1. Einleitung

UAV basierte Laserbathymetrie hat sich in den letzten Jahren als effiziente Messmethode für die 3D Erfassung der Flachwasserzone relativ klarer Gewässer in hoher räumlicher Auflösung etabliert. Die erzielbare Eindringtiefe ist mit mehr als der 2-fachen Secchi Tiefe dabei oft tendenziell größer als bei der klassischen, flugzeugbasierten Laserbathymetrie. Allerdings konnten mittlerweile wiederholt gegenüber unabhängigen Referenzmessungen systematische Tiefenabweichungen festgestellt werden, mit einer Tendenz zur Überschätzung der Wassertiefe. Es steht die Vermutung im Raum, dass die beobachteten Effekte mit der Gewässertrübung in Zusammenhang stehen, die dazu führen, dass für die Kompensation der Abweichungen im Zuge der Refraktionskorretur unrealistisch große Brechnungskoeffizienten >n=1.4 angesetzt werden müssen. Um den vermuteten Zusammenhang mit der Trübe empirisch nachzuweisen, wurde ein Experiment unter kontrollierten Messbedinugen im Wasserbaulabor der TU Wien konzipiert.

1. Experiment

Durch Zusammenarbeit mit dem Institut für Wasserbau und Ingenieurhydrologie stand für den Versuchsaufbau ein 6 m langes, 3 m breites und 2 m tiefes Becken im Wasserbaulabor der TU Wien zur Verfügung. Am Boden des Beckens wurde eine Zielplatte (100 cm x 50 cm) montiert, die in einer Führungsschiene über Seilzüge beweglich ist. Die Platte wurde jeweils mit einer 50 x 50 cm² großen weißen und schwarzen Folie beklebt, um die Auswirkung von unterschiedlichen Reflektivitäten des Untergrunds auf die Messergebnisse analysieren zu können. Rund um die Zielplatte wurden 12 photogrammetrische Messmarken (kodierte targets) am Boden angegracht und die gesamte Szene im trockenen Zustand mit terrestrischem Laserscanning, Totalstation und photogrammetrischem Bündelblock vermessen. Dieser Datensatz dient als Referenz für die Vermessung der Bathymetrie im gefluteten Zustand des Beckens. Als Lasersensor kam der topo-mathmetrische Lasersccanner RIEGL VQ-840-G zum Einsatz, der allerdings nicht im Scanmodus sondern während des gesamten Experiments mit konstanter Strahlachse betrieben wurde. Der Sensor selbst wurde an einer beweglichen Brücke unterhalb des Dachs des Wasserbaulabors montiert. Vor der Befüllung des Beckens wurde noch eine wasserdichte GoPro Kamera auf einem Dreibein montiert und schräg nach unten blickend auf die Szene der Zieltafel und der Messmarken ausgerichtet.

In der ersten Phase des Experiments wurde das Becken mit Klarwasser gefüllt. Nach Ausrichtung der Laserstrahlachse mittig auf die Zieltafel und Messung der Wasserhöhe, erfolgte die initiale Lasermessung. Dabei wurde jeweils über eine Minute bei vollkommen glatter und leicht bewegter Wasseroberfläche beobachtet, was bei einer Pulswiederholrate von 50 kHz einen Record von jeweils 3 Mio Messwerten ergibt. Zeitgleich mit der Lasermessung wurden auch Photos mit der GoPro Kamera aufgenommen, um die Lage des an der Wasseroberfläche gebrochenen Zielstrahls präzise zu verorten. Neben den geometrischen Messungen wurden auch Trübemessungen (Nepholometer, Wasserprobenentnahme) durchgeführt. Der gesamte Messzyklus wurde anschließend 6x wiederholt, wobei bei jedem weiteren Zyklus die Trübung kontrolliert erhöht wurde. Als Trübungsmittel kam ein Moorbadschlamm zum Einsatz. Die Konzentration wurde dabei bei jedem Messzyklus gesteigert bis zum Erreichen der maximal für die Messung zugänglichen Trübung.

1. Ergebnisse

Zum Zeitpunkt des Schreibens dieser Kurzfassung liegen noch keine Auswertungen vor. Im Falle der Akzeptanz, wird der vollständige Artikel neben einer detaillierten Beschreibung des Versuchsaufbaus auch Ergebnisse der Messreihe und die daraus gezogenen Schlüsse enthalten.

Das Projekt „Sat-Land-Fluss“ (satellitenbasierte Wasser-Land-Grenzen Bestimmung) untersucht wieweit aus Sentinel-1 (S-1, Copernicus) Daten valide Wasser-Land-Grenzen (WLGs) an der tidebeeinflussten Küste abgeleitet werden können. Aufgrund der hohen Dynamik der Strömungsverhältnisse und der entsprechend stark ausgeprägten morphologischen Veränderungen, ist ein Monitoring der Küstenregion u.a. für die Schifffahrt und Ökologie von großer Bedeutung. Um im tidebeeinflussten Gebiet einheitliche WLGs zu erhalten, muss die Datenerfassung großflächig und in einem engen Zeitraum erfolgen. Ideal sind somit satellitengestützte Methoden, insbesondere des Radarsatelliten Sentinel-1, da die Daten wetter- sowie beleuchtungsunabhängig sind und dauerhaft kostenfrei zur Verfügung stehen.

Aus den S-1 Daten wird im Projekt Sat-Land-Fluss mittels Grenzwertbestimmung der Rückstreuintensität eine WLG abgeleitet. Dieser Methode liegt zugrunde, dass in der Regel eine glatte Wasseroberfläche eine niedrige Rückstreuung zum Radarsensor aufweist. Im Gegensatz zum Binnenbereich liefert die Auswertung im Ästuarbereich für Einzelaufnahmen jedoch bisher keine zufriedenstellenden Ergebnisse. Dies liegt daran, dass aufgrund der Wasserrauheit (Wellen) die Radarrückstreuung des Wassers in einer ähnlichen Größenordnung wie die Rückstreuung auf Landflächen liegt. Außerdem ist die relativ niedrige räumliche Auflösung der S-1 Daten (5x20 m) bei der Erfassung kleiner Strukturen (z.B. Buhnen) herausfordernd. Darum werden aktuell verschiedene Ansätze zur Verbesserung der Auswertung erarbeitet. Dies sind die Verwendung von Kompositen (d.h. die kombinierte Auswertung von mind. zwei S-1 Szenen) und Kantenableitungen aus S-1 Rückstreuintensitätsunterschieden.

Um die Qualität automatisch abgeleiteter WLGs aus S-1 Daten beurteilen zu können, wurden in einer Validierungskampagne im Sommer 2022 unabhängige Daten zeitgleich mit S-1 Satellitenüberflügen im Ästuarbereich der Elbe erfasst. Bei der Planung musste der Zeitpunkt der Datenerfassung mit dem Pegelstand abgestimmt werden. Insbesondere aufgrund flacher Topographie der Ästuare und stark variablen Wasserständen lag hierfür nur ein enges Zeitfenster von ca. +-30 Minuten vor. Im Elbeästuar wurden östlich von Cuxhaven unterschiedliche relevante Geländemerkmale wie Priele, durchfeuchtete Wattflächen, Beeinflussung durch Vegetation (geflutetes Schilf) und unterschiedliche Wasserstände (Tideniedrig- und Tidehochwasser) erfasst. Für die Validierungsdatenerhebung kamen UAV-basierte RGB-Bilder, terrestrische Erfassungen mit GNSS-Rovern, sowie auch hochaufgelöste optische BlackSky Satellitendaten zum Einsatz. Aus den erfassten Datensätzen wurde jeweils eine WLG abgeleitet und diese mit den vorherrschenden Wasserständen und Unsicherheiten attributiert.

Ein Vergleich zwischen der GNSS- und UAV-WLG am Strand von Otterndorf bestätigte außerdem die zeitliche und räumliche Übereinstimmung beider Messverfahren sowie die Sensibilität gegenüber Wasserstandsänderungen. Im Prielbereich sind die Kontrastverhältnisse der S-1 Daten aufgrund der Durchfeuchtung und auch die Kontrastverhältnisse der UAV-Daten durch einheitliche Grau- und-Brauntöne niedrig, was die Bestimmung der WLGs erschwert. Im Bereich überfluteten Schilfs (das noch ca. 4 m herausschaut) war die Radarrückstreuung aufgrund der Volumenstreuung an der Vegetation deutlich erhöht. Diese Gebiete werden mit dem S-1 Grenzwert-Algorithmus deshalb fälschlicherweise als Landflächen klassifiziert.

In dem Beitrag werden die verschiedenen WLGs miteinander verglichen und mit Bezug auf Störeffekte (z.B. Vegetation, Welleneffekte, unterschiedliche Wasserbedeckung) diskutiert. Insgesamt kann durch die Geländedaten die Qualität des finalen S-1 WLG-Produktes beurteilt und dokumentiert werden. Zurzeit arbeiten wir an einer Optimierung der S-1 WLG-Ableitung im herausfordernden Gebiet des tidebeeinflussten Elbeästuars.

InSAR time series methods can retrieve the temporal displacement behaviour of scatterers for large areas. However, these methods only analyse scatterers that have coherent phase signals over the whole time span. As a result, temporally coherent scatterers (TCS) that exhibit coherent phases merely in parts of the time are not addressed in common InSAR processing. This results in two drawbacks. First, the potentially relevant information about the coherent time of the TCS is discarded.
Second, if TCS are unintentionally included in the time series analysis, the noise from incoherent interferograms can bias the temporal phase unwrapping results and propagate during spatial phase unwrapping. Hence, it is crucial to detect TSC and determine their coherent time to retrieve reliable displacement time series.
Existing TCS detection approaches identify changes in the amplitude time series of a scatterer, which is assumed to be related to a change in the scattering mechanism and, hence, a change in the coherence of the phase signal. However, Dörr et al. (2022) have shown that the detection based on amplitude is insufficient, as the change of the coherent phase may not coincide with amplitude change. Therefore, they suggest identifying TCS candidates based on the amplitude time series and subsequently refine the change point based on changes in the coherence over time. They estimate coherence through an iterative process of temporal phase unwrapping applied to temporal subsets of the interferogram network.
In this work, we propose a method for directly detecting TCS from the wrapped phases of a small baseline interferogram network without the need for amplitude change detection and phase unwrapping. Our method approximates the noise level for each time span and detects temporary coherent scatterers within four steps. First, we create a redundant and connected small baseline interferogram network from single-look resolution SAR images. Small baselines enable to later divide the time span into subsets, each represented by a redundant set of interferograms. Second, the noise is approximated following the method of Zhao and Mallorqui (2019), in which, the wrapped phases are spatially low-pass filtered per interferogram and subtracted from the respective original wrapped interferogram. The difference yields an approximation of the phase noise for each pixel in each interferogram. For this purpose, we assume that the phase contributions from velocity and DEM error are sufficiently smooth in space, such that uncompensated phase contributions are smaller than the noise level. As this assumption does not always hold, the phase contributions from DEM error and velocity differences can optionally be estimated as suggested by Zhao and Mallorqui (2019). Third, we transfer the phase noise from interferogram- to time-domain per pixel. By applying a sliding window approach, the local temporal coherence (LTC) is computed from the phase noise of all interferograms belonging to a temporal subset of the images. Last, the coherence change point can be identified by a threshold on the LTC time series. After TCS detection, either TCS are removed from the set of coherent scatterers to mitigate noise in phase unwrapping or the TCS are incorporated into the InSAR time series analysis within their coherent time span to retrieve their displacement time series (Dörr et al. 2022).
We demonstrate the effectiveness of the TCS detection based on case studies in Schleswig-Holstein and Nordrhein-Westfalen in Germany. For this, we coregister a stack of Sentinel-1 images using the InSAR Scientific Computing Environment (ISCE). The datasets cover eight years of data from mainly urban areas. Further, we compare the proposed phase-based change detection with the amplitude change detection from the literature. Additionally, we examine the products from the European Ground Motion Service (EGMS) which offers freely available displacement time series and mean velocity maps over Europe computed from Sentinel-1 images. Our analysis reveals the consequences of not properly addressing TCS in the EGMS products and showcases the improvements in surface deformation estimation in several locations in the study area.

FIGURE

Please consider the figure attached in a separate file.

LITERATURE
Dörr, N.; Schenk, A. & Hinz, S.: Fully Integrated Temporary Persistent Scatterer Interferometry. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60, 1-15.
Zhao, F. & Mallorqui, J. J.: A Temporal Phase Coherence Estimation Algorithm and Its Application on DInSAR Pixel Selection. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57, 8350-8361.

Bodenbewegungen werden oft nur im Zusammenhang mit Katastrophenereignissen untersucht, deren Haupteigenschaft ist, dass schnell große Veränderungen der Erdoberfläche herbeigeführt werden. Derartige Bodenbewegungen können beispielsweise in Differenzenkarten dargestellt werden, welche Bodenbewegungen zwischen zwei zu unterschiedlichen Zeitpunkten aufgenommenen digitalen Geländemodellen (DGM) abbilden. Die DGMs werden dabei aus Laserscanning-Daten abgeleitet. Bodenbewegungen können aber auch in geringerem Maß großflächig über längere Zeiträume auftreten. Mögliche Gründe können hierbei z.B. die Entnahme von Grundwasser, Bohrungen oder die unterirdische Lagerung von Gas oder Flüssigkeiten sein. Bereits leichte Hebungen und Senkungen des Bodens können sich negativ auf Bauwerke auswirken. Eine rechtzeitige Erkennung solcher Bewegungen kann somit zur Vermeidung größerer Schäden führen, indem ggf. frühzeitig notwendige Maßnahmen eingeleitet werden. Um derartige Bodenbewegungen detektieren zu können, existiert der BodenBewegungsdienst Deutschland (BBD). Hierbei werden durch Persistent Scatterer Interferometrie (PSI) Bodenbewegungen im mm‑Bereich aus Radardaten abgeleitet und als Punktdaten in einer Web-App zur Verfügung gestellt. Die Möglichkeit der Datengewinnung wird allerdings dadurch begrenzt, dass PSI lediglich auf urbane Gebiete angewendet werden kann. Um eine flächendeckende Darstellung verschiedener Arten von Bodenbewegungen für ganz Hessen zu erreichen, sollen die PSI‑Daten mit den Differenzenkarten fusioniert werden.

Die vorliegenden Raster- und Punktdatensätze fallen in die Kategorie der kooperativen Daten, da beide Informationen über Bodenbewegungen enthalten, deren Lage sich in urbanen Gebieten überschneidet. Die Datenfusion ermöglicht es, diese Redundanz zu nutzen, um die Daten über ihre räumlichen Eigenschaften miteinander in Verbindung zu setzen. Potenzial für eine Fusion ist somit gegeben. Allerdings weisen die Datensätze auch Herausforderungen auf, die es zu überwinden gilt. Die PSI-Daten liegen für einen Zeitraum von 2015 bis 2021 vor, während die Differenzenkarten Bewegungen zwischen 2011 und 2019 abbilden. Im Fall linear verlaufender Bewegungen können die unterschiedlichen Zeiträume durch Extrapolation angeglichen werden. Eine weitere Herausforderung ist räumlicher Natur. Die Persistent Scatterer (PS) werden beim BBD auf ein Grid der Größe 50x50 m aggregiert und gemittelt, so dass nur ein PS pro Bereich vorliegt. Eine mögliche Herangehensweise für dieses Problem ist, für die Pixel in den Differenzenkarten, die sich mit den PS räumlich überschneiden, ebenfalls Mittelwerte eines vergleichbar großen Gebietes zu berechnen. Eine schwierig zu überwindende Herausforderung stellen die unterschiedlichen Wertebereiche der Datensätze dar. Die DGMs, aus denen die Differenzenkarten berechnet wurden, weisen einen Fehlertoleranzbereich von +/- 15 cm auf, was die Abbildung von kleinen Bewegungen im mm-Bereich, wie sie durch PSI aufgezeichnet werden, unmöglich macht. Um diesem Problem zu begegnen, werden zwei Fusionsansätze untersucht, bei denen eine Korrektur der ungenaueren Rasterdaten mit den genaueren Punktdaten erfolgt.

Die Ergebnisse zeigen, dass die Raster- und Punktdatensätze nur dann vergleichbare Bodenbewegungen anzeigen, wenn diese im Rahmen des zulässigen Fehlertoleranzbereichs von +/- 15 cm liegen. In diesen Fällen können durch die Bildung des Mittelwerts der Pixel eines 50x50 m großen Bereiches Korrelationskoeffizienten von bis zu 0,89 zwischen Bewegungswerten aus beiden Datensätzen erreicht werden, obwohl diese durch unterschiedliche Verfahren aufgenommen wurden. In Gebieten, deren Bewegungen unterhalb des Fehlertoleranzbereiches liegen, kann durch keine der untersuchten Fusionsmethoden ein einheitliches Ergebnis erzielt werden. Die Auswahl des Untersuchungsgebiets hat somit einen signifikanten Einfluss auf die Fusionsergebnisse, wobei Gebiete mit Bewegungen im Rahmen des Toleranzbereichs besonders gut für eine Fusion geeignet sind.