Die Atmosphärenkorrektur satellitengestützter Fernerkundungsdaten ist ein essenzieller Bestandteil operationeller Prozessierungsketten, um die hochgenaue Rekonstruktion von Bodenreflektanzen zu gewährleisten.

Die am Deutschen Zentrum für Luft- und Raumfahrt entwickelte Software zur Atmosphärenkorrektur von Satellitendaten, "Python-based Atmospheric Correction" (PACO), sowie deren als Open‑Source‑Projekt angelegte Weiterentwicklung "CHIME L2 Open‑Source Library" werden in einer Vielzahl von operationellen und zukünftigen Missionen (z. B. DESIS, EnMAP, CHIME) eingesetzt und tragen damit weitreichend zur Erzeugung der globalen Satellitendatenbasis bei.

Der Vortrag möchte zum besseren Verständnis einen Einblick in die theoretische Basis aktueller Algorithmen der Atmosphärenkorrektur sowie in ihre Bedeutung für die satellitengestützte Fernerkundung vermitteln. Außerdem sollen aktuelle Entwicklungen (Fokus auf hyperspektrale Daten, Einbezug externer Referenzdaten und Methoden des maschinellen Lernens) sowie Zugang, Nutzung und Anwendungsbeispiele für die wissenschaftliche Gemeinschaft präsentiert werden.

Die weltraumgestützte Global Navigation Satellite System Reflectometry (GNSS-R) ist eine aufstrebende bistatische Fernerkundungstechnik, die kontinuierliche Erdbeobachtungen mithilfe reflektierter GNSS-Signale ermöglicht. Neben Oberflächenanwendungen weisen GNSS-R-Beobachtungen von LEO-Satelliten bei niedrigen Elevationswinkeln eine hohe Sensitivität gegenüber der Verteilung ionosphärischer Schichten auf und eröffnen neue Möglichkeiten zur Untersuchung der vertikalen Struktur der Ionosphäre.

In dieser Studie werden Messungen der PRETTY-CubeSat-Mission im L5/E5-Band verwendet, um ionosphärische Effekte unter streifenden Beobachtungsgeometrien zu untersuchen. PRETTY ermöglicht die Analyse von GNSS-R-Codeverzögerungsbeobachtungen bei Elevationswinkeln des spiegelnden Punktes bis hinunter zu etwa 1°, wodurch die Sensitivität gegenüber ionosphärischen Laufzeitverzögerungen deutlich erhöht wird. Die abgeleitete relative ionosphärische Verzögerung erreicht Werte von bis zu etwa 18 m, mit einem lokalen Maximum bei ungefähr 3° Elevation. Analysiert werden sechs GNSS-R-Ereignisse, die im Juli 2024 über der Arktis aufgezeichnet wurden. Die relativen ionosphärischen Verzögerungen werden aus Delay-Map-Beobachtungen nach Korrektur geometrischer und troposphärischer Beiträge bestimmt.

Die abgeleiteten Verzögerungen werden mit Vorhersagen des Neustrelitzer Elektronendichtemodells (NEDM2020), NeQuick sowie der International Reference Ionosphere (IRI) verglichen. Für alle Modelle zeigt sich eine gute Übereinstimmung, wobei NEDM2020 die kleinsten Residuen im Bereich von etwa 1,3 bis 4,4 m liefert. Die Unsicherheit der Retrievals kann aufgrund der durch die Delay-Map-Auflösung vorgegebenen Quantisierung bis zu etwa 2,6 m betragen, was die Tracking-Genauigkeit weiterhin begrenzt. Dennoch zeigen die Ergebnisse, dass GNSS-R-Codeverzögerungsbeobachtungen bei streifenden Einfallswinkeln ionosphärische Verzögerungsvariationen erster Ordnung auflösen können und sensitiv gegenüber der vertikalen Elektronendichtestruktur der Ionosphäre sind.

Zur weiteren Untersuchung dieser Sensitivität werden die abgeleiteten Verzögerungen mithilfe einer Chapman-Schicht-Darstellung der F-Region angepasst. Die geschätzten Höhen des F-Schicht-Maximums liegen zwischen etwa 307 und 367 km und stimmen innerhalb von ±15 km mit unabhängigen Ionosonden- und EISCAT-Radarmessungen überein. Darüber hinaus wird ein Kompensationspunkt der relativen ionosphärischen Verzögerung identifiziert, der dem Elevationswinkel entspricht, bei dem sich die direkten und reflektierten ionosphärischen Beiträge gegenseitig kompensieren. Dieser Punkt könnte potenziell als Proxy zur Bestimmung der Höhe des F-Schicht-Maximums genutzt werden. Die Ergebnisse verdeutlichen das Potenzial von GNSS-R-Beobachtungen bei streifenden Einfallswinkeln als neuartige ionosphärische Observable für zukünftige Anwendungen im Bereich des ionosphärischen Monitorings und der Modellierung.

Diese Forschung konzentriert sich auf die Nutzung der Phasen- und Excess-Doppler-Eigenschaften der airborne Global Navigation Satellite System Reflectometry (GNSS-R) für Anwendungen in der Fernerkundung und Oberflächenklassifikation. Ziel ist es, die Kohärenzeigenschaften reflektierter GNSS-Signale auszunutzen, um verschiedene reflektierende Oberflächen anhand ihres Streuverhaltens entlang der Satellitenspuren zu unterscheiden.

Zu diesem Zweck wird ein statistisches Phasenmodell entwickelt, das auf den In-Phase- und Quadraturkomponenten des reflektierten GNSS-R-Signals basiert und sich auf die Geometrie bistatischer Radarsysteme sowie die Prinzipien der Signalausbreitung stützt. Das Phasenverhalten wird im Rahmen einer Von-Mises-Verteilung modelliert, welche den Übergang zwischen kohärenten und inkohärenten Regimen beschreibt. Parallel dazu wird eine Excess-Doppler-Spektralanalyse eingeführt, die auf drei quantitativen Kriterien basiert: der Amplitude der dominanten Doppler-Komponente, der Anzahl signifikanter Spektralpeaks sowie der spektralen Streuung über die Peaks hinweg. Diese Kriterien wurden als Eingangsmerkmale für die Klassifikationsexperimente verwendet.

Ein Framework zur Generierung synthetischer GNSS-R-Signale wird vorgeschlagen, das auf dem Mehrwege-Reflexionsmodell basiert. Die Generierungsmethodik stützt sich auf die Extraktion großskaliger Parameter, die durchgeführt wurde, um die grundlegenden Eigenschaften der Oberflächen während der experimentellen Flugkampagne zu erhalten. Dadurch behalten die synthetischen Signale die Eigenschaften realer GNSS-R-Messungen bei. Dieser Datensatz wird verwendet, um die Diskriminierungsfähigkeit der vorgeschlagenen Doppler-basierten Kriterien unter kontrollierten Signalbedingungen zu bewerten.

Die Klassifikationsexperimente werden für verschiedene Oberflächentypen durchgeführt, darunter Landflächen, Meeresoberflächen, Sandflächen und Binnengewässer. Die Studie bewertet die Leistungsfähigkeit überwachter Lernverfahren unter Verwendung sowohl konstruierter spektraler Merkmale als auch roher Signalrepräsentationen. Darüber hinaus werden tiefe neuronale Netze anhand synthetischer und realer GNSS-R-Signale bewertet, um ihre Fähigkeit zur Unterscheidung von Streumustern ohne Feature-Engineering zu untersuchen.

Alle Modelle erreichten auf synthetischen Testdatensätzen eine Genauigkeit von über 98 %, wodurch ihre Lernfähigkeit validiert wurde. Die entscheidende Validierung anhand realer airborne Daten zeigte, dass XGBoost und 1D-CNN eine Klassifikationsgenauigkeit von 90 % erreichten, obwohl sie ausschließlich mit synthetischen Signalen trainiert worden waren. Random Forest und MLP zeigten ebenfalls eine hohe Leistungsfähigkeit mit Genauigkeiten von 88 % beziehungsweise 87 %. Diese Ergebnisse bestätigten sowohl die physikalische Realitätsnähe der Generierung synthetischer Daten als auch die Robustheit des vorgeschlagenen Klassifikationsansatzes.

Eine kritische Auswirkung des Klimawandels ist die Zunahme extremer Wetterereignisse, insbesondere von Sturmfluten. Diese werden hauptsächlich durch starke Winde und atmosphärische Druckschwankungen im Zusammenhang mit Sturmsystemen verursacht und können durch einen raschen Anstieg des Meeresspiegels verheerende Schäden in Küstenregionen anrichten. Ein Großteil der aktuellen Forschung zur Nutzung der Altimetrie für die Überwachung von Sturmfluten konzentriert sich auf lokale Fallstudien und verwendet eine Kombination aus In-situ-Messungen, modellgenerierten Daten und Fernerkundungsdaten. Das übergeordnete Ziel dieser Forschung ist die Entwicklung eines globalen Ansatzes zur Überwachung extremer Meeresspiegelereignisse an Küsten mithilfe von aus Altimetrie abgeleiteten Meeresspiegelanomalien (Sea Level Anomaly, SLA) und Wellenparametern. Der Schwerpunkt dieser Studie liegt auf der Bewertung, ob altimetriebasierte Produkte Sturmflutereignisse durch die Validierung anhand von In-situ-Beobachtungen und Reanalysedaten erkennen können. Die in diesem Projekt verwendeten Daten bestehen aus 20-Hz-Altimetriedaten entlang der Satellitenspur, die aus den Sea-State- und Sea-Level-Produkten der ESA Climate Change Initiative (CCI) stammen. Ergänzende Datensätze zur Validierung umfassen Pegeldaten aus dem GESLA-4-Datensatz sowie Reanalysedaten des hydrodynamischen Modells GTSMv3.0. Der Analyseansatz umfasst die Durchführung von Extremwertstatistiken auf Pegel- und GTSM-Daten zur Identifikation potenzieller Sturmfluttage. Anschließend werden einzelne Altimetrie-Tracks an den markierten Tagen auf charakteristische Signaturen von Sturmfluten untersucht und Wellenparameter berechnet, um die Identifikation von Sturmfluten zu verbessern. Erste Ergebnisse zeigen, dass 20-Hz-Küsten-SLA-Daten erfolgreich zur Erkennung von Sturmflutereignissen eingesetzt werden können. Die Intensität und Erscheinungsform der Sturmflutsignatur hängen jedoch von der zeitlichen Übereinstimmung zwischen dem Höhepunkt der Sturmflut und dem Satellitenüberflug ab. Der entwickelte Bewertungsrahmen unterstützt die Integration von Altimetrieprodukten in digitale Überflutungsmodelle und verbessert dadurch die Fähigkeit, Küstenrisiken zu quantifizieren und die Auswirkungen extremer Meeresspiegelereignisse vorherzusagen. Die Arbeit leistet einen Beitrag zu umfassenderen Klimaanpassungsstrategien im Rahmen des Projekts FRACCEO der European Space Agency in Zusammenarbeit mit Deltares und der TU Delft in Delft, den Niederlanden und dem Nansen Environmental and Remote Sensing Center in Bergen, Norwegen.

Korallenriffe gehören zu den fragilsten Ökosystemen der Erde. Sie spielen eine entscheidende Rolle als natürliche Barrieren gegen einlaufende Wellen, sind jedoch gleichzeitig durch klimawandelbedingte Prozesse wie Ozeanerwärmung, Ozeanversauerung, Meeresspiegelanstieg und veränderte Sturmmuster bedroht. Die Satellitenaltimetrie bietet die Möglichkeit, Korallenriffe auf globaler Ebene zu überwachen, obwohl Küstenumgebungen aufgrund von Einschränkungen bei der Signalverarbeitung wesentlich schwieriger zu beobachten sind als der offene Ozean. 
 
In dieser Arbeit analysieren wir zu diesem Zweck zwei komplementäre Datenquellen. Erstens nutzen wir den Datensatz der ESA Sea State Climate Change Initiative (Sea State CCI), der auf einem herstellerübergreifenden, kreuzkalibrierten Archiv aus mehr als zwei Jahrzehnten Beobachtungen basiert und nach modernsten Standards verarbeitet wurde, um die Qualität und Abdeckung von Küstendaten zu verbessern. Zweitens untersuchen wir die Qualität der zweidimensionalen Beobachtungen der signifikanten Wellenhöhe der SWOT-Mission – der ersten Satellitenaltimetrie-Mission, die Swath-Interferometrie einsetzt. 
 
Um den Mehrwert der SWOT-Beobachtungen zu bewerten, vergleichen wir sich zeitlich überschneidende SWOT- und Sentinel-6-Daten. Dies ermöglicht es uns, die Grenzen der herkömmlichen Along-Track-Altimetrie bei der Messung der Wellendämpfung über Korallenriffen sowie die potenziellen Gewinne im räumlichen Verständnis zu evaluieren, die durch die verbesserte Abdeckung der Swath-Interferometrie ermöglicht werden. 
 
Gleichzeitig kann die Analyse von Langzeitaufzeichnungen aus dem ESA Sea State CCI-Datensatz weitere Einblicke darüber liefern, ob Veränderungen in der Ausdehnung und strukturellen Komplexität von Korallenriffen durch Variationen in ihrer Wirksamkeit bei der Wellendämpfung nachgewiesen werden können. 

Angesichts des Klimawandels stellen die Überwachung und das Management von Wasserressourcen eine zentrale Herausforderung dar. Der Start der neuen Mission „Surface Water and Ocean Topography“ (SWOT) markierte den Beginn einer neuen Ära in der Satellitenaltimetrie und ermöglicht eine beispiellose räumliche Abdeckung der Süßwasserressourcen der Erde. Dank dieser verbesserten räumlichen Abdeckung und der sehr hohen räumlichen Auflösung des Pixel Cloud (PIXC)-Produkts, die beide durch das innovative, breitstreifige Messsystem an Bord des Satelliten ermöglicht werden, eröffnen sich neue Möglichkeiten für die globale Überwachung von Gewässern.

In dieser Studie stellen wir einen auf Deep Learning basierenden Ansatz zur Verbesserung der Wasserdetektion in SWOT-PIXC-Daten vor. Die vorgeschlagene Methode nutzt ein dynamisches Graph Convolutional Network, um sowohl räumliche Nähe als auch Featureähnlichkeit zu berücksichtigen und so unter stark unausgewogenen Bedingungen binäre Klassenlabels zu prädizieren.

Das Modell wird auf SWOT-Daten eines gesamten Jahres trainiert, die den Großraum Dallas und Fort Worth (USA), wobei zeitnahe Labels aus der DSWx-Produktsuite verwendet werden, die auf Pixelebene abgeglichen sind. Anschließend wird das Modell an einem unabhängigen Testdatensatz validiert, der aus dem Folgejahr generiert wurde, und mit dem im SWOT-PIXC-Datenprodukt bereitgestellten nativen Klassifizierungsattribut verglichen. Relative zu den aus DSWx abgeleiteten Ground-Truth-Labels verbesserte sich der mittlere F1-Score für die binäre Wasser-Land-Klassifizierung auf dem zeitlich getrennten Testdatensatz von 0,597, erreicht durch die native SWOT-Klassifizierung, auf 0,913 unter Verwendung des untersuchten Models.

Der Schwerpunkt der Studie liegt auf der Bewertung der Wirksamkeit der vorgeschlagenen Methode bei der Land-Wasser-Abgrenzung. Ein besonderer Schwerpunkt liegt auf der Verringerung von Fehlklassifikationen im Zusammenhang mit starken Radarechos, die durch bebaute Flächen verursacht werden und in städtischen Umgebungen eine vorherrschende Ursache für Fehlklassifikationen darstellen. Die Ergebnisse liefern Erkenntnisse über die Eignung dynamischer, auf graph-neuronalen Netzen basierender Ansätze für die Land-Wasser-Klassifizierung bei der höchsten räumlichen Auflösung, die die bahnbrechende SWOT-Mission bietet. Verbesserungen bieten die Aussicht auf eine genauere Hochwasserüberwachung und -management, insbesondere in städtischen Umgebungen.

(Originaltext: englisch; übersetzt mit Hilfe von DeepL)