SAR und ML: Präzise Hochwasserrisikokarten für Kenias River Nyando

Hochwasser zählt zu den verheerendsten Naturkatastrophen weltweit und gefährdet Ökosysteme, Infrastruktur und Menschenleben. In einer neuen Studie wurden hochauflösende Synthetic Aperture Radar (SAR)-Bilder von Sentinel‑1 zusammen mit Umwelt- und Hydrologiedaten genutzt, um die Hochwasser‑Anfälligkeit im Einzugsgebiet des River Nyando in Westkenia zu modellieren.

Die SAR‑Daten des Hochwasserereignisses im Mai 2024 wurden verarbeitet, um ein binäres Hochwasser‑Inventar zu erstellen. Dieses Inventar bildete die Trainingsbasis für vier überwachte Klassifikatoren: Logistische Regression, Klassifikations- und Regressionsbäume (CART), Support‑Vector‑Machines (SVM) und Random Forest (RF). Zusätzlich wurden sechs Umweltfaktoren – Steigung, Höhe, Ausrichtung, Landnutzung/Landbedeckung, Bodentyp und Entfernung zu Wasserläufen – in die Modelle integriert.

Die Leistungsbewertung erfolgte anhand von Genauigkeit, Cohen‑Kappa und ROC‑Analyse. Der Random‑Forest‑Ansatz erzielte die höchste Vorhersagekraft mit einer Genauigkeit von 0,762 und einem Kappa‑Wert von 0,480. Die daraus abgeleitete Gefährdungskarte zeigte, dass die niedrigen Ländereien der Kano‑Plains in der Nähe des Viktoriasees die größte Hochwasser‑Anfälligkeit aufweisen – ein Ergebnis, das mit historischen Hochwasser‑Aufzeichnungen und den Auswirkungen des Ereignisses im Mai 2024 übereinstimmt.

Diese Ergebnisse unterstreichen den Nutzen der Kombination von SAR‑Bildern und Ensemble‑Machine‑Learning‑Methoden für die Erstellung von Hochwasserrisikokarten, insbesondere in Regionen mit begrenzten Datenressourcen. Die gewonnenen Karten liefern wertvolle Erkenntnisse für die Katastrophenvorsorge, die Planung von Landnutzung und die Entwicklung von Frühwarnsystemen.