Geodateninfrastruktur & Frühwarnung

Der Text beginnt mit der Feststellung, dass die durch extreme Naturereignisse verursachten Schäden in den letzten Jahren deutlich zugenommen haben. Munich Re, der weltweit größte Rückversicherer, verzeichnete für das Jahr 2011 gesamtwirtschaftliche Schäden von rund 380 Milliarden US-Dollar – deutlich mehr als im bisherigen Rekordjahr 2005 (220 Milliarden US-Dollar) und 2008 (200 Milliarden US-Dollar). Die Zahl der Opfer ist ebenfalls erschreckend: 2010 gab es etwa 300.000 Todesfälle, gefolgt von 2008 mit 220.000. Die Zunahme der Schäden wird nicht primär auf eine höhere Häufigkeit von Naturkatastrophen zurückgeführt, sondern auf die zunehmende Besiedlung von Risikoregionen. Bevölkerungswachstum, Urbanisierung und veränderte Landnutzung führen zu einer Konzentration von Menschen und Infrastruktur in gefährdeten Gebieten, was das Risiko und das Schadenspotenzial erheblich steigert. Dieser Trend wird sich voraussichtlich fortsetzen. Die Ausführungen beziehen sich explizit auf Hangrutschungen, deren verheerende Auswirkungen weltweit durch die intensivere Nutzung räumlicher Ressourcen verstärkt wurden.

Der Text verdeutlicht die Problematik anhand von Hangrutschungen. In den USA verursachen diese jährlich über 25 Todesopfer und Schäden zwischen einer und zwei Milliarden US-Dollar (USGS, 2011). Trotz fehlender öffentlicher Wahrnehmung der Bedrohung zeigen jüngste Ereignisse in Deutschland die erhebliche Gefahr für Mensch und Sachwerte. Konkrete Beispiele sind die Hangrutschungen in Bozen (Welt Online, 2010), Nachterstedt (Zeit Online, 2009) und Stein an der Traun (Spiegel Online, 2010), bei denen 2009 und 2010 mindestens 14 Menschen ums Leben kamen. Auch im Rhein-Moselgebiet wurde nach Ereignissen in den Jahren 2001 und 2002 ein Schadenspotenzial für Verkehrswege in Höhe von 100 Millionen Euro geschätzt (Krauter et al., 2004). Diese regionalen Beispiele unterstreichen die Notwendigkeit für verbesserte Maßnahmen zur Risikominderung und Frühwarnung, insbesondere da die beschriebenen Schäden und Opferzahlen einen besorgniserregenden Trend aufzeigen.

Die Kernaufgabe von Forschung und Entwicklung liegt in der Reduzierung zukünftiger Schäden durch verbesserte Prognosen (Kümpel et al., 2011). Dies ist besonders wichtig in Gebieten, wo technische Schutzmaßnahmen zu teuer oder aus anderen Gründen nicht umsetzbar sind. Ein besseres Verständnis der Hangrutschungsprozesse ist entscheidend für die Entwicklung genauer Vorhersagen. Die Weiterentwicklung rechnergestützter Modelle ist erforderlich, idealerweise gekoppelt mit Systemen zur Erdbeben- und Niederschlagsprognose, da Hangrutschungen oft das Ergebnis komplexer Kausalitäten sind. Obwohl moderne Geomonitoring- und Geoinformationstechnologien die Identifizierung gefährdeter Gebiete ermöglichen, geschieht dies derzeit nur auf einer groben räumlichen und zeitlichen Skala, ohne wichtige lokale Gegebenheiten kontinuierlich zu berücksichtigen (Niemeier, 2011). Zur Erstellung feinmaschigerer Karten bedürfen wir einer umfassenden Datenerfassung relevanter Faktoren und Parameter. Dies unterstreicht den dringenden Bedarf an weiterentwickelten Technologien und Methoden zur Risikovorsorge.

Die zentrale Herausforderung besteht in der Minderung zukünftiger Schäden durch verbesserte Prognosen von Hangrutschungen (Kümpel et al., 2011). Dies ist besonders relevant in Gebieten, wo teure technische Schutzmaßnahmen nicht realisierbar sind. Ein verbessertes Verständnis der Hangrutschungsprozesse ist daher unerlässlich, um präzisere Vorhersagen treffen zu können. Die Entwicklung und Weiterentwicklung rechnergestützter Modelle ist hierfür essentiell. Die Komplexität der Hangrutschungsvorgänge erfordert die Einbeziehung weiterer Faktoren und die Kopplung mit anderen Systemen wie Erdbeben- und Niederschlagsmodellen. Derzeit verfügbare Geomonitoring- und Geoinformationstechnologien erlauben zwar die Identifizierung gefährdeter Gebiete, aber lediglich auf einer sehr groben räumlichen und zeitlichen Skala, ohne wichtige lokale Gegebenheiten kontinuierlich zu erfassen (Niemeier, 2011). Um präzisere Frühwarnungen zu ermöglichen, müssen die bestehenden Systeme deutlich verbessert werden.

Der Abschnitt kritisiert die Ineffizienz der derzeitigen Nutzung hangrutschungsspezifischer Daten. Hohe Anschaffungskosten und der Unterhalt leistungsfähiger Spezialsysteme beschränken die Überwachung auf ausgewählte Gebiete. Die gewonnenen Erkenntnisse bleiben oft auf den spezifischen Anwendungsfall beschränkt, da die Systeme monolithisch aufgebaut sind und eng formulierte Einsatzkonzepte aufweisen. Die Daten sind nur eingeschränkt zugänglich, austauschbar und interoperabel. Obwohl ein Ansatz von "Daten als Massenware" (Arctur, 2011) das lückenhafte Beobachtungsbild ergänzen könnte, besteht ein hohes Spezialisierungsniveau der Beobachtungsdaten und ihrer Analyse in Blackbox-artigen Systemen. Dies führt zu nicht unmittelbar verwertbaren Ergebnissen und Medienbrüchen entlang der Verarbeitungskette zur Frühwarnung. Die Integration von Messungen vom Zeitpunkt der Erfassung an und die Kopplung mit externen Datenquellen sind dringend erforderlich, um den Mehrwert der Daten zu steigern und effizientere Frühwarnsysteme zu schaffen.

Ein zentrales Problem ist die ineffiziente Nutzung verfügbarer Datenressourcen. Der Text nennt das Beispiel der Fukushima-Katastrophe 2011, wo trotz vorhandener Messinfrastruktur für radioaktive Strahlung und Wetterdaten die entsprechenden Informationen kaum zugänglich waren, was zu Fehlentscheidungen bei der Evakuierung führte (Biocatastrophe Blog, 2011). Ähnlich sieht die Situation bei der Nutzung hangrutschungsspezifischer Daten aus. Die mangelnde Infrastruktur für den Zugang und die Verarbeitung von Sensordaten, insbesondere die suboptimale Auffindbarkeit, Austauschbarkeit und Nutzbarkeit räumlicher Daten über das Internet, führt zu einer ineffizienten Verwertung verfügbarer Ressourcen. Die Verbesserung der Datenverfügbarkeit und -integration ist also eine entscheidende Voraussetzung für die Entwicklung und den Betrieb von effektiven Frühwarnsystemen. Die Notwendigkeit einer robusten und interoperablen Dateninfrastruktur wird deutlich hervorgehoben.

Das SLEWS-Projekt (Sensor based Landslide Early Warning System) zielt auf die Entwicklung eines Frühwarnsystems für Hangrutschungen ab. Es nutzt ein Netzwerk aus intelligenten Sensoren, um Bewegungen im Untergrund frühzeitig zu detektieren und eine Warnung auszulösen. Das System soll insbesondere in Gebieten zum Einsatz kommen, in denen teure konventionelle Schutzmaßnahmen nicht praktikabel sind. Ein wichtiger Aspekt ist die Entwicklung einer robusten und kostengünstigen Infrastruktur, die eine schnelle Installation und Einsatzbereitschaft ermöglicht. Die Auswahl der Sensortechnologie konzentriert sich auf kostengünstige und präzise MEMS-Sensoren, um eine breite Anwendung und Redundanz (Sensorfusion) zu ermöglichen. Die verwendeten Sensoren stammen von VTI Technologies (Beschleunigungs-, Neigungs- und Drucksensoren: SCA-3000-D01, SCA-100T-D01, SCP-1000-D01) und ASM GmbH (Seilzugaufnehmer). GPS-basierte Positionsbestimmung wurde aufgrund des hohen Energieverbrauchs verworfen.

Zur Validierung des Systems unter realen Bedingungen wurden mehrere Geländeversuche durchgeführt. Ein Langzeittest am Institutsgebäude der Universität Aachen diente zur Erfassung von Erschütterungen durch Baumaßnahmen. Ein einwöchiger Test am Rutschhang Super-Sauze in Südfrankreich zeigte die Fähigkeit des Systems, selbst kleine Bewegungen mithilfe des Seilzugwegaufnehmers zu erfassen und mit Referenzsystemen abzugleichen. Ein weiterer mehrmonatiger Test in Rathen bei Dresden konzentrierte sich auf die Detektion von Kippbewegungen an einem Felsturm. Diese Tests belegen die Eignung des SLEWS-Systems zur Erfassung kleiner Veränderungen und seine schnelle Einsatzbereitschaft. Die Ergebnisse der Tests in Aachen, Südfrankreich und der Sächsischen Schweiz bestätigen die Funktionalität und den Mehrwert des Systems, insbesondere im Vergleich zu herkömmlichen Methoden, welche nur ein oder zwei Messungen pro Jahr durchführen konnten (Felsturm in Rathen).

Der wissenschaftliche Beitrag des SLEWS-Projekts liegt in der Erweiterung der Einsatzmöglichkeiten moderner Sensornetzwerke und offener Schnittstellenstandards im Risikomanagement und Geomonitoring von Massenbewegungen. Der Einsatz von kostengünstigen, präzisen MEMS-Sensoren ermöglicht eine vergleichbare Datenqualität zu hochspezialisierten und teuren Systemen. Die Sensorfusion verbessert die Aussagekraft der Messwerte. Die Kombination mit einer robusten und einfach zu installierenden Infrastruktur bei geringen Betriebs- und Wartungskosten erweitert die Anwendungsmöglichkeiten deutlich. Der Test in Rathen bei Dresden zeigt den Mehrwert durch kontinuierliche Überwachung im Vergleich zu herkömmlichen Methoden. Dieser Beitrag unterstreicht die Bedeutung des Projekts für die Entwicklung von Frühwarnsystemen für Hangrutschungen und die Optimierung des Risikomanagements. Das Projekt liefert sowohl Erkenntnisse für Sensor- und Frühwarnsystembetreiber als auch für Sensorhersteller. Die erzielten Ergebnisse und Schlussfolgerungen basieren vor allem auf den Erfahrungen aus dem SLEWS-Anwendungsszenario und sind nicht uneingeschränkt auf andere Anwendungsfälle übertragbar.

Der Abschnitt beschreibt die OGC Sensor Web Enablement (SWE) Initiative als zentralen Ansatz zur Verbesserung der Auffindbarkeit, des Austauschs und der Nutzbarkeit von Sensordaten im Internet. Das Hauptproblem besteht darin, dass Sensordaten oft schwer auffindbar und in anwendungsspezifischen Formaten vorliegen, die eine effektive Verwertung erschweren. SWE zielt auf die syntaktische und semantische Vereinheitlichung von Sensordaten ab, um den automatisierten Zugriff von Mensch und Maschine zu gewährleisten. Die Vernetzung von Sensoren, Sensorsystemen und Datenquellen über das Internet als gemeinsame Kommunikationsinfrastruktur in Form eines Sensor Webs (Delin, 2002; Liang et al., 2005) wird als wichtige Voraussetzung angesehen. Offene, anerkannte Standards sollen den interoperablen Austausch und die Integration in bestehende Infrastrukturen erleichtern. Die Initiative wird weltweit in verschiedenen Anwendungsbereichen intensiv erforscht, jedoch mangelt es oft an der Berücksichtigung der Vernetzbarkeit, insbesondere in Deutschland, wo die Strukturen zur Gefahrenabwehr und die Endnutzerstrukturen nicht ausreichend transparent sind.

Sensor Model Language (SensorML) und Observations and Measurements (O&M) werden als wichtige OGC-Standards für die Beschreibung und Kodierung von Sensordaten vorgestellt. SensorML bietet ein generisches Modell zur Beschreibung verschiedener sensorbezogener Prozesse, inklusive der Erfassung von Sensoreigenschaften, Ablaufprozessen und der Ableitung höherstufiger Informationsprodukte. Die in SensorML hinterlegten Informationen sollen die Recherchierbarkeit und Vernetzbarkeit verbessern. O&M spezifiziert Kernkomponenten zur Beschreibung von Sensordaten wie Datentypen, Parameter, Mengen und Zeitangaben. Die Verwendung offener Standards, die Auffindbarkeit und die interoperable Verbindung verteilter Datenquellen über das Internet sollen die Überbrückung isolierter Anwendungsbereiche ermöglichen, was zu mehr Flexibilität und Modularität in der Systemarchitektur führt (Bacharach, 2007). Trotz dieser Vorteile ist die Implementierung von SWE für bereits funktionale Systeme mit Mehraufwand verbunden, da die Spezifikationen der SWE-Initiative teilweise sehr allgemein gehalten sind.

Der Abschnitt beleuchtet die Herausforderungen und Limitationen der SWE-Technologie. Die Umsetzung einer allgemein gültigen Vernetzung umweltbezogener Sensorquellen in ein Sensor Web bringt zwar Mehrwerte, wie die Verwendung offener Standards und die Interoperabilität, aber auch Nachteile. Die sehr allgemeinen Spezifikationen der SWE-Initiative erfordern für bereits funktionierende Systeme einen erheblichen Implementierungsaufwand. Die semantische Harmonisierung von Sensordaten und die Verwendung von URIs (Uniform Resource Identifier) stellen sich als besonders schwierig heraus. Es mangelt an einheitlichen und verbindlichen Mechanismen zur Nutzung von URIs, obwohl Ressourcen für die Identifizierung von Umweltobjekten, Maßeinheiten etc. existieren (z.B. ISO Environmental Data Coding Specification, NASA Semantic Web). Das Fehlen verbindlicher Grundsätze führt zu semantischer Inkompatibilität zwischen verschiedenen Datensätzen. Einfache Alternativen wie Pachube bieten eine einfachere Datenintegration, sind dem SWE-Ansatz in puncto Einfachheit überlegen und werden von den Nutzern bevorzugt (Pachube, 2011). Maßnahmen zur Vereinfachung der SWE-Nutzung sind daher notwendig, um die Technologie in einem breiteren Anwenderkreis zu etablieren (Vector 1 Magazine, 2011).

Das SLEWS-Informationssystem wird als flexible Frühwarnkette beschrieben, die aus mehreren Ebenen besteht. Die Sensordaten des SLEWS-Sensornetzes werden nach Vorverarbeitung, Formalisierung und Modellierung in die SWE-basierte Datenhaltung der Geodateninfrastruktur eingespeist. Der Zugriff erfolgt über den Sensor Observation Service (SOS) und die ereignisbasierte Benachrichtigung über den Sensor Alert Service (SAS). Analyse-Anwendungen zur Identifizierung von Bewegungs- und Hangrutschungsereignissen (Ebene 1+2) greifen auf diese Daten zu. Die Ergebnisse dieser Anwendungen bilden die Grundlage für weitere Anwendungsebenen im Gefahrenmanagement (Ebene n). Das System generiert aggregierte und synthetische Sensordaten mit höherer Informationsdichte für nachfolgende Prozesse. Diese können ebenfalls gefiltert und für ereignisbasierte Benachrichtigungen genutzt werden. Zusätzliche Informationsprodukte (z.B. Gefahrenkarten) werden zentral über Web Services (WMS, WFS, WCS) bereitgestellt.

Der Datenfluss beginnt beim Gatewayserver des Sensornetzes, der die Daten an SOS und SAS weiterleitet. Die Anwendung "Bewegung" fragt die Datenhaltung des SOS ab und abonniert über SAS die Datenkanäle der Sensorknoten. Bei Überschreitung festgelegter Schwellwerte sendet SAS Alert-Nachrichten an die Anwendung "Bewegung". Diese überprüft, ob weitere Alert-Nachrichten vorliegen und ruft gegebenenfalls weitere Messdaten über SOS ab. Die Anwendung "Hangbewegung" bewertet die Bewegungsereignisse im Hinblick auf mögliche Hangrutschungen unter Verwendung von Analysemethoden und Prozessmodellen. Der semiautomatisierte Charakter des Systems filtert Fehlmessungen heraus und reduziert Fehlalarme. Die Analyseanwendungen erstellen Warn- und Alarmmeldungen, die modular in die Geodateninfrastruktur eingebettet sind. Die automatisiert anpassbaren Filterbedingungen ermöglichen eine dynamische Selbstkonfiguration der Anwendungen. Synthetische Phänomene wie "Bewegung" und "Hangbewegung" vereinfachen den Informationsaustausch und die Benachrichtigungen, wobei der Zugriff auf die Originaldaten jederzeit möglich bleibt.

Das System zeichnet sich durch einen modularen Aufbau aus, der Modifikationen und Erweiterungen ermöglicht, ohne das Gesamtsystem zu beeinträchtigen. Analyse-Anwendungen können ausgetauscht oder durch weitere Prozessebenen ergänzt werden. Änderungen am Sensornetzwerk beeinflussen die Analyseanwendungen nicht. Neue Sensorknoten können automatisiert über den Abruf von GetCapabilities-Dokumenten erkannt und eingebunden werden. Zukünftig ist die Ausstattung der Analyseanwendungen mit standardisierten Webschnittstellen denkbar, um die Steuerbarkeit von außen zu verbessern und Ergebnisprodukte effizienter zu erhalten. Die Anknüpfung an einen Sensor Planning Service (SPS) zur Konfiguration von Parametern und zur Verbesserung der Ergebnisqualität wird als naheliegend betrachtet. Die Integration von 3D-Visualisierungen mithilfe von WebGL und X3D wird als Möglichkeit zur Verbesserung der Benutzerfreundlichkeit und des Informationswerts erwähnt, da dies die räumliche Übersichtlichkeit verbessert und den Informationswert in Spezialfällen erhöht. Eine Kopplung an den Web 3D Service (W3DS) mit dem SOS als Datengrundlage ist denkbar (OGC, 2010g).