Feuermonitoring mit Fernerkundung. Möglichkeiten der Feuerdetektion im Vergleich

Inhaltsverzeichnis

1 Einleitung

2 Satelliten und Sensoren

3 Grundprinzip der Feuererkennung

4 Algorithmen zur Feuererkennung Allgemein

5 NOAA und der AVHRR Sensor
5.1 Vergleich von globalen Feuererkennungsalgorithmen (active fire detection)
5.2 Die Algorithmen
5.3 Ergebnisse
5.4 Alternativer AVHRR globaler Feuererkennungalgorithmus
5.5 Zusammenfassung des Vergleichs

6 MODIS
6.1 Der Sensor
6.2 MODIS Algorithmen
6.3 MODIS Feuerprodukte

7 Der BIRD Satellit

8 Zusammenfassung

Anhang

1 Einleitung

Feuer ist ein natürliches Phänomen, obwohl heute der Großteil der Feuer anthropogen verursacht sind. „Forest fires cause major damage to the environment, human health and property, and endanger life. Fires can be monitored and analysed over large areas in a timely and cost-effective manner by using satellite sensor imagery in combination with spatial analysis as provided by Geographical Information Systems (GIS)” (Sunar & Özkan 2001:2265). “The interest in monitoring fires and smoke from space stems from the recognition that biomass burning is a major source of trace gases and aerosol particles, with significant ramifications for atmospheric chemistry, cloud properties, and radiation budgets for climate“ (Kaufman et Al.2003:1766).

Firemonitoring heißt soviel wie Feuerüberwachung bzw. Feuerbeobachtung. Es gibt mehrere Möglichkeiten Feuermonitoring zu betreiben. Die beste und zugleich direkte Möglichkeit ist, das Feuer zu entdecken und Informationen über Temperatur und Ausdehnung zu gewinnen (active fire detection). Zu den indirekten Möglichkeiten der Feuerbeobachtung gehören die Entdeckung und Überwachung von Rauch (-wolken), was indirekt auf ein Feuer schließen lässt (smoke detection). Die dritte und ebenso indirekte Möglichkeit ist die Kartierung von verbrannten Flächen (fire mapping bzw. fire scar detection). Die Überwachung von Rauch geschieht mit Sensoren, die den sichtbaren Bereich verwenden und Bedarf geringerer Kosten als Sensoren die im infraroten Bereich arbeiten. Jedoch können diese nur bei Tag und wolkenfreien Bedingungen eingesetzt werden. Ein Vorteil dieses System liegt darin, dass Rauch bereits das Feuer verrät, wenn es noch in der Mullerde oder Büschen unter Bäumen brennt bzw. ganz von der Topographie verdeckt ist. „However, the image processing requirements for smoke plume detection are more complex than those of the infrared sensors“ (Ayanz et Al. 2005:374). Fire mapping oder auch fire scar detection besitzen den Vorteil, dass vielleicht vorher nicht erkannte Feuer in das Blickfeld geraten. Ein großer Nachteil ist, dass nach Erkennung der Brandflächen, diese bereits zerstört sind und Feuergegenmaßnahmen zu spät kommen (Ayanz et Al. 2005:370-374).

In der Hausarbeit möchte ich daher meinen Schwerpunkt auf die direkte Möglichkeit des Firemonitoring legen und ausführlich active fire detection abhandeln.

2 Satelliten und Sensoren

Es kommt eine Vielzahl an Satelliten Systemen für die Feuererkennung und für das Feuermonitoring zum Einsatz. Ich werde hier nur eine kleine Auswahl vorstellen, jedoch ist am Anfang gleich der folgende Punkt festzuhalten und immer im Hinterkopf zu behalten. „It should be noted at this stage that most of the satellite systems routinely used for fire detection were not designed for this application and have never been used by the operational forest fire community“ (Ayanz et Al. 2005:362).Beim Feuermonitoring wird, wie bei anderen Fragestellungen auch, es sich zu Nutze gemacht, dass es mit Satelliten möglich ist große Flächen bei geringen Kosten zu überblicken bzw. zu beobachten. Seitdem viele Satelliten auch Informationen im Infrarot Bereich sammeln können, sind diese geeignet um sie für die Feuererkennung einzusetzen. Der am häufigsten eingesetzte Sensor für die Feuererkennung ist der Advanced Very High Resolution Radiometer (AVHRR) der sich an Bord des NOAA (National Oceanic and Atmospheric Administration) Polar Orbiting Environmental Satelliten befindet. Der AVHRR war als meteorologischer Satellit geplant und für viele Umweltanwendungen eingesetzt, inklusive Feuererkennung und Kartierung von verbrannten Flächen. Die technischen Daten dieses Sensors werde ich in einem späteren Abschnitt noch etwas ausführen (Ayanz et Al. 2005:370).

Der geostationäre Satellit NOAA GOES (Geostationary Operational Environmental Satellite) wurde umfangreich für Feueranwendungen verwendet. Dieser Satellit macht alle 15-30 Minuten Aufnahmen und verfügt über eine 1km Auflösung im sichtbaren Bereich. Dies wird genutzt um Rauch/Qualm zu detektieren. Um direkt die Hitze/ Temperatur von Feuern zu ermitteln, wird das thermale-infrarot Spektrum mit einer Auflösung von 4km verwendet. Der GOES Satellit wird hauptsächlich bei Waldfeuerbeobachtungen im großen Maßstab verwendet, kaum jedoch für direkte Feuererkennung. Mit Hilfe des Automated Smoke/Aerosol Detection Algorithm (ASADA) werden die Bänder in den Wellenlängenbereichen von 3,9μm, 10,7 μm und 12 μm verwendet um Rauch & Dunst von Wolken zu unterscheiden (Ayanz et Al. 2005:371).

Der DMSP-OLS (US Air Force Defence Meteorological Satellite Programme- Operational Line-scan System) und der ESA ATSR (Along Track Scanning Radiometer) wurden genutzt um mit Nachtaufnahmen Feuer zu kartieren. Der OLS verfügt über thermale und sichtbare Bänder, wobei größtenteils mit Hilfe der sichtbaren die Feuer erkannt werden. Die Feuererkennung beim ATSR Sensor ist ähnlich dem des AVHRR und benutzt dafür Bänder im mittleren Infrarot und im Thermalen Bereich. Der Moderate Resolution Imaging Spectroradiometer (MODIS) an Bord des NASA EOS Satelliten verfügt über eine bessere räumliche Auflösung als der AVHRR Sensor. Die Terra und Aqua Instrumente ermöglichen die Feuererkennung und füttern das Land Rapid Response System mit nahezu Echtzeit Bildern. Auf den MODIS Sensor werde ich im weiteren Verlauf noch genauer eingehen (Ayanz et Al. 2005:371-372). „The ability of a satellite sensor to detect a fire depends […] on the size and intensity of the fire“ (Ayanz et Al. 2005:370). “They found in their study that the minimum size for a detectable fire was approximately 213 m2 for MODIS, 435 m2 for AVHRR and 45 m2 for DMSP-OLS, for a nominal fire front temperature of 1000 K and a background temperature of 305 K “ (Cahoon et Al. 2000, zitiert in Ayanz et Al. 2005:372).

Prakash et Al. (1999:2883-2888) beschreiben wie das Band 6 des Thematic Mapper auf Landsat verwendet wurde um Kohlefeuer in Nordwest-China zu beobachten. Mit Hilfe des ATSR auf den Satelliten ERS-1 und ERS-2 wurden effusive vulkanische Aktivitäten auf den Galapagos Insel 1995 beobachtet (Woster & Rothery 1997:110).

Ebenso wurde der Satellit Envisat bereits zum Feuermonitoring eingesetzt und 3 Systeme an Bord kamen dabei gleichzeitig zum Einsatz. Zu den 3 Systemen gehören der Advanced Along Track Scanning Radiometer (AATSR), der Medium Resolution Imaging Spectrometer (MERIS) und der Advanced Synthetic Aperture Radar (ASAR), welche verwendet wurde um verbrannte Flächen zu ermitteln (Huang& Siegert 2004:4411).

Der einzige Satellit der speziell für die Feuererkundung/- monitoring entwickelt wurde ist der Bispectral Infra-Red Detection oder auch BIRD Satellit. Diesen Satelliten werde ich in einem späteren Kapitel genauer vorstellen. Vollständigkeitshalber möchte ich hier noch erwähnen, dass auch mit Hilfe von Flugzeugen Feuermonitoring betrieben wird. In den Flugzeugen befinden sich Systeme wie FIRES, welche Bilder im sichtbaren, mittleren Infrarot und thermalen Infrarot Spektrum aufnehmen (Brieb et Al. 1996, zitiert in Ayanz et Al. 2005:369). Die Feuererkennungssysteme werden mit GPS gekoppelt um die genaue Position der Feuer weiterzugeben, egal ob direkt an Feuerwehrleute oder um die Koordinaten in der Bildverarbeitung verwenden zu können. Der Nachteil des Feuermonitoring mittels Flugzeugen liegt in den höheren Kosten und geringen Datengewinnungsfrequenzen (Ayanz et Al. 2005:369-372).

3 Grundprinzip der Feuererkennung

Alle Objekte mit einer Temperatur über absolute Null strahlen elektromagnetische Strahlung aus. Die Temperatur eines Objektes bestimmt die Energiegröße die in den einzelnen Wellenlängen ausgestrahlt wird (Kennedy et Al. 1994:2237).

Kommt es zu einem Brand, handelt es sich um eine exotherme Reaktion und Energie wird freigesetzt. Daher kommt es lokal zur Erhöhung der Temperatur durch das Feuer im Gegensatz zu der Temperatur der Umgebung. Diese lokale Erhöhung der Temperatur oder auch hot spot kann wiederum von Satellitensystemen als Feuer identifiziert werden (Ayanz et Al. 2005:363). “Several bands in the electromagnetic spectrum provide a differentiation between a hot-spot (fire) and the surrounding cold background” (Ayanz et Al. 2005:363).

Hauptsächlich wird daher das Band des Mittleren Infrarots und Thermalen Infrarots verwendet. Beobachtete Temperaturen die bei Großflächenbränden auftreten, produzieren einen Peak im Strahlenbereich zwischen 3 und 5 μm. Dies ist in Abbildung 1 verdeutlicht, wobei Temperaturen von 800° K (≈527°C ) bei brennendem Gras angenommen werden können. Das spektrale Fenster im Mittleren Infrarotbereich eignet sich besonders gut für die Feuererkennung, denn dieses Fenster ist weit entfernt von den Strahlungsspitzen der Sonne (0,5 μm) und den Strahlungsspitzen der Erde selbst, im Wellenlängenbereich von 9,7 μm (Ayanz et Al. 2005:363-364).

Abbildung in dieser Leseprobe nicht enthaltenAbb.1 Radiation emitted in the different bands of the electromagnetic spectrum by fires of several burning temperatures. (Kennedy et Al. 1994, in Ayanz et Al. 2005:363).

„Fires also radiate in the thermal part of the spectrum, i.e. between 8 and 12 μm; however, the peak radiation at these wavelengths corresponds to a normal environmental temperature of 300 K “ (Ayanz et Al. 2005:364). Ein Grasfeuer hat seine maximalen Emissionen im Bereich des Mittleren Infrarots. Wird die 800° K Isolinie in Abbildung 1 verfolgt, ist zu erkennen, dass im Thermalen Band die Emissionen nur noch einen geringen Teil betragen. Im Thermalen Band (8 und 12 μm) ist dieses Feuer daher nur schwer detektierbar (Ayanz et Al. 2005:364). Der Kanal 3 des AVHRR-Sensors (3,55- 3,93 μm) erhält bei einem Grasfeuer vielmehr Strahlungsenergie als die Kanal 4 (10,3-11,3 μm). Wird für ein Pixel angenommen, dass es zwei gleiche Flächenelemente mit unterschiedlichen Temperaturen enthält, eine Feuer mit 800° K und eine nicht brennende Umgebung mit 300° K, so wäre die durchschnittliche Strahlungsenergie für Kanal 3 670,0 Wm-2 μm-1 sr -1, jedoch für Kanal 4 nur 49,92 Wm-2 μm-1 sr -1. Der Fakt, dass die beiden Kanäle bei gleicher Temperatur so unterschiedlich die Strahlungsenergie messen ist in Abbildung 2 verdeutlicht (Kennedy et Al. 1994:2238). „ The radiance received by channel 3 increases by a factor of 1516 compared to a factor of 5 for channel 4. It is this differential response which is the basis for AVHRR fire detection” (Kennedy et Al. 1994:2238).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2 NOAA-11 radiances for channel 3 and 4 for temperatures between 300 deg K and 800 deg K. (Kennedy et Al. 1994:2238).

“Fire detection by remote sensing systems depends not only on the burning temperature, but also on the size of the fire. The higher the fire temperature, the smaller the fire size needed for its detection”(Ayanz et Al. 2005:364).

4 Algorithmen zur Feuererkennung Allgemein

Es gibt verschiedene Arten Feuererkennung mittels Fernerkundung zu betreiben. Deshalb gibt es auch verschiedene Algorithmen für Firemonitoring. Bei einem Ansatz wird die Temperaturerhöhung im Vergleich zur „normalen“ Umwelttemperatur gemessen. Dann wird von einem einfachen Grenzwert Algorithmus (single or multiple threshold methods) gesprochen. Dabei wird nur zwischen Pixeln unterschieden die Feuer beinhalten und denen die kein Feuer oder Wolken beinhalten. Stark vereinfacht beschrieben, es wird für den Kanal 3 ein bestimmter Grenzwert (320°K beim Kaufman et Al. Algorithmus) gesetzt und wenn dieser durch die Emissionen erreicht wird, wird das Pixel als Feuerpixel markiert (Boles & Verbyla 2000:2). Im späteren Abschnitt 5.2.1 wird ein solcher Algorithmus genauer vorgestellt. Es folgt eine Abbildung über den Klassifizierungsverlauf eines Pixels unter der Verwendung eines Grenzwert Algorithmus, im speziellen mit den Grenzwerten von Kaufman et Al.

Abbildung in dieser Leseprobe nicht enthalten

Abb.3 Grenzwert Algorithmus (threshold algorithm). (Boles & Verbyla 2000:6).

Dieser Algorithmus eignet sich eher bei homogenen Landschaften. Jedoch arbeitet er nicht zuverlässig in niedrigen Breiten bzw. im Mediterranen Raum, wo spärlich bewachsene Flächen vorkommen. Im Sommer heizen diese sich so stark auf, dass sie den Kanal 3 sättigen und dieser es als Feuer interpretiert (Ayanz et Al. 2005:364).Wie in der Abbildung 3 zu sehen, gibt es auch Grenzwerte für Nachtaufnahmen. Jedoch besitzen diese den Nachteil, dass einige Feuer nicht erkannt werden, weil ihre Intensität in der Nacht verringert ist. Außerdem werden kleine Feuer nicht erkannt, die sich tagsüber entzünden und am gleichen Tag erlöschen (Ayanz et Al. 2005:364). In Europa treten die meisten Feuer zwischen 12:00 und 14:00 auf.(European Commission,1996 zitiert in Ayanz et Al. 2005:364).

Beim zweiten Ansatz wird die erhöhte Temperatur im Verglich zu den benachbarten Pixeln gemessen. Dieser Ansatz wird kontextualer Algorithmus/Methode (contextual methods) bezeichnet. Ein Feuerpixel wird mit Hilfe des Kontrastes, zwischen dem potentiellen Feuerpixel und den benachbarten Umgebungspixeln, als Feuerpixel identifiziert. Dieser Ansatz ist effektiver und flexibler unter verschiedenen Umweltbedingungen. Probleme bei diesem Algorithmus treten auf, wenn nicht genügen Umgebungspixel zum Vergleich herangezogen werden können. Es folgt eine Abbildung über den kontextualen Algorithmus von Flasse und Ceccato (a) und dieser ist in Abschnitt 5.2.3 noch genauer erklärt (Boles & Verbyla 2000:6).

Abbildung in dieser Leseprobe nicht enthalten

Abb.4 Kontextualer Algorithmus (contextual algorithm) (a) und Brennstoff Masken Algorithmus (fuel mask algorithm) (b) (Boles & Verbyla 2000:7-8).

Der 3 Ansatz, den ich aber an dieser Stelle nur kurz vorstellen möchte ist der Brennstoff Masken Algorithmus (fuel mask algorithm). Dieser Algorithmus funktioniert ähnlich dem kontextualen, mit der Ausnahme, dass ein NDVI Wert als interner Grenzwert bei der Berechnung einfließt. Das Grundprinzip dieses Ansatzes ist, dass nur Pixel mit einem größeren Wert als der NDVI Grenzwert, genügend brennbares Material besitzen um ein Feuer entstehen zu lassen. Dieser Algorithmus kann weniger Feuer detektieren als vielmehr Flächen mit erhöhter Brandgefahr kartieren. Es ist also ein System was genutzt werden kann, bevor Feuer überhaupt entstehen (Boles & Verbyla 2000:4).

Als weiterführende Literatur kann ich hier auf Leblon (2005:343-359) und Al-Rawi et Al (2002:1967-1983) verweisen. Beim letzteren wurden Ansätze dieses Types im Integrated Fire Evolution Monitoring System (IFEMS) bei den Waldbränden 1994 in Spanien eingesetzt. Ich möchte hier auch noch erwähnen, dass spezielle Algorithmen für die Erkennung von Rauch gibt. In Randriambelo et Al. (1998:2623-2623) wird ein solcher für den AVHRR Sensor im Untersuchungsgebiet SO Afrika und Madagaskar vorgestellt.

„Any fire detection algorithm implies a compromise between the highest sensitivity to the presence of fire and the minimization of false alarm rate“( Zhukov et Al 2006:47).

5 NOAA und der AVHRR Sensor

Der Advanced High Resolution Radiometer (AVHRR) befindet sich an Bord der NOAA (National Oceanic and Atmospheric Administration) Satellitenreihe. Mit zu den ersten Satelliten gehört NOAA 6 der 1979 startete und heute ist bereits NOAA-15 im All. Die räumliche Auflösung des AVHRR beträgt 1,1 x 1,1 km im Nadirbereich. Mit zunehmenden Aufnahmewinkel kann maximal eine Fläche von 2 x 6 km abgetastet werden. Der AVHRR 3, welcher sich an Bord des NOAA 15 befindet, verfügt über seine 5 Kanäle (Kanal 1- 0,63 μm, Kanal 2- 0,86 μm, Kanal 3(B)- 3,74 μm, Kanal 4- 10,8 μm und Kanal 5- 12 μm) zusätzlich über Kanal 3A (1,61μm), welcher für Nachtaufnahmen Verwendung findet (Kelhä et Al. 2003:1693). NOAA ist ein sonnensynchroner Satellit mit einer Wiederholungsrate von 9 Tagen und fliegt in einer Höhe von 833-870 km. Die Streifenbreite beträgt 2700 km und für einen Orbit braucht er 102 Minuten. In Kennedy et Al. (1994:2240) sind weitere Informationen über die NOAA Reihe tabellarische aufgeführt.

„The AVHRR was not designed for fire monitoring yet provides a useful tool for monitoring a range of fire events” (Giglio et Al. 1999:1983).

5.1 Vergleich von globalen Feuererkennungsalgorithmen (active fire detection)

Es ist zu kostspielig und zeitaufwendig, verschiedene Algorithmen an Bord eines Satelliten während seiner Missionen zu testen. Deshalb wurde ein theoretisches Model verwendet. „For this reason, a simple theoretical model was developed to simulate AVHRR middle and long-wave infrared (channels 3 und 4) satellite views of 25 km x 25 km surface scenes approximating typical tropical, temperate, boreal and sub- Arctic regions containing fires of various temperatures and sizes” (Giglio et Al. 1999:1949). Des Weiteren wird das Atmosphärenmodel MODTRAN 3 verwendet um atmosphärische Strahlung/Streuung und thermale Abgaben abzuschätzen. Ziel des Vergleiches war es die Wahrscheinlichkeiten der einzelnen Algorithmen im Bereich der Feuererkennung, der Fehlerkennung und der Bestimmung von unklassifizierten Pixeln zu ermitteln. Zu den simulierten Einflussfaktoren bei der Feuererkennungen gehören die Feuertemperatur, Feuerfläche, Aufnahmewinkel (scan angle), Sonnenzenithwinkel (solar zenith angle) und verschiedene Oberflächen und atmosphärische Bedingungen (Giglio et Al. 1999:1948-1949).

Der POES-AVHHR ist ein Sensor (Radiometer) der reflektierte und emittierte Strahlung mit einer räumlichen Auflösung von ca. 1km in 5 Kanälen messen kann. Zur direkten Feuererkennung sind die Kanäle 3 (3,8μm) und 4 (10,8μm) des AVHRR Sensors am besten geeignet. Beide Kanäle haben einen leicht versetzten Blickfeld (instantaneous-fields of view), wobei dies 1,51mrad für Kanal 3 entspricht und 1,41mrad für Kanal 4 (Kidwell 1991, zitiert in Giglio et Al. 1999:1949). Bei einer Flughöhe von 850km entspricht dies einem 1,28km x 1,28km Pixel für Kanal 3 und einem 1,2km x 1,2km Pixel für Kanal 4.

Je nach Flugplattform und Kalibrierung tritt bei beiden Bändern/Kanälen eine Sättigung zwischen 322°K und 331°K auf. Im theoretischen Modell wird eine Sättigung der Kanäle bei 322°K (≈ 49°C) angenommen (Giglio et Al. 1999:1949).

5.1.1 Das Modell und seine Parameter

Im Modell werden 25 km x 25 km Ausschnitte der Erdoberfläche verwendet und in ein Netz von Quadratzellen (Seitenlänge 1km) aufgeteilt. In jeder Zelle wird ein Feuer ausgewiesen mit einer bestimmten Temperatur. “The burning portion of the centre cell had special significance as it was this fire that the detection algorithm attempted to detect. Fires in all other cells within the 25 km grind were considered to be background fires” (Giglio et Al. 1999:1949). Emittierte Strahlung von der Oberfläche, vom Feuer (falls vorhanden), reflektierte Sonnenstrahlung und atmosphärische Streuung wird „vermehrt“ durch eine Modelatmosphäre zum AVHRR Sensor geleitet, welcher die Oberfläche in einer bestimmten Höhe und einem bestimmten Winkel betrachtet. Die durch die Atmosphäre gedämpfte Strahlung, sowie die Form und die Überlappung der Pixel bei einer Satellitenaufnahme wird anschließend berechnet. Danach wird der Feuererkennungsalgorithmus auf diesen synthetischen Satellitenblick angewandt. „Repeated application of this procedure over a wide range of surface, fire, solar atmospheric conditions permitted a statistical evaluation of algorithm performance“ (Giglio et Al. 1999:1949). Im mathematischen Modell zur Berechnung der Strahlung die den Sensor erreicht, werden folgende Parameter berücksichtigt, die atmosphärische Strahlung (upwelling atmospheric radiance und downwelling atmospheric radiance at zenith angle θ), die Globalstrahlung (diffuse downwelling atmospheric irradiance), die optische Durchlässigkeit (Transmission) von der Oberfläche zum Satelliten, ebenso wie von der Sonne zur Oberfläche (surface-to-satellite (upward) transmittance und Sun-to-surface (downward) transmittance) und schließlich die extraterrestrische Solarstrahlung (extraterrestrial TOA solar irradiance). In Giglio et Al. (1999:1950-51) kann das mathematische Modell und die genaue Berechnung nachgelesen werden. Des Weiteren wird versucht Instrumentenfehler bzw. Rauschen (instrument noise)zu modellieren. Schließlich wird die Strahlung in jedem Pixel in eine equivalente Schwarzkörpertemperatur, entsprechend für jeden Kanal konvertiert. Dann wird der Feuererkennungsalgorithmus für die entsprechenden Bilder angewendet um das auftretende Feuer im zentralen Pixel zu erkennen (Giglio et Al. 1999:1949-1951).

5.1.2 Die Modelloberflächen

Das Modell benötigt Werte von der Oberflächentemperatur (1km Auflösung) und das Emissionsvermögen in den Kanälen 3 und 4. Es werden 10 global verteilte Biome ausgewiesen: Wüste, tropischer Regenwald, tropischer Laubwald, tropische Savanne, temperierter Laubwald, temperierter immergrüner Wald, temperiertes Grasland, immergrüner Borealer Wald, borealer Laubwald und Tundra „Each biome was characterized by a range of seasonal average surface temperatures and seasonal average channel 3 and 4 emissivities on a 1 km scale“ (Giglio et Al. 1999:1951). Für jedes Biom wird mit Hilfe von klimatischen Messungen die Spanne der mittleren Oberflächentemperatur und die entsprechende Umgebungstemperatur für Sommer und Winter ermittelt. Bei der visuellen Bildauswahl wurde darauf geachtet, dass keine Wolken bzw. Feuer auf den AVHRR Bildern vorzufinden waren. “Trough simple mixture modelling, plausible 1 km channel 3 and 4 mean emissivities were established for each biome and season (table 1)“ (Giglio et Al. 1999:1953). Aus der Tabelle 1 werden zufällig mittlere Temperaturen in der erlaubten Spanne verwendet um für die einzelnen Gebiete repräsentative Werte zu besitzen. „Using the resulting value as a mean, combined with the standard deviation obtained from AVHRR images, random temperatures chosen from a normal distribution were assigned to each grid cell. Similarly, using the mean 3.8 μm and 10.8 μm emissivity from table 1, combined with the estimates of 1 km standard deviation of emissivity, channel 3 and 4 emissivities were randomly chosen for each grid cell” (Giglio et Al. 1999:1953). Da es an Küstenlinien oft zu Fehlerkennungen bei Feuererkennungsalgorithmen kommt, werden diese im Modell auch berücksichtigt. Für jedes Biom wurden Küstenabschnitte generiert und die Hälfte der Flächen damit „gefüllt“ (Giglio et Al. 1999:1951-1954).

[...]