Fernerkundung von Hangrutschungen mittels Laserentfernungsmesser-Fernglas und GPS

Inhaltsverzeichnis

1. Einleitung

Zuverlässige Hangrutschungsinventarkarten sind grundlegend für geomorphologische Studien, Gefährdungsanalysen und Risikomanagement. Traditionelle Kartierungsmethoden, einschließlich direkter Geländebegehungen und Luftbildinterpretation, sind oft zeitaufwendig, arbeitsintensiv und können in instabilem Gelände gefährlich sein. Diese Arbeit stellt ein Feldexperiment vor, das ein neuartiges System zur Fernerkundungskartierung von kürzlich durch Niederschlag ausgelösten Hangrutschungen evaluiert. Dieses System kombiniert ein hochpräzises Laserentfernungsmesser-Fernglas, einen GPS-Empfänger und einen robusten Tablet-PC mit GIS-Software. Das Hauptziel war zu bewerten, ob diese Technologie im Vergleich zu konventionellen Methoden eine schnellere, sicherere und vergleichbar genaue Kartierung von Hangrutschungen ermöglichen kann.

2. Methodik & Versuchsaufbau

2.1. Instrumentierung

Das Kernsystem bestand aus drei integrierten Komponenten:

• Vectronix VECTOR IV Entfernungsmesser-Fernglas: Wurde für Fernmessungen von Entfernung und Peilung zu Rutschungsmerkmalen verwendet.
• Leica Geosystems ATX1230 GG GPS/GLONASS-Empfänger: Lieferte hochgenaue Geopositionsdaten für den Standort des Bedieners.
• Robuster Tablet-PC mit ESRI ArcGIS & Leica Mobilematrix: Diente als Datenintegrations- und Kartierungsplattform und ermöglichte die Echtzeiterfassung von GIS-Daten.

Das System berechnete die Koordinaten von Rutschungspunkten (Vertices) anhand der GPS-Position des Bedieners, der gemessenen Entfernung ($d$) und des Azimuts ($\alpha$) vom Entfernungsmesser.

2.2. Untersuchungsgebiet & Versuchsablauf

Das Experiment wurde im Gebiet von Monte Castello di Vibio (Umbrien, Mittelitalien) durchgeführt, einer 21 km² großen Hügelregion in Sedimentgesteinen, die anfällig für Hangrutschungen ist. Dreizehn zuvor kartierte Rutschungen wurden mit dem neuen Fernerkundungssystem neu kartiert. Zur Validierung wurden vier Rutschungen zusätzlich kartiert, indem der GPS-Empfänger entlang ihres Umfangs geführt wurde („Walked-GPS“-Methode). Diese Ergebnisse wurden mit den ursprünglichen visuellen Erkundungskarten verglichen.

3. Ergebnisse & Analyse

3.1. Vergleich der Kartierungsverfahren

Das Fernerkundungssystem erzeugte Rutschungsgrenzen, die geografisch mit denen der Walked-GPS-Methode vergleichbar waren. Beide Techniken erwiesen sich der anfänglichen visuellen Erkundungskartierung, der eine präzise Georeferenzierung fehlte, als überlegen. Die Fernmethode erfasste erfolgreich die wesentliche Geometrie der Hangversagensbereiche.

3.2. Bewertung von Genauigkeit & Effizienz

Obwohl eine vollständige statistische Genauigkeitsbewertung (z.B. Berechnung des mittleren quadratischen Fehlers) im vorliegenden Auszug nicht detailliert beschrieben wird, schlussfolgern die Autoren, dass das System für die Kartierung aktueller Hangrutschungen effektiv ist. Der entscheidende Vorteil ist operationell: Es ermöglicht die Kartierung von sicheren, stabilen Aussichtspunkten aus und reduziert so die Zeit und das Risiko, die mit dem Begehen instabilen Rutschungsgeländes verbunden sind, erheblich. Es wird als Werkzeug für die schnelle Erkundungsinventarisierung über große Gebiete positioniert.

4. Technische Details & Mathematischer Rahmen

Die zentrale georäumliche Berechnung umfasst die Bestimmung der Koordinaten eines Zielpunkts (Rutschungsvertex) von einem bekannten Beobachterstandort aus. Die verwendete Formel basiert auf der Lösung des direkten geodätischen Problems:

Gegeben die Koordinaten des Beobachters (Breitengrad $\phi_o$, Längengrad $\lambda_o$, ellipsoidische Höhe $h_o$), die gemessene Schrägdistanz $d$, das Azimut $\alpha$ und der Vertikalwinkel (oder Zenitdistanz $z$), werden die Koordinaten des Zielpunkts ($\phi_t$, $\lambda_t$, $h_t$) berechnet. In einer vereinfachten planaren Näherung für kurze Entfernungen kann dies ausgedrückt werden als:

$\Delta N = d \cdot \cos(\alpha) \cdot \sin(z)$

$\Delta E = d \cdot \sin(\alpha) \cdot \sin(z)$

$\Delta h = d \cdot \cos(z)$

Wobei $\Delta N, \Delta E, \Delta h$ die Nord-, Ost- und Höhendifferenzen relativ zum Beobachter sind. Die Koordinaten des Ziels sind dann: $Easting_t = Easting_o + \Delta E$, $Northing_t = Northing_o + \Delta N$, $h_t = h_o + \Delta h$. In der Praxis führen spezialisierte GIS/GPS-Software diese Berechnung unter Verwendung präziser geodätischer Modelle (z.B. WGS84-Ellipsoid) durch.

5. Ergebnisse & Diagrammbeschreibung

Abbildung 1 (im PDF referenziert): Diese Abbildung (hier nicht vollständig reproduziert) würde typischerweise Fotos oder ein Schema der drei Schlüsselinstrumente zeigen: das Vectronix VECTOR IV Fernglas, den Leica GPS-Empfänger und den robusten Tablet-PC. Ihr Zweck ist es, einen visuellen Referenzpunkt für das integrierte Feldsystem zu bieten und dessen Portabilität sowie die Synergie zwischen Messung (Fernglas), Positionierung (GPS) und Datenaufzeichnung/-visualisierung (Tablet-PC mit GIS) hervorzuheben.

Implizierte vergleichende Analyse: Die textuellen Ergebnisse legen ein konzeptionelles Diagramm nahe, das die drei Methoden entlang von Achsen wie „Positionsgenauigkeit“, „Datenerfassungsgeschwindigkeit“, „Sicherheit im Feld“ und „Betriebskosten“ vergleicht. Die Laser/GPS-Fernmethode würde bei Sicherheit und Geschwindigkeit für die Erstaufklärung hoch abschneiden, wobei ihre Genauigkeit für die Umfangskartierung nahe an den „Goldstandard“ der Walked-GPS-Methode heranreicht, während die visuelle Erkundung in Genauigkeit und Wiederholbarkeit niedriger eingestuft würde.

6. Analytischer Rahmen: Beispielszenario

Szenario: Schnelle Hangrutschungsinventarisierung nach Niederschlagsereignissen in einer 50 km² großen Bergregion.

Anwendung des Rahmens:

1. Planung & Erkundung: Nutzung von Satellitenbildern vor dem Ereignis (z.B. Sentinel-2) zur Identifizierung von Gebieten mit hoher Anfälligkeit oder sichtbaren Störungen.
2. Fernkartierungskampagne: Einsatz des Laser/GPS-Systems von zugänglichen Kämmen oder Straßen aus, die Zieltäler überblicken. Von jedem Aussichtspunkt aus:
   • Einen stabilen GPS-Positionsfix etablieren.
   • Hänge mit dem Fernglas absuchen, um frische Rutschungsnarben, Schuttbahnen und Fußablagerungen zu identifizieren.
   • Für jedes identifizierte Merkmal den Entfernungsmesser verwenden, um Schlüsselpunkte (z.B. oberer Kronenrand der Hauptabbruchkante, seitliche Ränder, Fuß) zu markieren. Die GIS-Software zeichnet diese Punkte in Echtzeit auf und bildet ein Polygon.
   • Attributdaten (Typ, Zuverlässigkeitsstufe) werden über das Tablet eingegeben.
3. Datenintegration & Validierung: Alle gesammelten Polygone in einer einzigen GIS-Ebene zusammenführen. Eine Teilmenge größerer oder kritischer Rutschungen zur Validierung auswählen mittels:
   a) Walked-GPS-Vermessung (falls sicher).
   b) Drohnen-Photogrammetrie zur Erzeugung eines hochauflösenden Digitalen Geländemodells (DGM) und Orthofotos für die präzise Digitalisierung.
4. Analyse: Berechnung grundlegender Inventarstatistiken (Anzahl, Dichte, Gesamtfläche) und Vergleich mit historischen Daten zur Bewertung der Ereignisgröße.

7. Kernaussage & Kritische Analyse

Kernaussage: Diese Arbeit handelt nicht von einem technologischen Durchbruch, sondern von einem pragmatischen Feldarbeit-Hack. Sie nutzt hochwertige Vermessungsgeräte (Laserentfernungsmesser, geodätisches GPS) für ein spezifisches, komplexes Problem – die schnelle Hangrutschungsinventarisierung – neu, wo traditionelle Methoden an Sicherheit und Geschwindigkeit scheitern. Die eigentliche Innovation ist die Systemintegration und der Machbarkeitsnachweis für eine „Stand-off“-geomorphologische Vermessung.

Logischer Ablauf: Die Logik der Autoren ist schlüssig, aber konservativ. Sie identifizieren ein Problem (gefährliche, langsame Kartierung), schlagen eine technikgestützte Lösung vor, testen sie unter kontrollierten Bedingungen gegen einen Referenzstandard (Walked GPS) und stellen fest, dass sie funktioniert. Der Ablauf ist klassische angewandte Geowissenschaft. Allerdings unterbleibt eine rigorose, quantitative Fehleranalyse, wie sie in einer metrologisch ausgerichteten Fachzeitschrift zu erwarten wäre, was eine verpasste Gelegenheit ist, den technischen Beitrag zu untermauern.

Stärken & Schwächen:

• Stärken: Nachweisbare Gewinne bei Sicherheit und Effizienz. Das System ist robust und verwendet handelsübliche Hardware (COTS). Es füllt eine Nische zwischen riskanten Geländebegehungen und teurer, wetterabhängiger luft-/raumgestützter Fernerkundung (wie InSAR oder LiDAR, wie in Arbeiten des USGS oder in Zeitschriften wie Remote Sensing of Environment diskutiert).
• Schwächen: Die „Sichtverbindungs“-Einschränkung ist in dichter Vegetation oder komplexer Topographie ein schwerwiegender Nachteil – ein Hauptmangel für die globale Anwendbarkeit. Die Kosten der Hardware (Vectronix, Leica) sind für eine breite Einführung in Entwicklungsländern, wo das Rutschungsrisiko oft am höchsten ist, prohibitiv. Die Studie enthält keine Kosten-Nutzen-Analyse im Vergleich zur aufkommenden drohnenbasierten Photogrammetrie, die ähnliche Sicherheit und überlegene Detailgenauigkeit erreichen kann.

Umsetzbare Erkenntnisse:

1. Für Praktiker: Dieses System ist eine praktikable Option für Schnelleinsatzteams in zugänglichem, offenem Gelände. Priorisieren Sie seinen Einsatz für die Erstorientierung und die Identifizierung von Zielen für detailliertere Untersuchungen.
2. Für Forscher: Die Zukunft liegt in der Fusion. Der nächste logische Schritt ist die Integration dieser bodengestützten Vektordaten mit Drohnen- oder Satelliten-Rasterdaten (z.B. unter Verwendung von KI zur Merkmalsextraktion, wie in Ghorbanzadeh et al., 2022 gezeigt). Nutzen Sie die präzisen GPS-Laser-Punkte als Trainingsdaten oder zur Validierung für maschinelle Lernmodelle, die auf breiteren Bilddaten angewendet werden.
3. Für Entwickler: Entwickeln Sie eine kostengünstigere, app-basierte Version unter Verwendung von Smartphone-Sensoren (LiDAR in neueren iPhones, RTK-GPS-Module) und Cloud-Verarbeitung. Demokratisieren Sie die Fähigkeit.

Im Wesentlichen liefern Santangelo et al. eine wertvolle, wenn auch etwas veraltete, Blaupause für einen spezifischen Feldarbeitsablauf. Ihr größtes Vermächtnis sollte sein, erschwinglichere, integriertere und KI-gestützte Lösungen für die Kartierung von Geogefahren zu inspirieren.

8. Anwendungsaussichten & Zukünftige Entwicklungen

• Integration mit UAVs (Drohnen): Das Laser/GPS-System ist ideal für die Geländeverifikation und Validierung von Hangrutschungskarten, die aus Drohnen-Photogrammetrie oder LiDAR erstellt wurden. Der Bediener kann Merkmale, die in den Drohnenbildern identifiziert wurden, aus der Distanz präzise vermessen.
• Multi-Gefahren-Schnellbewertung: Die Methodik kann für die schnelle Kartierung anderer Geogefahren nach Ereignissen angepasst werden, wie z.B. Steinschlag-Ursprungsgebiete, Erosionsnarben durch Hochwasser oder die Kartierung von Verwerfungshängen nach Erdbeben.
• Bürgerwissenschaft & Crowdsourcing: Vereinfachte, app-basierte Versionen dieses Werkzeugs könnten geschultem lokalen Personal oder Bürgerwissenschaftlern ermöglichen, strukturierte georäumliche Daten zu Hangrutschungsereignissen beizutragen und so Überwachungsnetzwerke zu erweitern.
• Augmented Reality (AR)-Schnittstellen: Zukünftige Systeme könnten AR-Brillen verwenden, um GIS-Daten und Messwerkzeuge direkt ins Sichtfeld einzublenden und den Kartierungsprozess weiter zu optimieren.
• KI-gestützte Merkmalserkennung: Die Kopplung des Systems mit einer Echtzeit-Bildanalyse-KI könnte helfen, Hangrutschungsmerkmale automatisch durch den Sucher des Fernglases vorzuschlagen und zu klassifizieren, wodurch Bedienerverzerrung und Einarbeitungszeit reduziert würden.

9. Literaturverzeichnis

1. Santangelo, M., Cardinali, M., Rossi, M., Mondini, A. C., & Guzzetti, F. (2010). Remote landslide mapping using a laser rangefinder binocular and GPS. Natural Hazards and Earth System Sciences, 10(12), 2539–2546. https://doi.org/10.5194/nhess-10-2539-2010
2. Guzzetti, F., Mondini, A. C., Cardinali, M., Fiorucci, F., Santangelo, M., & Chang, K. T. (2012). Landslide inventory maps: New tools for an old problem. Earth-Science Reviews, 112(1-2), 42–66.
3. Ghorbanzadeh, O., Blaschke, T., Gholamnia, K., & Aryal, J. (2022). Landslide mapping using deep learning and object-based image analysis. Scientific Reports, 12, 3042.
4. USGS Landslide Hazards Program. (n.d.). Landslide Mapping and Monitoring. Abgerufen von https://www.usgs.gov/natural-hazards/landslide-hazards/science
5. Martha, T. R., Kerle, N., Jetten, V., van Westen, C. J., & Kumar, K. V. (2010). Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods. Geomorphology, 116(1-2), 24–36.