entstehen, was Feldstudien dort erschwert. Unser Wissen über GLOFs ist daher möglicherweise zu größeren, schadensreichen Ereignissen verschoben, wodurch ihre aktuelle Frequenz, und letztlich auch ihr Zusammenhang mit dem Klimawandel, nur schwer quantifizierbar sind. Mit welcher Wiederkehrrate GLOFs auftreten ist nicht zuletzt entscheidend für Risikoanalyse und -management entlang von Flüssen. Um einer Unterschätzung der tatsächlichen GLOF-Aktivität entgegenzuwirken, entwickelte ich einen Algorithmus, der GLOFs automatisch aus Satellitenbildern detektiert. Der Algorithmus greift auf etwa 30 Jahre kontinuierlich aufgenommene Landsat-Bilder (~1988-2017) zu, und berechnet letztlich die Wahrscheinlichkeit, ob Wasserkörper rasch innerhalb dieser Bildzeitreihe geschrumpft sind. An solchen Stellen suchte ich nach Sedimentverlagerungen im Gerinne flussabwärts, was ein zweites Hauptkriterium für GLOFs ist. Tests und Validierung in etwa 10% des Himalayas bestätigten, dass die Methode robust gegenüber atmosphärischen Störeffekten ist. Mit dem Ziel bisher unbekannte GLOFs zu entdecken, wendete ich daher diesen Algorithmus auf den gesamten Himalaya an. Die Suche ergab 22 neu entdeckte GLOFs, was das bestehende Inventar von 16 bekannten GLOFs seit 1988 mehr als verdoppelte. Das aktualisierte räumliche Verbreitungsmuster bestätigte einmal mehr, dass GLOFs vermehrt im Zentral- und Osthimalaya (Bhutan und Ost-Nepal) auftraten, wohingegen im Norden deutlich weniger GLOFs stattfanden. Entgegen der häufigen Annahme stellte ich jedoch fest, dass die jährliche Häufigkeit von GLOFs in den letzten drei Jahrzehnten konstant blieb. Dadurch hat das Verhältnis von GLOFs pro Einheit See(-fläche) in diesem Zeitraum sogar abgenommen. Dieses räumlich aufgelöste GLOF-Inventar bot nun die Möglichkeit, das Gefährdungspotential durch GLOFs für den gesamten Himalaya und einzelne Regionen zu berechnen. Dafür verwendete ich die in der Hochwasseranalyse gebräuchliche Definition von Gefährdung, welche die jährliche Überschreitungswahrscheinlichkeit einer gewissen Abflussmenge, in diesem Fall des Spitzenabflusses [m3 s-1] am Dammbruch, beschreibt. Das GLOF-Inventar liefert demnach die zeitliche Wahrscheinlichkeit für das Auftreten von GLOFs, während Simulationen von möglichen Spitzenabflüssen für alle heute existierenden ~5,000 Seen im Himalaya die zu erwarteten Magnituden beisteuerten. Mit Extremwertstatistik lässt sich so die mittlere Wiederkehrzeit dieser Spitzenabflüsse errechnen. Ich fand heraus, dass der 100-jährliche Abfluss (die Flutmagnitude, die im Durchschnitt einmal in 100 Jahren erreicht oder überschritten wird) derzeit bei rund 20,600+2,200/–2,300 m³ s-1 für den gesamten Himalaya liegt. Entsprechend der heutigen räumlichen und zeitlichen Verteilung von GLOFs ist die Gefährdung im Osthimalaya am höchsten und in Regionen mit wenig dokumentierten GLOFs vergleichsweise niedrig. Für ein Szenario, in dem der gesamte Himalaya in Zukunft eisfrei sein könnte, errechnete ich zudem das Gefährdungspotential von ~9,500 Übertiefungen unterhalb der heutigen Gletschern, die sich nach deren Abschmelzen mit Wasser füllen könnten. Angenommen, dass die zukünftige GLOF-Rate der heutigen entspricht, könnte der 100-jährliche Abfluss sich mehr als verdoppeln (41,700+5,500/–4,700 m3 s-1), wobei der stärkste regionale Anstieg für den Karakorum zu erwarten wäre. Zusammenfassend formen diese drei Schritte–von der Detektion von GLOFs, über die Bestimmung derer Frequenz, bis zur regionalen Abschätzung von Spitzenabflüssen–das Grundgerüst, das ein moderner Ansatz zur Gefahrenabschätzung von GLOFs benötigt. Angesichts einer wachsenden Exposition von Bevölkerung, Infrastruktur und Wasserkraftanlagen liefert diese Arbeit einen entscheidenden Beitrag, den Anteil des Klimawandels in der Gefährdung und Risiko durch GLOFs zu quantifizieren. KW - GLOF KW - frequency KW - Landsat KW - satellite images KW - classification KW - magnitude KW - Himalaya KW - Karakoram KW - climate change KW - atmospheric warming KW - glacial lakes KW - glaciers KW - meltwater KW - natural hazard KW - GLOF KW - Gletscherseeasubruch KW - Häufigkeit KW - Landsat KW - Satellitenbilder KW - Klassifikation KW - Magnitude KW - Himalaya KW - Karakorum KW - Klimawandel KW - atmosphärische Erwärmung KW - Gletscherseen KW - Gletscher KW - Schmelzwasser KW - Naturgefahr Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-436071 ER -