Určení výskytu sněhových lavin z družicových dat pořízených radarem se syntetickou aperturou (SAR)

• Thesis title in Czech: Určení výskytu sněhových lavin z družicových dat pořízených radarem se syntetickou aperturou (SAR)
• Thesis title in English: Detection of snow avalanche debris from satellite synthetic aperture radar (SAR) data
• Key words: lavina, radar se syntetickou aperturou, Sentinel 1, neuronová síť, VGG-19
• English key words: snow avalanche, synthetic aperture radar, Sentinel 1 satellite, neural net, VGG-19
• Academic year of topic announcement: 2017/2018
• Thesis type: diploma thesis
• Thesis language: čeština
• Department: Department of Applied Geoinformatics and Cartography (31-370)
• Supervisor: doc. Ing. Jan Kolář, CSc.
• Author: hidden - assigned by the advisor, waiting for guarantor's approval
• Date of registration: 21.12.2017
• Date of assignment: 24.09.2018
• Date of electronic submission: 30.07.2019
• Date of proceeded defence: 11.09.2019
• Opponents: Ing. Lukáš Brodský, Ph.D.

Preliminary scope of work

Sněhová pokrývka je dynamická a časově i rpostorově velmi proměnné přírodní složka. Pro její komplexní, objektivní a spolehlivé sledování se s výhodou používají družice pro jejich globální pokrytí a pravidelnou opakovatelnost měření a stále častější a lepší dostupností dat z různých přístrojů a kosmických nosičů. Dálkový průzkum představuje inovativní metodologický přístup pro získání prostorově souvislé informace o sněhové pokrývce s vysokým prostorovým a časovým rozlišením, zejména v nepřístupných oblastech. Z možných způsobů dálkového průzkumu, je použití radaru zvlášť výhodné pro jeho nezávislost na denní době a částečně i na počasí. Současné družice vybavené radarem se syntetickou aperturou (SAR) s vysokým rozlišením tak poskytují data, jejichž použitelnost pro detekci vlastností sněhu je omezena pouze jejich nízkou časovou dostupností a pořizovacími náklady. Geokodovaná obrazová data SAR s vysokým rozlišením upravená topografickou korekcí a vhodným zvýrazněním kontrastu umožňují školenému pozorovateli detekovat některé sněhové jevy, např. malé laviny, i když efekty překlopení nebo zkrácení objektů, způsobené nízkým úhlem dopadu radaru, tyto možnosti omezují. Je však mnohem obtížnější sestavit algoritmus pro automatickou detekci. Pokud se podaří nalézt oblasti, ve kterých jsou podmínky vhodné pro studium zvoleného jevu, je možné sestavit automatický algoritmus vycházející z podobných rozhodovacích postupů jako při vizuální interpretaci. Úkolem této práce bude studovat a navrhnout vhodný metodologický postup pro určení vybraných sněhových vlastností.
Například algoritmus pro stanovení lavinových polí by mohl využívat kontrast mezi lavinovým povrchem a okolní nenarušenou sněhovou polrývkou, stejně jako náhlá ztráta koherence dat v místě laviny. Při vývoji algoritmu, který by poskytl požadované výsledky, budou pro určení místa zasaženého lavinou zkoumány vhodné hodnoty koherence a síly zpětného signálu, a případně také vhodný morfologický filtr, postavený na vertikálním profilu laviny vertikálního tvaru lavin.

Preliminary scope of work in English

The global coverage of satellites, the regular repeatability of measurements, and the large quantities of available sensors and sensor platforms allows for a comprehensive, unbiased, and safe monitoring of the temporal and spatial highly dynamic and variable snow cover. Remote sensing is an innovative methodological approach to acquire spatially continuous snow information with high spatial and temporal resolution, especially over inaccessible areas. Applicability of current, very high-resolution satellite-borne SAR sensors in snow properties detection is only restricted by their poor temporal availability and high acquisition costs. A geocoded SAR image, with topographic correction and simple contrast enhancement, allows a trained observer to detect some snow phenomena e.g. even small avalanches in high-resolution radar data although foreshortening and layover effects due to the low radar incidence angle limit the detection capabilities. However, it is significantly more difficult to train an automated detection algorithm. Once areas, where conditions are suitable for the study, are defined, automated detection algorithms can be applied, using similar cognitive reasoning as for vizual interpretation. To study and to propose a suitable methodological process for determination of selected snow properties will be a task for this work.
For instance, an automated avalanche detection algorithms could utilize the sharp backscatter contrast between avalanche debris and the surrounding undisturbed snowpack, as well as sudden loss in coherence at the location of the avalanche. Masking by power and coherence, contrast thresholding and finally a morphological filter, taking advantage of the vertical shape of avalanches, could be tested to produce requested results.