Skip to content

Modderstromen in kaart brengen met één satellietbeeld

Snelle en slimme analyse van overstromingsschade rond Valencia

Foto van Harald Gortz

Harald Gortz

Zware modderoverstromingen troffen de regio Valencia. Maar hoe analyseer je zo’n rampgebied als je geen beelden van vóór de overstroming hebt? Die vraag stond centraal tijdens een uitdagende kennisweek met studenten. Met behulp van satellietdata, de Flood Mud Index (FMI) en geavanceerde beeldverwerking in ERDAS IMAGINE ontwikkelden we een slimme en snelle analysemethode. Daarmee konden we modderstromen detecteren met slechts één satellietbeeld, cruciaal in situaties waarin tijd, middelen en informatie schaars zijn. Het resultaat: een visueel krachtige kaart die niet alleen laat zien waar modder ligt, maar ook hoeveel. Een methode die direct toepasbaar is in noodhulp, herstelplanning en zelfs militaire operaties.

meer over remote sensing

Waarom deze analyse?

De overstromingen veroorzaakten grootschalige modderstromen die infrastructuur, landbouwgebieden en stedelijke gebieden bedreigden. Snel inzicht in de omvang en verspreiding van deze modderstromen was essentieel voor zowel hulpdiensten ter plekke, maar ook voor strategische planning en herstelmaatregelen.

Verandering detecteren met één satellietbeeld

Normaal gesproken gebruik je meerdere beelden om veranderingen te detecteren; een van vóór en een van ná een gebeurtenis. Maar in noodsituaties telt elke minuut, en dan is het verzamelen en analyseren van meerdere datasets vaak te traag. Omdat snelheid in dataverwerking cruciaal is, pakten we het in dit project anders aan. We ontwikkelden een methode waarmee je ook met slechts één satellietbeeld betrouwbare inzichten krijgt. Dat bespaart tijd bij het verzamelen, voorbewerken en analyseren van data en juist die tijd telt in noodsituaties.

Weegave van de situatie in oktober en juli.

Flood Mud Index (FMI): inzicht in modderstromen

Bestaande indexen zoals de NDWI (Normalized Difference Water Index) werken goed bij schoon water, maar schieten tekort bij modderig water met veel sediment. Precies dát was in Valencia bij de extreme overstromingen het probleem. De oplossing: de Flood Mud Index (FMI), ontwikkeld door Emanuele Alcaras (Universiteit van Genua). Deze nieuwe index is ontworpen om modderige gebieden te herkennen aan de hand van slechts twee spectrale banden van een satellietbeeld: rood en blauw. De FMI index blinkt uit in eenvoud en precisie. In onze testen behaalde de index een indrukwekkende nauwkeurigheid van 97,86%. En omdat alleen RGB-data nodig is, kun je de methode ook toepassen op goedkope drones of bij bewolkte weersomstandigheden.

Modderige gebieden lichten op als heldere plekken, wat directe visuele interpretatie mogelijk maakt.

Zelf gebouwd in ERDAS IMAGINE

De Flood Mud Index zit niet standaard in ERDAS IMAGINE, maar met de Spatial Modeler bouwden we het model eenvoudig zelf. Door de index te combineren met RGBI-kleuring en een hoogtemodel (DEM) van Spanje met twee meter resolutie, ontstond een krachtig visueel beeld van de overstroming en haar gevolgen.

Extra stap aan de analyse toegevoegd waarbij een RGBI Shaded Relief wordt toegevoegd.

Van index naar visueel krachtige kaart

Dat de modderige gebieden duidelijk oplichten is goed, dat geeft duiding. Maar nu willen ook graag inzichtelijk hebben waar het juist meer of minder modderig is. We gaan deze index meenemen in een volgende stap

Om de modder nog beter te visualiseren, voegden we een extra analysetoepassing toe: de FMI-index werd gecombineerd met een multispectraal beeld via de RGBI-functie (Red-Green-Blue-Index). Hierbij worden de helderheidswaarden uit de index geïntegreerd met de kleureninformatie uit de satellietdata. Er wordt dus een extra stap aan de analyse toegevoegd. Het maken van een RGBI Shaded Relief. Dat is een functie die standaard in Erdas IMAGINE beschikbaar is en, omdat de beelden al geanalyseerd zijn, praktisch geen rekentijd kost.

Van heldere “gebieden” in het beeld gaan we naar een kleurenbeeld, waarbij de donkerheid van de kleur de intensiteit van de modderwaarde weergeeft. Onderstaand beeld is precies onder Valencia, het gebied bij Cullera. We zien hoe modderig de rivier de Júcar is. Duidelijk zichtbaar is uitstroom van de modder in de middellandse zee in de monding van de Júcar bij Cullera. Dit resultaat legden we transparant over een Digital Elevation Model (DEM) met een resolutie van 2 meter. Dit DEM is gratis beschikbaar via het Spaanse Geoportaal. Deze uiteindelijke kaart geeft een helder beeld van de overstromingsimpact, een waardevol hulpmiddel voor zowel civiele als militaire toepassingen.

 

Dit Digital Elevation Model (DEM) is gratis beschikbaar via het Spaanse Geoportaal.
Het resultaat transparant gepositioneerd over een Digital Elevation Model (DEM).

Van oefening naar operationeel model

Wat begon als een oefencasus is inmiddels opgenomen in Erdas Imagine. Zo kunnen anderen ook profiteren van de innovaties en inzichten die tijdens deze kennisweek zijn verkregen.

Meer informatie

Wil je meer weten over deze methode of hoe je zelf zulke modellen kunt inzetten? Stuur Harald een e-mail via harald.gortz@imagem.nl of stuur een berichtje via ons contactformulier. 

Contactformulier
Foto van Harald Gortz

Harald Gortz

Harald is Business Consultant bij IMAGEM. Hij schakelt tussen business, commercie en de techniek en is inhoudelijk bezig met de klant. Hij werkt samen met de ontwikkelaar aan oplossingen voor de openbare orde en veiligheidsmarkt, onderwijsinstellingen of voor digital twins.

Lees meer blogs van Harald

Remote sensing deel 4: eerst kijken, dan visualiseren, in Ezinge
Harald Gortz

Remote Sensing Deel 4: Eerst kijken, dan visualiseren, in Ezinge

Voordat we iets kunnen visualiseren in een digital twin, moeten we eerst begrijpen waar we eigenlijk naar kijken. Zonder dat fundament zijn visualisaties niet meer dan mooie plaatjes. In deel vier van de serie zet Harald een stap terug naar het begin: het waarnemen zelf. Niet alleen via satellieten of drones, maar ook met onze eigen ogen. Remote sensing begint bij waarnemen, bij weten wie kijkt, waarom en met welk instrument. Alleen dan kun je data combineren tot informatie die klopt, betekenisvol is en bruikbaar wordt.

lees meer >>
Remote sensing: berekenen we de NDVI en classificeren om groene daken te detecteren
Harald Gortz

Remote Sensing Deel 3: Groene daken detecteren en monitoren in Ezinge

Met satellietdata kun je op een eenvoudige manier de meest impactvolle plekken voor groene daken identificeren. En je kunt ook de gezondheid van de daken monitoren. Groene daken helpen bij het aanpakken van wateroverlast door hevige regenval. Een mooie manier om je gemeente klimaatbestendiger te maken, zonder dat je zelf het dak op hoeft.

lees meer >>