In den letzten zehn Jahren haben Überschwemmungen mehr als 100 Milliarden US-Dollar gekostet, mehr als 100.000 Menschen kamen ums Leben, und 1 Milliarde Menschen sind weltweit obdachlos geworden. Eine schnelle Reaktion kann die durch Überschwemmungen verursachten Schäden erheblich verringern. Die schnelle Bereitstellung von Informationen über Schäden bei Überschwemmungen ist jedoch eine Herausforderung und noch kaum erforscht. In diesem Projekt wollen wir einen Ansatz zur schnellen Bewertung von Gebäudeschäden nach Hochwasserereignissen entwickeln. Insbesondere schlagen wir vor, drei auf maschinellem Lernen basierende Ansätze zu erforschen: (i) eine Multi-Sensor-Methode zur Erkennung von Veränderungen, um eine Schadensbeurteilung nahezu in Echtzeit zu ermöglichen, (ii) eine großmaßstäbliche Methode zur Schadensbeurteilung von Gebäuden, die von vorhandenen globalen Stadtplanungsdaten profitiert, und (iii) einen halbüberwachten und auf wenigen Aufnahmen basierenden Lernansatz, um die wenigen markierten Daten einzubeziehen, die in der Frühphase der Flut gesammelt werden können. Wir werden die Unsicherheiten untersuchen und die Qualität der Modelle zur schnellen Bewertung von Hochwasserschäden anhand empirischer Daten bewerten. Die erwarteten Ergebnisse dieses Projekts, d. h. die Methoden zur schnellen Bewertung von Hochwasserschäden, werden für die (Rück-)Versicherungsbranche sowie für regionale und nationale Regierungen von großer Bedeutung sein, um Entscheidungen über Hochwasserentschädigungsprogramme und Wiederaufbaumaßnahmen zu unterstützen.

Das SURF-Projekt wird in Zusammenarbeit zwischen dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) als Koordinator und dem Helmholtz-Zentrum für Geowissenschaften (GFZ) durchgeführt.