Die Bewältigung von Naturkatastrophen, speziell von Starkregen und Hochwasser, stellt besondere Anforderungen an die Einsatzkräfte des Katastrophenschutzes. Aus Sicht von Einsatzleitungen ist eine ausreichende Vorwarnzeit wünschenswert, um „vor die Lage“ zu kommen und Handlungsoptionen bewerten zu können, sowie im Hochwasserfall Beobachtungen der Fließgewässer für ein möglichst genaues Lagebild zu erhalten. Vor diesem Hintergrund entwickelt das Projekt „KIWA: Künstliche Intelligenz für die Hochwasserwarnung“ (http://kiwa.hydro.tu-dresden.de/) KI-basierte Werkzeuge für die Hochwasserwarnung und Beobachtung, um Einsatzleitungen beim Bewältigen von Großschadenslagen zu unterstützen. Hierzu zählen datengetriebene Niederschlags-Abfluss-Modelle für eine frühzeitige Abflussprognose und Warnung sowie die KI-basierte robuste Quantifizierung von Wasserständen, Fließgeschwindigkeiten und Durchflüssen mit Hilfe von Überwachungskameras. Die KI’s werden in einem Demonstrator zur Einsatzführung integriert und zusammen mit den Partnern aus der Praxis evaluiert. Das Projekt wird gefördert durch das BMBF.
Im Beitrag präsentieren wir den entwickelten Arbeitsablauf für die optische Messung von Zeitreihen des Wasserstandes und des Durchflusses aus Einzelbildern und kurzen Videosequenzen von Überwachungskameras. Für die Bestimmung des Wasserstandes wird zunächst ein hochpräzises 3D-Geländemodell der Messstelle mit der Structure-from-Motion (SfM)-Technik erarbeitet. Durch Vermessung von Kontrollpunkten mit einem Multiband GNSS Empfänger wird ein georeferenziertes 3D-Modell der Messstellenumgebung und des Flussbettes in Zentimetergenauigkeit erzielt. Anschließend wird in den alle 15 min aufgenommenen Einzelbildern die Wasserfläche segmentiert. Dies erfolgt automatisiert mit einer KI basierend auf CNNs (convolutional neural networks), die an einer Vielzahl von Gewässerabschnitten trainiert wurden (Eltner et al. 2021). Durch Verschneidung der segmentierten 2D-Wasserflächen mit dem hochpräzisien 3D-Geländemodell wird anschließend eine Bestimmung des Wasserstandes entlang der Uferlinie möglich. Da im Langzeitbetrieb variierende Umweltbedingungen die Position der Kamera beeinflussen können, erfolgt zu jedem Zeitschritt eine neue Berechnung der Kameraposition. Dazu werden in den Einzelbildern die Kontrollpunkte automatisch mit einem speziell trainierten CNN detektiert.
Für die Bestimmung des Durchflusses wird zunächst die Oberflächengeschwindigkeit anhand kurzer Videosequenzen mit dem Partikel Tracking Verfahren (PTV) bestimmt (Eltner et al. 2020), wobei die zuvor segmentierte Wasserfläche den Suchraum abbildet. Mithilfe des neuartigen statistischen Modellansatzes „OptiQ“ werden anschließend aus den PTV-Messungen und dem Geschwindigkeitsflächenverfahren (DIN EN ISO 748:2008-02) Durchflusszeitreihen abgeleitet. Dabei kommen Methoden der Datenfilterung und Fehlerkorrektur zum Einsatz, um kontinuierliche Zeitreihen zu erzielen.
Zur Entwicklung der Methoden wurden in Kooperation mit der Staatlichen Betriebsgesellschaft für Umwelt und Landwirtschaft in Sachsen (BfUL) an drei unterschiedlichen Messpegeln Kameras installiert, die Einzelbilder und Videos über mehrere Monate alle 15 min aufzeichnen. Im Vergleich mit den Referenzmesswerten der Messpegel zeigen die optisch bestimmten hydrologischen Größen eine gute Übereinstimmung. Die Genauigkeit bei der Wasserstandsmessung liegt im Zentimeterbereich. Beim Durchfluss sind wasserstandsabhängig größere Abweichungen zu verzeichnen, die im Mittel unter 15% betragen.