Analyse und Visualisierung der Wasserflächendynamiken mittels Sentinel Data Cubes

Bachelorarbeit · Alexej Balakin · Sentinel-1 + Sentinel-2 · 2016–2025

Forggensee M1 Jan 2016
Karte nicht gefunden:
Jan 2016 fps:

Methode

M1 – S1 Otsu (SAR)

Otsu-Schwellenwert, monatlich neu bestimmt, auf dem Sentinel-1-Rückstreukoeffizienten K0 (dB). Wasser hat durch Spiegelreflexion eine sehr niedrige Rückstreuung. Funktioniert unabhängig von Wolken und Tageslicht.

M2 – S2 NDWI Otsu (optisch)

Otsu-Schwellenwert, monatlich neu bestimmt, auf dem Sentinel-2-NDWI (Grün − NIR)/(Grün + NIR). Hohe Trennschärfe bei wolkenfreien Aufnahmen, fällt bei Bewölkung jedoch aus.

M3 – AND-Fusion

Beide Sensoren müssen Wasser zeigen. Konservative Methode mit wenig Falsch-Positiven, aber erhöhter Unterschätzung. Nur gültig, wenn beide Sensoren Daten liefern.

M4 – OR-Fusion

Mindestens ein Sensor muss Wasser zeigen. Sensitive Methode, erfasst die maximale Wasserfläche, aber mit erhöhtem Risiko für Falsch-Positive.

M5 – adaptive Fusion (S2-priorisiert)

Sind mindestens 50 % der Seefläche durch gültige Sentinel-2-Pixel abgedeckt und ist der NDWI-Schwellenwert plausibel, wird M2 verwendet; verbleibende Wolkenlücken werden pixelweise mit M1 gefüllt. Andernfalls wird für den ganzen Monat M1 verwendet.

See

Forggensee · Bayern

Künstlicher Stausee im Allgäu (Lechwerke/Uniper). Größter bayerischer Stausee, ~15 km². Wird im Winter für Hochwasserschutz teilweise abgelassen. Pegelmessung: Rosshaupten (GKD Bayern).

Dümmer · Niedersachsen

Natürlicher Flachsee im Osnabrücker Land, ~13 km². Durchschnittliche Tiefe nur ~1,5 m, stark abhängig von Niederschlag und Verdunstung. Pegeldaten liegen bis 12/2024 vor.

Chiemsee · Bayern

Größter bayerischer See, ~80 km². Natürlicher See mit alpinem Einzugsgebiet. Pegelstand beeinflusst durch Schneeschmelze und Alpenabflüsse.

Groß Glienicker See · Berlin/Brandenburg

Natürlicher Stadtsee an der Berliner Stadtgrenze, ~0,57 km². Seit 2015 rückläufiger Wasserstand dokumentiert. Besonders interessant für Trendanalyse.

Ansicht
–

Die Otsu-Methode berechnet einen optimalen Schwellenwert, um Pixelwerte in zwei Klassen (Wasser und Land) zu unterteilen, indem sie die Varianz zwischen den Klassen maximiert. Bei der Anwendung auf Sentinel-Daten sind in dieser Arbeit vier Schwierigkeiten aufgetreten: unimodale Verteilungen, überlappende Klassen (z. B. Eis und Land im Winter), fehlende Daten durch Wolkenbedeckung sowie Skaleneffekte bei kleinen Seen. Die folgenden Monate veranschaulichen diese Fälle beispielhaft.