Satellitengestützte Hochwasser-Intelligence · Parametrische Versicherung
Eine parametrische Hochwasserdeckung zahlt automatisch aus, wenn ein Satellit meldet, dass ein Standort unter Wasser steht. Doch ein einzelnes optisches oder Radar-Einzelbild kann Hochwasser nicht von einem Wolkenschatten, einem Radar- oder Geländeschatten oder einem dauerhaften Reservoir unterscheiden, da alle vier dieselben Pixel verdunkeln. TriggerProof nimmt den bereits ausgelösten Trigger als gegeben an und beweist, ob er auszahlen sollte: Ein deterministischer Fünf-Regeln-Physikprüfer entscheidet, ein LLM berät nur, unsichere Fälle werden an einen Menschen eskaliert, statt automatisch auszuzahlen, und jede Entscheidung hinterlässt ein forensisches Dossier. Agenten beraten, Code entscheidet.
$4.0M von $8.0M
Automatisch eingereihte Auszahlungen zur Prüfung einbehalten oder gestoppt (3 Fehl-Trigger unterdrückt, 1 eskaliert). Die weiteren $4.0M wurden über 2 bestätigte Hochwasser ausgezahlt
Synthetisches 8-AOI-Portfolioszenario der Demo
0 unsicher
Unsichere automatisierte Entscheidungen gegenüber 48 bei der Einzelbild-Baseline, die jeden markierten Fall auszahlt
Gelabelter synthetischer Benchmark mit 60 Fällen
100% / 100%
Falsch-Positiv-Unterdrückung (36/36) und Hochwasser-Recall (12/12) unter den 80 Prozent automatisch gelösten Fällen
Gelabelter synthetischer Benchmark mit 60 Fällen
Eine ausführbare Demo des Bewertungsmechanismus. Der Prüfer und das Policy-Tor laufen vollständig in schlichtem Python ohne API-Schlüssel; nur der beratende Cross-Reference-Agent kann ein Modell aufrufen, und er entscheidet niemals über die Auszahlung. Jede Satellitenkachel, jedes Interessengebiet (AOI) und jedes Bodensignal ist synthetisch und physikalisch getreu, keine echten Sentinel- oder Versichererdaten.
Die parametrische Hochwasserversicherung hat den Schadengutachter gegen einen Satelliten-Trigger eingetauscht, um Auszahlungen sofort zu ermöglichen. Der Trigger hat ein physikalisches Problem geerbt, an dem er nicht vorbeisehen kann.
Wenn ein Trigger auslöst, wird eine Auszahlung in Millionenhöhe freigegeben, ohne dass ein Gutachter vor Ort ist. Der Reiz liegt in der Geschwindigkeit und im Fehlen von Streitigkeiten. Das Risiko besteht darin, dass ein einzelnes Bild – ein NDWI- oder MNDWI-Wert auf einer optischen Aufnahme oder einem SAR-Überflug – entscheiden soll, ob der Boden tatsächlich unter Wasser steht. Das kann es oft nicht. Ein Wolkenschatten verdunkelt eine optische Szene genau dort, wo es auch ein Hochwasser tun würde. Ein Radar- oder Geländeschatten senkt die SAR-Rückstreuung auf dieselbe Weise wie echtes stehendes Wasser. Ein dauerhaftes Reservoir wird als Wasser erfasst, weil es Wasser ist – nur eben kein neues Wasser.
Das eigentliche Fehlermuster des Triggers ist also nicht das Hochwasser, das er verpasst. Es ist das zuversichtliche Falsch-Positiv: eine Auszahlung, die auf einen Schatten hin ausgelöst wird, freigegeben, bevor jemand nachprüfen kann, und ohne Aufzeichnung, die es einem Rückversicherer oder Prüfer erlauben würde, die Entscheidung nachträglich zu testen. Das ist Basisrisiko in seiner teuersten Form – das Auszahlen auf einen Trigger, der nie ein Schaden war – und es ist die strukturelle Schwachstelle, die ein parametrisches Hochwasserbuch in sich trägt, kein seltener Randfall.
Ein besseres Einzelbild schließt diese Lücke nicht. Ebenso wenig ein smarteres Modell, das dasselbe einzelne Bild bewerten soll. Die Trennung von Hochwasser von seinen drei Doppelgängern ist eine Frage dessen, wie sich eine Signatur über die Zeit und über Sensoren hinweg verhält, und ob die Entscheidung später verteidigt werden kann. Das sind die beiden Lücken, die wir schließen wollten, und keine von ihnen liegt innerhalb eines Erkennungsmodells.
Die Pipeline nimmt einen ausgelösten Trigger entgegen und gibt PAY, DENY oder ESCALATE zurück. Die Entscheidung liegt in schlichtem, prüfbarem Code, niemals in einem Modell.
TriggerProof erkennt keine Hochwasser. Es bewertet einen Trigger, der bereits ausgelöst wurde. Jeder ausgelöste Trigger durchläuft einen Fünf-Regeln-Physikprüfer, wird durch einen beratenden Agenten mit unabhängigen Bodensignalen abgeglichen und dann durch ein Policy-Tor weitergeleitet, das ihn entweder auszahlt, ablehnt oder an einen Menschen eskaliert. Jeder Fall gibt am Ende ein forensisches Dossier aus.
Der Fünf-Regeln-Prüfer ist schlichtes Python ohne Modell in der Schleife. Er gibt eine Klassifizierung und einen Konfidenzwert aus und ist der Teil, der entscheidet, ob ein Trigger ein echtes Hochwasser ist. Er ist prüfbar und reproduzierbar: Führen Sie ihn beim selben Fall erneut aus, erhalten Sie dasselbe Urteil und dieselben Einzelregel-Messwerte – genau das erlaubt es einem Rückversicherer oder Prüfer, die Entscheidung zu testen, statt ihr blind zu vertrauen.
Ein Contextual Cross-Reference Agent, aufgebaut auf Pydantic AI mit Standardeinstellung auf claude-opus-4-8, gleicht das physikalische Urteil mit unabhängigen Bodensignalen wie Flusspegeln, Niederschlag und Lageberichten ab und liefert corroborates, contradicts oder inconclusive zurück. Er ist anbieterunabhängig austauschbar und verfügt über ein deterministisches Fallback, sodass die Demo vollständig offline läuft. Er berät und kann überstimmt werden. Er entscheidet niemals über die Auszahlung.
| Regel | Diskriminator | Was sie unterscheidet |
|---|---|---|
| R1 | Zeitliche Persistenz | Ein Hochwasser bleibt über Erfassungszeitpunkte hinweg bestehen; ein Wolkenschatten ist flüchtig und im nächsten Bild verschwunden. |
| R2 | SAR-optische Übereinstimmung | Ein Hochwasser ist optisch dunkel und im SAR niedrig; ein Wolkenschatten ist optisch dunkel, aber im SAR normal; ein Radarschatten ist im SAR niedrig, aber optisch hell. |
| R3 | DEM-Hangneigung | Wasser kann sich auf steilem Gelände nicht anstauen, was Verkürzung (Layover) und Geländeschatten kennzeichnet. |
| R4 | Dauergewässer-Maske | Bekannte Reservoire und Seen werden ausgeschlossen, was den Fehl-Trigger durch dauerhafte Gewässer abfängt. |
| R5 | Hydrologische Anbindung | Ein echtes Hochwasser schließt an das Entwässerungsnetz an; ein isolierter dunkler Fleck tut dies nicht. |
Das Policy-Tor macht die Schwellenwerte für Prüfer sichtbar. Wenn der Agent der Physik widerspricht oder die Konfidenz unter die gefittete Automatisierungsschranke von 0.65 fällt, wird der Fall als prüfungsbedürftig an einen Menschen eskaliert und niemals automatisch entschieden. Andernfalls zahlt eine Hochwasser-Klassifizierung aus und jede Nicht-Hochwasser-Klasse wird abgelehnt. Der nachhaltige Wert liegt im Prüfer und im Tor, nicht in einem schärferen Detektor: Selbst ein perfekter Einzelbild-Klassifikator kann den uneindeutigen Fall noch immer nicht eskalieren oder einem Rückversicherer einen verteidigbaren Datensatz übergeben. Das sind Governance-Aufgaben, und sie liegen konstruktionsbedingt außerhalb des Erkennungsmodells.
Jede Zahl unten ist das reproduzierbare Ergebnis der deterministischen Testumgebung der Demo, berechnet zur Laufzeit. Jedes Interessengebiet (AOI), jeder Flusspegel und jeder Lagebericht ist synthetisch und physikalisch getreu. Es werden keine echten Sentinel-Szenen, Standorte, Versicherer oder Schäden verwendet.
Ein Sturm zieht über ein Portfolio von 8 Interessengebieten (AOIs). Der herkömmliche Einzelbild-Trigger hat bei 6 von ihnen ausgelöst und 8.0 Millionen US-Dollar an automatischen Auszahlungen eingereiht. Nichts in dieser Ansicht unterscheidet ein echtes Hochwasser von einem Schatten oder einem Reservoir, da ein Einzelbild dies nicht kann. Jede ausgelöste Zeile durchläuft nun die Phasen Verifikation, Cross-Reference und Policy-Tor.
TriggerProof bewertet das Portfolio. Es bestätigt 2 echte Hochwasser zur Auszahlung von 4.0 Millionen US-Dollar, unterdrückt 3 Fehl-Trigger mit 3.2 Millionen einbehaltenem Betrag (ein Wolkenschatten bei 1.2 Millionen, ein Radarschatten bei 1.0 Million und ein dauerhaftes Reservoir bei 1.0 Million) und eskaliert 1 Grenzfall bei 0.8 Millionen an einen Menschen. Von den 8.0 Millionen, die der herkömmliche Trigger automatisch auszahlen würde, werden 4.0 Millionen gestoppt oder zur Prüfung einbehalten, und jede Entscheidung enthält ein forensisches Dossier, sodass die Nachweisabdeckung 100 Prozent beträgt.
Öffnen Sie AOI-B, Mesa Junction Depot, und gehen Sie die Erfassungsbilder schrittweise durch. Der dunkle optische Fleck, der den Trigger ausgelöst hat, erscheint nur im Trigger-Bild und ist bei der nächsten Erfassung verschwunden, während die SAR-Rückstreuung durchgehend normal blieb. Das Radar sah trockenen Boden durch die Wolke. Der Prüfer klassifiziert dies als Wolkenschatten mit einer Konfidenz von 1.00 und lehnt die Auszahlung von 1.2 Millionen US-Dollar ab. Der Schatten hat sich bewegt; echtes Hochwasser wäre geblieben.
Derselbe Filmstreifen bei AOI-A, Rio Verde Terminal, zeigt das Gegenteil. Die Wassersignatur bleibt über jedes Erfassungsbild hinweg sowohl optisch als auch im SAR bestehen, das Gelände ist flach genug, damit sich Wasser anstauen kann, die Region schließt an das Entwässerungsnetz an und der unabhängige Flusspegel bestätigt dies. Der Prüfer klassifiziert dies als Hochwasser mit einer Konfidenz von 0.99 und zahlt den Trigger von 2.0 Millionen US-Dollar aus. Der Mechanismus ist nicht auf Ablehnung ausgerichtet; er ist auf Nachweis ausgerichtet, und hier liegt der Nachweis vor.
AOI-F, Canal Street Hub, ist der Fall, den die Physik nicht auflösen kann. Die Signatur ist grenzwertig, die Konfidenz des Prüfers liegt bei 0.15 und der unabhängige Flusspegel hat den bordvollen Abfluss nie überschritten, sodass die Bodenevidenz im Widerspruch zum Trigger steht. Da die Konfidenz unter der Automatisierungsschranke von 0.65 liegt, eskaliert das Policy-Tor den 0.8 Millionen US-Dollar schweren Fall mit allen beigefügten Nachweisen an einen menschlichen Entscheider, anstatt ein Risiko bei einer automatischen Entscheidung einzugehen. Das Eskalieren des uneindeutigen Falls ist das Konzept, kein Mangel daran.
Jedes Urteil gibt ein forensisches Hochwasser-Trigger-Dossier aus. Es enthält den Einzelregel-Nachweis für alle fünf Diskriminatoren mit ihren gemessenen Werten und Bestanden- oder Nicht-Bestanden-Ergebnissen, ein Falsch-Positiv-Ausschluss-Protokoll, das kontextuelle Cross-Reference-Urteil, die Datenherkunft für jede simulierte Erfassung und einen SHA-256-Provenienz-Hash der Entscheidung. Um den Rahmen genau zu definieren: Der SHA-256-Hash ist ein Inhalts-Hash zum Nachweis der Manipulationssicherheit, keine digitale PKI-Signatur, und das Bildmaterial ist synthetisch. Was das Dossier beweist, ist, dass die Entscheidung dokumentiert statt bloß behauptet wird.
Das einzelne Portfolio ist kein Glückstreffer. Über einen festen Benchmark von 60 gelabelten synthetischen Fällen – von eindeutigen Signaturen bis hin zu schwellennahem Rauschen – trifft TriggerProof 0 unsichere automatisierte Entscheidungen gegenüber 48 bei der Einzelbild-Baseline, die jeden markierten Fall auszahlt. Es löst 80 Prozent automatisch auf und eskaliert 20 Prozent, und unter den automatisch aufgelösten Fällen unterdrückt es 36 von 36 Fehl-Triggern und zahlt 12 von 12 echten Hochwassern aus. Die Aussage ist bewusst präzise begrenzt: Auf diesem gelabelten Datensatz trifft das System niemals eine unsichere automatisierte Entscheidung, da es eskaliert, wenn die Physik unsicher ist.
Es ist die Bewertungs- und Governance-Schicht zwischen einem ausgelösten Trigger und der Auszahlung, kein Satellitendatenprodukt und kein Hochwasserdetektor.
| Fragestellung | Ein Einzelbild-Trigger allein | Diese Bewertungsschicht |
|---|---|---|
| Ein Wolkenschatten, Radarschatten oder Reservoir | Als Hochwasser ausgezahlt; alle vier verdunkeln dieselben Pixel | Abgelehnt durch fünf deterministische Physikregeln über Zeit und Sensoren hinweg |
| Ein wirklich mehrdeutiger Fall | Automatisch ausgezahlt auf Basis eines Zufallssignals | Unterhalb einer Konfidenzschranke von 0.65 an einen Menschen eskaliert, mit beigefügten Nachweisen |
| Warum ein Trigger ausgezahlt oder abgelehnt wurde | Keine Aufzeichnung über das Auslöse-Flag hinaus | Ein forensisches Dossier: Einzelregel-Nachweis, Ausschluss-Protokoll, SHA-256-Provenienz |
| Wer die Auszahlungsentscheidung trifft | Ein Pixelschwellenwert auf einem Einzelbild | Deterministisches Python; das LLM berät und kann überstimmt werden |
| Basisrisiko durch Fehl-Trigger | Vollständig getragen bei jedem markierten Nicht-Hochwasser | 0 unsichere automatisierte Entscheidungen gegenüber 48 auf dem gelabelten 60-Fälle-Benchmark |
| Modell- und Anbieterabhängigkeit | An die Ausgabe eines einzelnen Detektors gebunden | Prüfer läuft offline; der beratende Agent ist anbieterunabhängig austauschbar |
Weil ein Einzelbild-Trigger Hochwasser nicht von einem Wolkenschatten, einem Radar- oder Geländeschatten oder einem dauerhaften Reservoir unterscheiden kann – und alle drei auf dieselbe Weise dunkel erscheinen. Wenn eine Auszahlung auf dieser Grundlage ausgelöst wird, reicht ein ‚wahrscheinlich überflutet‘ nicht aus, und es gibt keinen Nachweispfad, um dies später zu verteidigen. TriggerProof nimmt den ausgelösten Trigger als gegeben an und bewertet ihn mittels deterministischer Physik als PAY, DENY oder ESCALATE. Im synthetischen 8-AOI-Portfolio der Demo stoppt oder hält dies 4.0 Millionen US-Dollar von 8.0 Millionen an automatisch eingereihten Auszahlungen ein.
Nur für die Fälle, die wirklich uneindeutig sind. Auf dem gelabelten 60-Fälle-Benchmark löst TriggerProof 80 Prozent automatisch auf und eskaliert 20 Prozent, sodass die eindeutigen Hochwasser weiterhin direkt durchgezahlt werden und nur die grenzwertigen oder widersprüchlichen Fälle an eine Person weitergeleitet werden – mit bereits beigefügten vollständigen Nachweisen. Das ist der Kompromiss: Eine schnelle automatische Auszahlung bleibt schnell, und der Fall, der sonst ein zuversichtliches Falsch-Positiv wäre, erhält einen Menschen statt einer falschen 0.8-Millionen-US-Dollar-Entscheidung.
Bei keinen. Jede Kachel, jedes Interessengebiet (AOI), jeder Flusspegel, jeder Niederschlagswert und jeder Lagebericht in der Demo ist synthetisch und physikalisch getreu, und es gibt keine echte Sentinel-Szene, keinen realen Standort, keinen echten Versicherer und keinen echten Schaden. Die Konnektoren für Satellitenabruf, SAR-Beauftragung, Bodensignal-Feeds und Schadensplattform-Integration sind gestubt. Die Feldvalidierung anhand realer Archive wie Sen1Floods11 oder eines echten Sentinel-Bestands ist das erste Projektergebnis, kein Anspruch dieser Demo.
Ein schärferes Einzelbild allein kann Hochwasser immer noch nicht von einem Schatten oder einem Reservoir trennen, da das Problem zeitlicher und sensorübergreifender Natur ist, nicht der Auflösung. TriggerProof erkennt keine Hochwasser und erzeugt keine Satellitendaten. Es bewertet einen bereits ausgelösten Trigger durch Prüfung der Persistenz über Erfassungszeitpunkte hinweg, der Übereinstimmung zwischen SAR und Optik, der Geländeneigung, einer Dauergewässer-Maske und der hydrologischen Anbindung. Der nachhaltige Wert ist die Governance-Schicht um die Entscheidung, weshalb er nicht veraltet, wenn sich Erkennungsmodelle verbessern.
Mit einem forensischen Dossier, nicht mit einem bloßen Score. Jede Entscheidung gibt den Einzelregel-Nachweis für alle fünf Diskriminatoren mit ihren gemessenen Werten und Bestanden- oder Nicht-Bestanden-Ergebnissen, ein Falsch-Positiv-Ausschluss-Protokoll, den unabhängigen Bodenabgleich, die Satellitendatenherkunft und einen SHA-256-Provenienz-Hash der Entscheidung aus. Es exportiert als JSON und druckbares HTML, sodass ein Schadensprüfer, ein Rückversicherer oder ein Auditor genau sehen kann, warum ein Fall ausgezahlt, abgelehnt oder zur Prüfung einbehalten wurde.
Sie basieren auf einem festen, gelabelten Datensatz von 60 synthetischen, physikalisch getreuen Fällen, die von klaren Signaturen bis hin zu schwellennahem Rauschen reichen, und stellen keine Garantie für die reale Welt oder den Feldeinsatz dar. Auf diesem Datensatz trifft TriggerProof 0 unsichere automatisierte Entscheidungen gegenüber 48 bei der Einzelbild-Baseline, und unter den automatisch gelösten Fällen unterdrückt es 36 von 36 Fehl-Triggern und zahlt 12 von 12 echten Hochwassern aus. Der Punkt ist nicht ein perfekter Score, sondern dass das System niemals eine unsichere automatisierte Entscheidung trifft, weil es eskaliert, wenn die Physik unsicher ist.
Nein. Der deterministische Prüfer und das Policy-Tor sind schlichtes Python und laufen vollständig offline ohne API-Schlüssel, sodass die Auszahlungsentscheidung niemals von der Verfügbarkeit eines Modells abhängt. Der beratende Agent basiert auf Pydantic AI und ist anbieterunabhängig zwischen Anthropic, OpenAI, Gemini und Ollama austauschbar, mit Standardeinstellung auf claude-opus-4-8 und einem deterministischen Fallback. Der Satellitenabruf und die Schadensintegration sind als Adapter konzipiert, sodass die Schicht auf den Sensoren und Plattformen aufsetzt, die Sie bereits nutzen.
Die Forschung hinter dieser Demo – die Architektur, das Verifikationsdesign und der Enterprise-Blueprint.
Unterdrücken Sie Fehl-Trigger durch Physik, eskalieren Sie unsichere Fälle an eine Person und hinterlassen Sie einen verteidigbaren Nachweis für jede Entscheidung.
Wenn Ihr Team ein automatisches Hochwasser-Trigger-Portfolio betreibt und daran arbeitet, die Auszahlung schnell zu halten, ohne auf einen Schatten hin auszuzahlen, würden wir uns gern darüber austauschen, wo Sie die Grenze zwischen einer automatischen und einer menschlichen Entscheidung ziehen. Es ist eine anspruchsvolle Grenze, und wir verfeinern unsere kontinuierlich.