Wenn eine Hochwasserauszahlung von 2 Mio. $ davon abhängt, Wasser von Schatten zu unterscheiden

Das erste Mal, als es mir wirklich bewusst wurde, betrachtete ich kurz vor Mitternacht ein einzelnes Graustufenbild auf einem zweiten Monitor. Es war ein Sentinel-1-Radarbild — die kostenlosen europäischen Satellitendaten, mit denen jeder in der Hochwasserarbeit anfängt — und irgendwo in diesem Bild war eine Überschwemmung. Das Radar stellt ruhiges Wasser dunkel, fast schwarz dar, weil eine glatte Wasseroberfläche das Signal vom Satelliten wegreflektiert statt zu ihm zurück. Ich suchte also nach dem dunklen Fleck.

Das Problem war, dass es zwei dunkle Flecken gab. Der eine war Hochwasser. Der andere war der Schatten, den ein Bergrücken in der Radargeometrie wirft, wo das Gelände den Strahl blockiert und nichts zurückkommt. Auf dem Bildschirm, zu dieser Stunde, sahen sie aus wie Zwillinge. Und ich erinnere mich an den konkreten, unbehaglichen Gedanken: irgendwo gibt es einen Versicherer, der einen Schaden bezahlen oder nicht bezahlen wird, je nachdem, welchen dieser beiden ich als Wasser bezeichne.

Das ist das gesamte Problem der Satelliten-Hochwasserintelligenz für parametrische Versicherungen, verdichtet in einem einzigen Bild. Eine parametrische Police wartet nicht darauf, dass ein Sachverständiger ein überflutetes Lagerhaus begutachtet. Sie zahlt automatisch, wenn ein gemessener Auslöser anspringt — ein Satellit meldet, dass die Überschwemmung ein bestimmtes Ausmaß erreicht hat, und das Geld fließt. Es ist eine wunderbare Idee für eine Welt, in der Katastrophen sich beschleunigen. Es bedeutet aber auch, dass die Klassifizierung des Satelliten der Schaden ist. Es steht kein Mensch im Wasser, um sie zu überstimmen.

Ein parametrischer Auslöser verwandelt eine einzige Ablesung eines einzigen Satellitenpixels in eine Überweisung.

Und der Satellit liegt in beide Richtungen falsch.

Die Physik, die niemand auf der Folie haben will

Hier ist der Teil, den ich am längsten akzeptieren musste, weil ich mit der Annahme kam, es sei ein Softwareproblem, das ich mit besserer Technik lösen könnte. Wolkenschatten und Hochwasser sehen in optischen Satellitenbildern nahezu identisch aus — nicht ähnlich, identisch in den Bändern, auf die es ankommt. Beide absorbieren nahinfrarotes und kurzwelliges Infrarotlicht. Beide haben weiche, amorphe Ränder. Beide glätten die Textur dessen, was sich darunter befindet, zu einem gleichmäßigen Schmier.

Die üblichen Wassererkennungsindizes — NDWI und MNDWI, die Mathematik, auf die sich jede Hochwasser-Pipeline stützt — markieren beide als „wasserähnlich“, weil die zugrunde liegende Physik wirklich dieselbe ist: verringerte Reflexion über die Infrarotbänder hinweg. Ein einzelnes optisches Bild, das während eines Sturms aufgenommen wurde, kann einen Schatten nicht zuverlässig von einer Überschwemmung unterscheiden, und keine noch so raffinierte Schwellenwertbildung repariert ein Signal, das an der Quelle wirklich mehrdeutig ist.

Ich verbrachte einen Monat in der Überzeugung, die Antwort sei ein besseres Modell. Wir hatten die Deep-Learning-Literatur auf unserer Seite, und sie ist wirklich beeindruckend — ein modifiziertes DeepLabV3-Netzwerk, gespeist mit multipolarisiertem Radar und Geländedaten, erreichte in veröffentlichter Forschung 98,4 % Gesamtgenauigkeit; ein U-Net mit Transformer-Attention meldete 95,5 %. Diese Zahlen sind echt. Ich zitierte sie in einem frühen Pitch. Was ich nicht laut aussprach, weil ich es damals noch nicht verstand, ist, dass diese Genauigkeiten an kuratierten Benchmark-Szenen gemessen werden und dass die Katastrophen-Trainingsdatensätze, aus denen sie lernen, bewusst verzerrt sind.

Sie sind aus einem menschlichen Grund verzerrt. Eine echte Überschwemmung zu übersehen kann Menschen töten, deshalb bestrafen die Labels und Verlustfunktionen eine verpasste Überschwemmung weit härter als einen Fehlalarm. Das Ergebnis ist eine Generation von Klassifikatoren, die systematisch übereifrig sind — wenn das Signal grenzwertig ist, neigen sie zu „Überschwemmung“. Das ist genau die richtige Verzerrung für ein humanitäres Frühwarnsystem und genau die falsche Verzerrung für die Autorisierung einer Auszahlung von 2 Mio. $, bei der ein Fehlalarm kein Rundungsfehler ist. Es ist eine Überweisung.

Die Demo, die einen Berg als überflutet meldete

Wir bauten zuerst das Naheliegende. Einen Einzelbild-Klassifikator, radargeführt, damit er durch Wolken sehen konnte, hart abgestimmt, sauber vorgeführt an den Szenen, die wir ausgewählt hatten. Ich war stolz darauf. Dann ließ ein Kollege, der die Radargeometrie tatsächlich verstand, ihn über eine bergige Testregion laufen, und er zeigte einen Hang mit hoher Konfidenz als überflutet an. Kein Grenzfall — eine selbstsichere Aussage. Er hatte einen Radarschatten gefunden, dieselbe Art dunklen Flecks, der mich in jenem Mitternachtsbild beunruhigt hatte, und nannte ihn Wasser.

Ich denke immer noch an die imaginäre E-Mail, die diese Szene ausgelöst hätte, wäre sie ein echter Auslöser gewesen. Ein Aktuar, drei Zeitzonen entfernt, betrachtet unsere automatisierte Feststellung, dass ein Hang unter zwei Metern Wasser stand, und schreibt zurück mit der einzigen Frage, die zählt: sind Sie sicher, dass das Wasser ist und kein Schatten? Und unser System hat keine Antwort außer einem Konfidenzwert, zu dem es kein Recht hatte.

Eine Konfidenzzahl ist kein Beweis. Sie ist eine Meinung mit Nachkommastellen.

Das war das Scheitern, das für alles danach bezahlt hat. Denn die Lehre war nicht „das Modell härter abstimmen“. Die Lehre war, dass kein einzelnes Bild und kein einzelner Sensor den Beweis tragen kann, und ich hatte versucht, einen Streit zu gewinnen, den die Physik bereits verloren hatte.

Radar wird als das Heilmittel verkauft — es sieht schließlich durch Wolken, was optische Sensoren nicht können. Aber die Radarrückstreuung fällt über glattem Wasser ab und über Geländeschatten, Layover und Verkürzung in rauem Gelände. Es hat seine eigenen Fehlalarme auf trockenem Boden, über Frost-Tau-Zyklen, in Industriekulturen und am schlimmsten in Städten, wo die Doppelreflexion des Signals an Gebäuden stehendes Wasser vollständig verdecken kann. Das globale Nahezu-Echtzeit-Hochwasserprodukt der NASA verdeutlicht das im planetaren Maßstab: Sein Ein-Tages-Komposit hat so viele Fehlalarme, dass die NASA sich weigert, es in ihrem öffentlichen Worldview-Viewer zu veröffentlichen. Nur die Zwei- und Drei-Tages-Komposite — jene, die Zeit nutzen, nicht einen einzigen Blick — gelten als betriebsbereit. Neue Stauseen werden in diesen Produkten bis zu drei Jahre lang als Überschwemmungen gelesen, bis die Maske für dauerhaftes Wasser nachzieht.

Das Muster lag die ganze Zeit vor mir. Die Lösung für Fehlalarme war nie ein schärferes Bild. Es war ein zweiter Blick und ein dritter — dieselbe Szene über die Zeit hinweg.

Was unterscheidet eine Überschwemmung tatsächlich von einem Schatten?

Was eine Überschwemmung von einem Schatten unterscheidet, ist nicht, wie sie in einem Bild aussieht. Es ist, wie sie sich über viele hinweg verhält. Der Radarschatten eines Bergs ist bei jeder einzelnen Überfahrt am selben Ort, das ganze Jahr über — es ist Geometrie, nicht Wetter. Hochwasser erscheint vor einer trockenen Ausgangslage und geht zurück. Ein Wolkenschatten ist am nächsten klaren Tag verschwunden. Das unterscheidende Signal steckt im zeitlichen Stapel, nicht im Pixel.

Also hörten wir auf zu fragen „ist dieses Pixel Wasser?“ und begannen zu fragen „hat sich dieser Ort auf eine Weise verändert, die nur eine Überschwemmung erklärt, gemessen an allem, was wir darüber wissen, wie er normalerweise aussieht?“ Diese Neuformulierung ist die gesamte Architektur dessen, was wir letztlich gebaut haben, und deshalb stützen wir uns auf mehrere Sensoren, statt auf einen zu setzen. Ein Radarbild, um durch die Sturmwolken zu sehen. Optische Bilder vorher und nachher, um die trockene Ausgangslage festzustellen und den Rückgang zu bestätigen. Ein Geländemodell, um die Geometrie auszuschließen, die in beiden Wasser vortäuscht. Es wurde gezeigt, dass die Fusion von Radar und multispektraler Optik die Erkennung in wolken- und schattenbetroffenen Gebieten um mehr als 23 % gegenüber Einzelsensor-Methoden verbessert — nicht weil die Sensoren einzeln besser sind, sondern weil der Ausfallmodus des einen etwas ist, durch das die anderen hindurchsehen können.

Das ist die Schicht, die wir bei Veriprajna bauen: ein Satelliten-Hochwasserverifikationssystem, das Schatten mithilfe zeitlicher SAR-Optik-Fusion von Wasser trennt und für jedes Auslöseereignis eine forensisch belastbare Beweiskette erzeugt — kein Urteil, sondern eine Argumentation, die man einem Aktuar oder einem Gericht vorlegen kann.

Der ehrliche technische Vorbehalt, den ein Käufer meiner Meinung nach hören sollte, bevor er irgendetwas unterschreibt: Die kostenlosen Daten haben eine Uhr. Die wiederhergestellte Zwei-Satelliten-Sentinel-1-Konstellation bietet eine sechstägige Wiederbesuchszeit. Ein Hochwasserscheitel, der zwischen den Überfahrten aufläuft und abfließt, kann von Daten übersehen werden, die zwar kostenlos, aber langsam sind. Ein Teil des Handwerks besteht also darin zu wissen, wann kostenlose Sentinel-Daten ausreichen und wann ein Ereignis die Beauftragung eines kommerziellen Radarsatelliten erfordert — was je nach Auflösung und Dringlichkeit zwischen tausend und fünftausend Dollar pro Szene kostet. Diese Abwägung ist eine Einzelfallentscheidung, keine Abo-Stufe.

Warum nicht einfach den Hochwasserbericht kaufen?

Wir hatten eine echte interne Debatte darüber, ob irgendetwas davon es wert war, gebaut zu werden. Das Gegenargument war einfach: Unternehmen verkaufen bereits Hochwasserberichte. Warum diese nicht weiterverkaufen?

Das ist ein fairer Einwand, und die Anbieter sind wirklich gut. ICEYE besitzt die weltweit größte kommerzielle Radarkonstellation — über 60 Satelliten — und während Hurrikan Helene lieferte es über 150 Bilder durch die Sturmwolken und kartierte über 80.000 Gebäude in Florida. Das ist außergewöhnlich. Aber man kauft ihr Produkt, statt eine Aufklärungsfähigkeit aufzubauen, und die forensische Verifizierung pro Ereignis im Portfoliomaßstab stößt schnell auf ihre Preisgestaltung. Floodbase, unterstützt von Munich Re und mit der Capella-Radarkonstellation verbunden, hat eine echte durchgängige parametrische Lösung aufgebaut — Auslöserentwurf, Preisgestaltung, Auszahlungszertifizierung. Aber man erhält deren Methodik, abgestimmt auf deren Sensorpartnerschaften, und kein System, das auf Ihr spezifisches Geschäft zugeschnitten ist.

Und der kostenlose Goldstandard hat seine eigene Obergrenze. Der Copernicus Emergency Management Service Europas ist das System, dem ein Kontinent bei der Katastrophenkartierung vertraut. Doch seine Schnellkartierungsstufe läuft von 8 bis 20 Uhr Brüsseler Zeit, und nur an Werktagen. Ich komme immer wieder auf Valencia im Oktober 2024 zurück — der Regen eines ganzen Jahres in acht Stunden, mehr als 227 Tote. Copernicus brauchte drei bis vier Tage, um das Ausmaß der Überschwemmung zu veröffentlichen. Als es kam, bestätigte es 15.633 Hektar und rund 190.000 betroffene Menschen. Die Verzögerung war kein Fehler. Die entscheidenden ersten 24 Stunden fielen in die Nacht und in den Abend, außerhalb des Servicefensters. Das Hochwasserintelligenzsystem des Kontinents war, faktisch, in genau den Stunden geschlossen, in denen es am dringendsten gebraucht wurde.

Also löste sich die Debatte von selbst. Die Anbieter sind hervorragend in dem, wofür sie gebaut wurden. Keiner von ihnen ist dafür gebaut, eine anbieterneutrale Verifikationsschicht zu sein, die genau die Sensoren fusioniert, die das Ereignis tatsächlich erfordert, und einem verteidigungsfähige Beweise für den Auslöser liefert. Diese Lücke war das Unternehmen.

Das Scheitern, das mehr weh tut: die Überschwemmung, die nicht ausgezahlt wird

Lange Zeit betrachtete ich diese Arbeit als ein Problem der Fehlalarme — das System davon abzuhalten, für Überschwemmungen zu zahlen, die nicht stattfanden. Dann las ich über Nagaland.

Ein parametrisches Hochwasserprogramm in Nagaland, Indien, sprang trotz starker Regenfälle und bestätigter Überschwemmung vor Ort nicht an. Der satellitengestützte Schwellenwert war im Verhältnis zur Realität am Boden zu hoch angesetzt worden. Menschen standen im Wasser. Die Police hätte zahlen sollen. Sie tat es nicht. Das ist der andere Ausfallmodus, und in menschlicher Hinsicht ist er der schlimmere.

Das ist, was die Branche Basisrisiko nennt — die Lücke zwischen dem, was der Auslöser misst, und dem, was der Versicherungsnehmer tatsächlich erlebt. Ein Fehlalarm zehrt die Reserven eines Versicherers auf und lädt zu Betrug ein. Ein falsches Negativ zerstört das Vertrauen des Versicherungsnehmers und nährt Rechtsstreitigkeiten. Beide Fehler greifen dasselbe an: die Glaubwürdigkeit des parametrischen Modells selbst — was es schwerer verkäuflich und schwerer von Aufsichtsbehörden genehmigungsfähig macht. Man kann die eine Richtung nicht lösen, indem man sich in die andere stärker hineinlehnt. Den Schwellenwert zu verschärfen, um Fehlauszahlungen zu stoppen, ist genau der Weg, wie man ein Nagaland erschafft.

Man behebt das Basisrisiko nicht, indem man wählt, in welche Richtung man falsch liegt. Man behebt es, indem man beweisen kann, was tatsächlich unter Wasser stand.

Deshalb ist das Ergebnis unseres Systems kein Ja/Nein. Es ist eine Konfidenzkarte pro Pixel mit einem Prüfpfad — was beobachtet wurde, von welchen Sensoren, zu welchen Zeiten, mit welcher Gewissheit und was ausgeschlossen wurde. Beweise, die einer versicherungsmathematischen Prüfung und juristischer Kontrolle standhalten, denn in diesem Geschäft wird die Auslöserentscheidung irgendwann von jemandem angefochten, der nicht dabei war.

Warum ist parametrischer Hochwasserschutz plötzlich das Problem aller?

Der Grund, warum all dies jedes Jahr mehr zählt, ist brutal einfach: Das Wasser gewinnt. Die weltweiten versicherten Schäden aus Naturkatastrophen erreichten 2025 129 Mrd. $. Und die Deckungslücke — der Anteil der Katastrophenschäden, den niemand versichert hatte — liegt weltweit bei rund 52 bis 56 %. 2024 verursachten Klimakatastrophen Schäden von 368 Mrd. $, davon 223 Mrd. $ unversichert, eine Lücke von 61 %. In den USA belaufen sich die jährlichen Hochwasserschäden an Einfamilienhäusern auf 24,4 Mrd. $, und rund 70 % davon sind unversichert.

Parametrische Versicherungen existieren, um diese Lücke zu schließen, und sie wachsen rasant — ein Markt von 21–24 Mrd. $ im Jahr 2026, mit einer Prognose von 38,7 Mrd. $ bis 2030 — gerade weil sie in Tagen statt in Monaten zahlen können und Menschen erreichen, die eine traditionelle Versicherung nie berührt. Im März 2026 ging ein parametrisches Hochwasserprogramm, entworfen von einem Konsortium unter Beteiligung von AXA Climate, Swiss Re und ICEYE, in Lagos, Nigeria, an den Start und deckt vier Millionen Menschen ab. Vier Millionen Menschen, deren Ansprüche durch die Ablesung eines Satelliten darüber entschieden werden, wo das Wasser war.

Dieses Ausmaß ist das Argument dafür, die Verifizierung richtig hinzubekommen. Wenn der Auslöser vier Millionen Menschen abdeckt, ist „wahrscheinlich überflutet“ kein verteidigungsfähiger Standard. Was zwischen einem parametrischen Programm und einer Reputationskatastrophe steht, ist die Frage, ob jemand Bild für Bild beweisen kann, dass der Auslöser auf Wasser angesprungen ist und nicht auf einen Schatten.

Menschen fragen mich, ob KI-Wettervorhersage die Satellitenschicht überflüssig macht — die prädiktiven Hochwassermodelle werden wirklich gut. Das tun sie nicht. Eine Vorhersage sagt einem, was passieren könnte; eine parametrische Auszahlung verlangt den Beweis dessen, was tatsächlich geschah. Andere fragen, ob Bodensensoren, die physischen Pegelmesser, die manche Versicherer einsetzen, um das Basisrisiko zu senken, Satelliten überflüssig machen. Sie helfen enorm, wo es sie gibt, aber man kann nicht auf jedem Kilometer Überschwemmungsgebiet der Erde einen Pegel aufstellen. Satelliten sind die Art und Weise, wie man die Orte sieht, die niemand mit Instrumenten ausgestattet hat — was während einer Katastrophe die meisten Orte sind.

Das Mitternachtsbild mit seinen zwei dunklen Flecken ist immer noch das wahrste Bild dieser Arbeit, das ich habe. Das eine war Wasser. Das andere war ein Schatten. Die gesamte Disziplin läuft darauf hinaus, ein System zu bauen, das einem sagen kann, welches von beiden — und dann seine Arbeit demjenigen zeigt, der im Begriff ist, das Geld zu bewegen. Wenn Sie ein parametrisches Hochwasserprogramm entwerfen oder zeichnen und diese Unterscheidung Sie nachts wachhält, dann ist das das Problem, für das wir bauen.

Das Wasser wird nicht leichter zu lesen. Der Beweis ist das Produkt.