Friedrich-Schiller-Universität Jena WiSe09/10

Institut für Geographie

GEO 511: Masterarbeit

Modulverantwortliche:
Prof. Dr. Christiane Schmullius

Fernerkundungsbasierte, automatisierte,
multisensorale Brandflächendetektion im
Kruger National Park, Südafrika

Masterarbeit

vorgelegt von:

André Armstroff

Abgabedatum: 28.02.2010
Abstract

Fire is one of the most important natural ecosystem components in the Kruger
National Park. In this context it is also a main driver of the vegetation structure in
the way that it reduces especially the grass and herbaceous layer. It is an enormous
effort to detect and analyse an area of several hundred square kilometers affected by
wildland fires every year in the field. Remote sensing can be used as a powerful tool
to handle such big areas efficiently.
In the past a lot of different applications on investigation of burn scars where
developed using common techniques like Change Detection, principal components
analysis (PCA), Tasseled Cap or Ratios (e. g. NDVI, GEMI et cetera). Also these
methods where used on different scales ranging from a few meters (e. g. SPOT
HRV) up to several kilometers (e. g. AVHRR or MODIS). But in spite of all these
advances in burn scar detection there is no adequate rule set to extract fire affected
areas from different sensors (on different spatial resolutions) over the dry as well as
the rainy season. Such a method could guarantee quick processing of large areas and
the possibility to compare the detection results on different scales.
This issue is addressed by this thesis. It is searched after the most potential rule set
transferable over different sensors. In detail these sensors are Landsat-TM (30
meters) and SPOT-HRV(IR) (20 meters). Furthermore, the MODIS reflectance
product was integrated in this analysis. The year of interest was 2000 because for this
year additional data from SAFARI2000 campaign available which was used for
validation (MODIS Airborne Simulator (MAS)).
The challenge in realizing this goal is to identify some criteria that are available in
the spectral coverage of each sensor. So only the green, red, near infrared (NIR) and
middle infrared (MIR) reflectance signals could be used. Additionally some indices
delineated from these spectral bands were tested containing the NDVI, second
MSAVI, GEMI and the Principal Components.
The green spectral band was used to separate the unburned as well as the burned
areas from clouds. Furthermore for the extraction of cloud shadows (which have
spectral properties quite similar to that of burn scars) the GEMI was found to be best
suiting. An accuracy assessment resulted in an overall accuracy of 92.6%.
Afterwards a differentiation analysis was undertaken which suggested the usage
of the second MSAVI to extract burned areas from the remaining regions. For

II
generating a transferable rule set which can be used for all different sensors as well
as for different seasons, a normalisation with the scene mean (excluding cloud
influenced areas) of the second MSAVI was performed. As a result the mean overall
accuracy of the burn scar classification was 93.3%.
Additionally the results where compared to the MODIS burned area product
(MCD45A1) as well as the GLOBCARBON 1km monthly burnt area product. In
general the both products underestimated the burn scars relatively to the elaborated
rule set and the validation data sets (MAS and a shape file containing all burn scars
from 1992 to 2001 acquired by the KNP rangers).

III
Inhalt

Abstract ................................................................................................................... II

Selbstständigkeitserklärung .................................................................................... VI

Abbildungen........................................................................................................... VII

Tabellen .................................................................................................................. IX

Abkürzungen ........................................................................................................... X

Vorwort ................................................................................................................. XIV

1 Einleitung ............................................................................................................ 1

1.1 Motivation der Arbeit ..................................................................................... 1

1.2 Verlauf und Aufbau der Arbeit ....................................................................... 3

2 Untersuchungsgebiet ......................................................................................... 5

2.1 Allgemeine Grundlagen ................................................................................. 5

2.2 Feuermanagement im KNP bis zum Beginn der 1990er Jahre ...................... 7

2.3 Feuermanagement im KNP seit Beginn der 1990er Jahre ............................. 8

3 Physikalische Grundlagen von Landschaftsbränden .....................................12

3.1 Terminologie zur Quantifizierung von Bränden .............................................13

3.2 Brandsysteme / Brandinitiierung ...................................................................15

3.3 Brandtypen ...................................................................................................17

4 Stand der Forschung .........................................................................................20

4.1 Fernerkundungsgrundlagen .........................................................................20

4.2 Fernerkundungsbasierte Ansätze zur Brandflächenausweisung...................22

5 Datengrundlage .................................................................................................29

5.1 Landsat ........................................................................................................30

5.2 Systeme Pour l'Observation de la Terre (SPOT) ..........................................31

5.3 Moderate Resolution Imaging Spectroradiometer (MODIS) ..........................33

5.3.1 MODIS-Oberflächenreflektanz-Produkt (MOD09A1) ...........................34

5.3.2 MODIS-Brandflächen-Produkt (MCD45A1).........................................36

5.4 MODIS Airborne Simulator (MAS) ................................................................37

5.5 GLOBCARBON ............................................................................................38

IV
6 Datenbearbeitung ..............................................................................................40

6.1 Grundlagen ..................................................................................................40

6.1.1 Datenvorverarbeitung .........................................................................40

6.1.1.1 Geometrische Korrektur ............................................................41

6.1.1.2 Radiometrische Kalibrierung .....................................................43

6.1.2 Erstellung von Ableitungen zur Brandflächenausweisung ...................47

6.1.2.1 Ratios .......................................................................................47

6.1.2.2 PCT ..........................................................................................47

6.1.3 Trennbarkeitsanalyse .........................................................................49

6.1.4 Segmentierung und Klassifikation .......................................................51

6.1.5 Genauigkeitsanalysen ........................................................................52

6.2 Vorverarbeitung der Eingangsdaten .............................................................54

6.2.1 Import .................................................................................................54

6.2.2 Geometrische Korrektur......................................................................56

6.2.3 Radiometrische Korrektur ...................................................................57

6.3 Erstellung von Ableitungen zur Brandflächenausweisung.............................61

6.3.1 Ratios .................................................................................................61

6.3.2 Wolkenmaske .....................................................................................64

6.3.2.1 Wolken- und Wolkenschattendetektion .....................................64

6.3.2.2 Genauigkeitsanalyse.................................................................67

6.3.3 PCT ....................................................................................................69

6.4 Trennbarkeitsanalyse ...................................................................................69

6.5 Brandflächenausweisung .............................................................................71

6.6 Genauigkeitsanalyse ....................................................................................77

6.7 Vergleich der Klassifikationsergebnisse mit anderen Produkten ...................79

7 Automatisierung ................................................................................................82

8 Diskussion .........................................................................................................85

Literatur ..................................................................................................................91

Anhang .................................................................................................................108

V
Selbstständigkeitserklärung

Hiermit wird bestätigt, dass die vorliegende Master-Arbeit von dem Studierenden
selbstständig verfasst und keine anderen als die angegebenen Quellen und Hilfsmittel
benutzt sowie Zitate und gedankliche Übernahmen kenntlich gemacht wurden.

_________________________________
Datum, Unterschrift

VI
Abbildungen

Abb. 1: Schematischer Zeitplan der vorliegenden Masterarbeit ............................... 4

Abb. 2: Lage und Teilgebiete des Kruger National Parks in Afrika ........................... 6
Abb. 3: Reflektanz von Boden sowie grüner und trockener Vegetation in
Abhängigkeit der Wellenlänge ................................................................... 13
Abb. 4: Feuerarten ................................................................................................ 18
Abb. 5: Elektromagnetisches Spektrum und seine Repräsentation in den
spektralen Kanälen eines Satelliten-Sensors ............................................ 21
Abb. 6: Spektrale Eigenschaften von Wasser, Boden und Vegetation und
deren Repräsentation durch Reflektanzwerte bei den Wellenlängen
(Kanälen) λ1, λ2 und λ3 sowie deren Übertragung in einen
dreidimensionalen Eigenschaftsraum ........................................................ 22
Abb. 7: Spat-Klassifikatoren im 2-dimensionalen Eigenschaftsraum mit
Überlappung ............................................................................................. 26
Abb. 8: SPOT-Funktionsweise im Nadir-Modus..................................................... 32
Abb. 9: Überflugpfad eines Spot-Satelliten mit zwei Szenenpaaren bei denen
die HRV-Sensoren jeweils zwei Szenen parallel aufnehmen..................... 32
Abb. 10: Spektrale Abweichungen zu den Bildrändern in einem
exemplarischen MAS-Flugstreifen............................................................. 38
Abb. 11: Prinzip der Orthorektifizierung ................................................................... 41
Abb. 12: Verzerrung durch die Thin-Plate-Spline-Methode ...................................... 43
Abb. 13: Übertragung der Pixelwerte im Eingabe-Bild auf die nähstgelegenen
Pixel im Ausgabe-Bild (Nearest Neighbour) .............................................. 43
Abb. 14: Ausgestrahlte Energie in Abhängigkeit der Wellenlänge für einen
theoretischen Körper mit der Temperatur der Sonne, der tatsächlich
eintreffenden Strahlung oberhalb der Atmosphäre sowie der durch die
Atmosphäre beeinflusste Strahlung auf Meeresniveau .............................. 45
Abb. 15: Komponenten, die zur gemessenen Gesamtstrahlung eines
Bildpunktes beitragen................................................................................ 46
Abb. 16: Rotation eines 2-dimensionalen Eigenschaftsraumes im Rahmen
einer PCT .................................................................................................. 48
Abb. 17: Prinzip verschiedener Segmentierungs-Ebenen im Definiens
Developer ................................................................................................. 52
Abb. 18: Spektraler Reflektanz-Vergleich zweier Landsat-Szenen in mäßig
dichter Buschweiden-Savanne .................................................................. 58

VII
Abb. 19: Spektrale Abdeckung der verwendeten Sensoren beziehungsweise
des MODIS-Reflektanz-Produkts .............................................................. 61
Abb. 20: Spektrale Eigenschaften von trockener und brauner Vegetation sowie
schwarzer und weißer Asche .................................................................... 62
Abb. 21: Prozessbaumabschnitt zur Wolken(-schatten)-Ausweisung im
Definiens Developer .................................................................................. 64
Abb. 22: Links: Membership Function für die Reflektanz des grünen Kanals,
Rechts: Membership Function für die Existenz eines Nachbar-Objekts
Wolke-a-priori............................................................................................ 66
Abb. 23: Prozessbaum für Klassifikation und Export der Brandflächen im
Definiens Developer .................................................................................. 72
Abb. 24: Exemplarische Brandflächenklassifikation mittels Landsat-ETM+-
Szene vom 31.08.2000 ............................................................................. 73
Abb. 25: Exemplarische Brandflächenklassifikation mittels SPOT-HRVIR-
Szene vom 22.08.2000 ............................................................................. 74
Abb. 26: Exemplarische Brandflächenklassifikation mittels MOD09A1-Szene
vom 05. – 12.09.2000 ............................................................................... 75
Abb. 27: Sukzessive Veränderung der spektralen Eigenschaften sowie des
2. MSAVI und des GEMI auf einer Brandfläche......................................... 76
Abb. 28: Schematischer Aufbau der EASI-Skript-Struktur zur Vorverarbeitung
der SPOT-Daten ....................................................................................... 83

VIII
Tabellen

Tab. 1: Parameter zur Entscheidungsunterstützung im Feuermanagement

im Kruger National Park in ihrer Originalfassung sowie deren
überarbeiteter Status ................................................................................ 9
Tab. 2: Intensitätsklassifizierung für Brände im Kruger National Park ................. 11
Tab. 3: Vereinfachte Darstellung des von RYAN & NOSTE (1985)
aufgestellten Index, welcher die überirdischen Veränderungen der
Vegetation und des organischen Bodenmaterials mit der Fire
Severity in Verbindung setzt ................................................................... 15
Tab. 4: Landsat-7-ETM+-Kanäle ......................................................................... 30
Tab. 5: Kanäle der HRV- bzw. HRVIR-Sensoren auf SPOT ................................ 33
Tab. 6: Kanäle des achttägigen MODIS-500m-Reflektanz-Produkts
(MOD09A1) ............................................................................................ 35
Tab. 7: Kanäle des MODIS-Brandflächen-Produkts (MCD45A1) ........................ 36
Tab. 8: Kanäle des monatlichen GLOBCARBON-1km-Produkts ......................... 39
Tab. 9: Beispiel einer Konfusions-Matrix ............................................................. 53
Tab. 10: Kanaläquivalente der verwendeten Sensoren beziehungsweise des
MODIS-Reflektanz-Produkts für den roten und nahinfraroten (NIR)
Wellenlängenbereich .............................................................................. 63
Tab. 11: In der PCT verwendete Kanäle ............................................................... 69
Tab. 12: Alter der Brandflächen in den verschiedenen Szenen ............................. 70
Tab. 13: Gesamt-Konfusionstabelle der Brandflächenklassifikation ...................... 79
Tab. 14: Vergleich der Brandflächenausweisung mit dem GLOBCARBON-
1km-Brandflächenprodukt ....................................................................... 80
Tab. 15: Vergleich der Brandflächenausweisung mit dem MODIS-
Brandflächenprodukt (MCD45A1) ........................................................... 81
Tab. 16: Sensorübergreifend einheitliche Kanal-Reihenfolge ................................ 84

IX
Abkürzungen

AATSR Advanced Along Track Scanning Radiometer

AE Astronomische Einheit
AFP Aircraft Fire Protection
ASD Analytical Spectral Device
ATSR-2 Along-Track Scanning Radiometer and Microwave
Sounder-2
AVHRR Advanced Very High Resolution Radiometer
BRDF Bi-Direktionale Reflektanzdistributionsfunktion
BSA Brand South Africa
BT Brightness Temperature
CC Combustion Completeness
CCRS Canadian Center of Remote Sensing
CEO Center for Earth Observation
CNES Centre National D´Etudes Spatiales
CRISP Centre for Remote Imaging, Sensing and Processing
CSIR Council for Scientific and Industrial Research
CTAHR College of Tropical Agriculture and Human Resources
DGM Digitales Geländemodell
DLR-HR Institut für Hochfrequenztechnik und Radarsysteme des
Deutschen Zentrums für Luft- und Raumfahrt
DN Digital Number
EASI Engineering Analysis and Scientific Interface
EBP Experimental Burn Plot
EO Earth Observation
EOS/AM-1 Earth-Observation-Satellite Ante-Meridiem-1
EOS/PM-1 Earth-Observation-Satellite Post-Meridiem-1
EROS DC Earth Resources Observation and Science Data Center
ERS-2 European Remote-Sensing Satellite 2
ESA European Space Agency
ESRI Environmental Systems Research Institute
ETM+ Enhanced Thematic Mapper Plus
FAPAR Fraction of Absorbed Photosynthetically Active Radiation

X
FDI Fire Danger Index
FMU Fire Management Unit
FRE Fire Radiative Energy
FRP Fire Radiative Power
GAC Global Area Coverage
GBA2000 Global Burnt Area 2000 Initative
GBS Global Burnt Surface
GCP Ground Control Point
GE Google Earth
GEMI Global Vegetation Monitoring Index
GeoTIFF Geo Tagged Image File Format
GLOBCARBON Global Land Products for Carbon Model Assimilation
GLS2005 Global Land Survey 2005
HDF Hierarchical Data Format
HRV High Resolution Visible
HRVIR High Resolution Visible Infra Red
IFI International Forest Institute
ISO International Organization for Standardization
ISODATA Iterative Self-Organized Data Analysis
ITT VIS International Telephone & Telegraph Visual Information
Solutions
KNP Kruger National Park
LAI Leaf Area Index
LP DAAC Land Processes Distributed Active Archive Center
LPGS Level 1 Product Generation System
MAS MODIS Airborne Simulator
MCD45A1 MODIS-Brandflächen-Produkt
MIR Mittleres Infrarot
MIRBI Mid-Infrared Bispectral Index
MNR Ministry of Natural Resources
MOD04 MODIS-Aerosol-Produkt
MOD05 MODIS-Wasserdampf-Produkt
MOD07 MODIS-Atmosphärenprofil-Produkt
MOD09A1 MODIS-Oberflächenreflektanz-Produkt

XI
MOD43 MODIS-BRDF/Albedo-Produkt
MODIS Moderate Resolution Imaging Spectroradiometer
MSAVI Modified Soil Adjusted Vegetation Index
NAD83 North American Datum 1983
NASA National Aeronautics and Space Administration
NBR Normalized Burn Ratio
NDVI Normalized Difference Vegetation Index
NIR Nahes Infrarot
NOAA National Oceanic and Atmospheric Administration
NRE Natural Resources and the Environment
NWCG National Wildfire Coordinating Group
ORNL Oak Ridge National Laboratory
PCA Principal Component Analysis
PCT Principal Components Transformation
RADAR Radio Detection And Ranging
RSCC Remote Sensing Core Curriculum
SA Science in Africa
SAC Satellite Application Center
SAFARI Southern African Fire-Atmosphere Research Initiatives
SAFNet Southern Africa Fire Network
SANP South African National Parks
SAT Siyabona Africa Travel
SPOT Systeme Pour l'Observation de la Terre
SRTM Shuttle Radar Topography Mission
STFC RAL Science & Technology Facilities Council – Rutherford
Appleton Laboratory
TC Tasseled Cap Transformation
TIFF Tagged Image File Format
TM Thematic Mapper
TRMM Tropical Rainfall Measuring Mission
UNESCO United Nations Educational, Scientific and Cultural
Organization
USGS United States Geological Survey
UTL Universidade Técnica de Lisboa

XII
UTM Universal Transverse Mercator
WFA World Fire Atlas
WGS84 World Geodetic System 1984
WRS World Reference System

XIII
Vorwort

Mein vorrangiger Dank geht an Frau Prof. Dr. Christiane Schmullius, ohne die
diese Arbeit nicht zustande gekommen wäre. Sie ermöglichte es mir, nach Südafrika
zu reisen und dort meine ersten Arbeitserfahrungen im Ausland zu machen.
Weiterhin bekam ich während dieses Aufenthalts erste Einblicke in das Ökosystem
des Kruger National Parks und durch die Teilnahme am Science Network Meeting
eine Vorstellung von den Forschungsunternehmungen auf unterschiedlichsten
Gebieten die im Park durchgeführt werden.
In diesem Zusammenhang möchte ich auch Wolfgang Lück meinen Dank
aussprechen, der es mir durch seine unablässige Unterstützung ebenfalls ermöglichte
Südafrika und den Kruger Park zu besuchen. Darüber hinaus stand er mir in
fachlichen Fragen in Südafrika stets mit Rat und Tat zur Seite und lieferte nicht
zuletzt auch den entscheidenden Hinweis für das Thema der vorliegenden Arbeit.
Des Weiteren danke ich an dieser Stelle all jenen, die zur Entstehung dieser
Masterarbeit beigetragen haben; sei es in fachlicher oder jeder anderen denkbaren
Hinsicht. Namentlich möchte ich Sandra McFadyen, Markus Bindel, Marcel Urban
und Natasha Nieckau erwähnen, die mit Daten und neuen Ideen meine Arbeit
bereicherten. Darüber hinaus danke ich auch Izak Smit, ohne den die Besuche im
Kruger Park in einem organisatorischen Chaos geendet wären, meinen
unermüdlichen Korrekturlesern (Kristina Eritt, Robert Hausotte) sowie denen, die
mich mental und natürlich finanziell unterstützt haben. Allen voran sind hier meine
lieben Eltern Andrea und Klaus Armstroff zu nennen; aber auch meine WG-
Mitglieder Robert Hötzel und Robert Hausotte.
Zu guter Letzt spreche ich Andreas Vollrath meinen Dank aus. Zum einen konnte
er durch seine Masterarbeit über die Analyse der Vegetationsstruktur des Kruger
Parks mittels Radar-Fernerkundung umfassende hilfestellende Informationen zur
Auswertung meiner Ergebnisse beitragen. Auf der anderen Seite wären ohne ihn die
Aufenthalte und die Forschungsarbeiten in Südafrika weit weniger unterhaltsam und
interessant gewesen.

XIV
1 Einleitung

Einen der Haupttreiber der Vegetationsstruktur im Kruger National Park (KNP)

stellen Landschaftsbrände dar. Daher ist es für eine umfassende Analyse vonnöten,
Informationen zusammenzutragen, wann, wo und wie Brände auftreten und welche
Auswirkungen diese auf die Vegetation haben. Dieses Wissen kann dann wiederum
dazu verwendet werden, das Management im Kruger National Park derart zu
gestalten, dass die Erhaltung einer hohen beziehungsweise natürlichen Biodiversität
gewährleistet werden kann (MOREIRA 2000: 1021, SANP 2007: o.S.).
Dieser Absicht soll auch die vorliegende Arbeit Rechnung tragen. Eine
ausführlichere Beschreibung der Motivationen sowie der Ablauf und der Aufbau des
Versuchs, einer automatisierten, sensorübergreifenden Brandflächenausweisung soll
im Folgenden ausführlicher geschildert werden.

1.1 Motivation der Arbeit

Die vorliegende Master-Arbeit wurde im Rahmen des SARvanna-Projekts der

Universität Jena in Kooperation mit South African National Parks (SANP), der
University of Johannesburg, der University of Witwatersrand, dem Institut für
Hochfrequenztechnik und Radarsysteme des Deutschen Zentrum für Luft- und
Raumfahrt (DLR-HR) sowie dem Satellite Application Center (SAC), dem Meraka
Institute und dem Institute of Natural Resources and the Environment (NRE) des
Council for Scientific and Industrial Research (CSIR) erstellt. Dieses Projekt befasst
sich primär mit der Analyse der Vegetationsstruktur in den Savannengebieten des
Kruger National Parks unter Zuhilfenahme von Radar-Satelliten-Daten (SANP
2007: o.S.).
Die Motivationen dieser Arbeit können in diesem Zusammenhang durch die
folgenden beiden Punkte abgegrenzt werden:

1. Schaffung einer Grundlage für weiterreichende Untersuchungen bezüglich

Biomasseverlust sowie der Veränderung der Vegetationsstruktur auf
Brandflächen, die nicht zuletzt auch das Potential synergetischer Ansätze (das

1
 heißt einer Kombination aus optischen und Radio-Detection-and-Ranging-
(RADAR)-Daten) herausarbeiten sollen.

2. Bereitstellung einer Möglichkeit für den Scientific Service des Kruger National
Parks, schnell Brandflächen für große Gebiete auszuweisen. Dieses Wissen
wiederum kann dem Management der ereignisnahen Entscheidungsfindung
dienen.

Diesen Motivationen soll im Rahmen der vorliegenden Arbeit dadurch Rechnung

getragen werden, dass ein Regelsatz entworfen wird, mit dem für die
Untersuchungsjahre 2000/01 Brandflächen im Kruger Park ausgewiesen werden
können. Aus diesem Hauptziel ergeben sich zurückblickend auf die Motivationen
folgende wissenschaftliche Fragestellungen, die es gilt, im Umfang dieser Arbeit zu
beantworten:

1. Inwiefern lässt sich der ausgearbeitete Regelsatz automatisieren?

2. Wie gut ist der Regelsatz zwischen Satellitendaten mit unterschiedlichen

räumlichen Auflösungen übertragbar?

3. In welchem Maße ist eine Brandflächenausweisung unter verschiedenen

saisonalen Bedingungen möglich?

4. Wie gut stimmen die erzielten Ergebnisse mit anderen

Brandflächenprodukten wie GLOBCARBON oder dem MODIS-
Brandflächenprodukt (MCD45A1) überein?

Die Wahl des Untersuchungszeitraum fiel auf die Jahre 2000/01, da in der
Trockenzeit des Jahres 2000 im Rahmen des Southern-African-Fire-Atmosphere-
Research-Initiatives-(SAFARI)-2000-Projekts eine Befliegung des südlichen Afrikas
mit dem MODIS Airborne Simulator (MAS) durchgeführt wurde (KING & PLATNICK
2006: o.S.). Hierdurch ist es möglich die räumlich schlechter aufgelösten Moderate
Resolution Imaging Spectroradiometer-Daten (MODIS) mit den ebenfalls
verwendeten Landsat-7- und SPOT-(Systeme Pour l'Observation de la Terre)-Daten

2
in Verbindung zu setzen (CRISP 2001: o.S., EO 2009: o.S., HEMPHILL 2001:o.S.,
ORNL 2009: o.S.).

1.2 Verlauf und Aufbau der Arbeit

Der Ablauf der vorliegenden Masterarbeit ist in Abbildung 1 dargestellt. Die

einzelnen Teilprozesse innerhalb der Bearbeitungszeit von fünf Monaten liefen
sukzessiv, bis zu einem gewissen Grad jedoch auch parallel ab und wurden von einer
ständigen Dokumentation begleitet. Die ersten Schritte stellten die Datenbeschaffung
und die Literaturrecherche über die fachlichen Grundlagen sowie den aktuellen Stand
der Forschung dar. Nachdem die ersten Daten besorgt waren, konnte mit der
Vorverarbeitung (die im Wesentlichen aus geometrischer und radiometrischer
Korrektur besteht) begonnen werden. Im Anschluss daran erfolgte zunächst die
Ausarbeitung eines Regelsatzes zur Extraktion der Wolken und Wolkenschatten
einschließlich einer dazugehörigen Genauigkeitsanalyse. Weiterhin wurde eine
Trennbarkeitsanalyse durchgeführt, die Aufschluss darüber geben sollte, welche
spektralen Kanäle beziehungsweise welche Ableitung zur Ausweisung der
Brandflächen am besten geeignet sind. Basierend auf dem daraus gewonnenen
Wissen konnte dann ein Regelsatz zur sensor- und saisonübergreifenden
Brandflächenklassifikation entworfen werden. Dieser konnte dann ebenfalls auf seine
Genauigkeit hin analysiert und mit dem MODIS-Brandflächen- sowie dem
GLOBCARBON-Produkt verglichen werden. Einhergehend mit der Erarbeitung
eines Regelsatzes wurde die Automatisierung der Teilverfahren soweit möglich
mittels EASI-Skripten in den Programmen Geomatica beziehungsweise Definiens
Developer in Angriff genommen. Der letzte Schritt der Masterarbeit war dann die
formale Überarbeitung der Dokumentation.
Der Aufbau der vorliegenden Arbeit richtet sich nach den geschilderten
Ablaufschritten. Im ersten Abschnitt wird eine Einleitung in die Thematik der Arbeit
gegeben und deren Ablauf geschildert. Der zweite Teil befasst sich mit den
allgemeinen Grundlagen sowie dem Feuermanagement im Untersuchungsgebiet.
Anschließend erfolgen die Betrachtung der physikalischen Eigenschaften von
Landschaftsbränden im Abschnitt 3 und die Darlegung des Standes der Forschung im
vierten Teil. In Kapitel 5 werden die zugrundeliegenden Daten beschrieben, deren

3
Verarbeitung sowie die resultierenden Ergebnisse in Abschnitt 6 und deren
Automatisierung in Abschnitt 7 dargelegt werden. Den Abschluss bildet die
Diskussion im achten Teil der Arbeit.

Abb. 1: Schematischer Zeitplan der vorliegenden Masterarbeit

4
2 Untersuchungsgebiet

2.1 Allgemeine Grundlagen

Der Kruger National Park (KNP) liegt im Nordosten Südafrikas (Abb. 2) im

Grenzgebiet Mosambiks und Simbabwes. Er erstreckt sich über die Provinzen
Limpopo und Mpumalanga vom Crocodile River im Süden bis zum Limpopo im
Norden über eine Distanz von etwa 350 Kilometern (GE 2008: o.S., SANP 2007:
o.S.). Die Ost-West-Ausdehnung beläuft sich auf circa 80 Kilometer (GE 2008: o.S.).
Mit über 2 Millionen Hektar ist er das größte Wildschutzgebiet Südafrikas (SANP
2007: o.S.).
Weiterhin befinden sich an seinen Grenzen zahlreiche private Reservate, deren
Grenzzäune zum Park teilweise entfernt wurden, um dem Wild größtmöglichen
Bewegungsfreiraum zu gewähren. Des Weiteren wurden internationale politische
Bemühungen unternommen, die eine weitere Vergrößerung des Parks ermöglichten.
Beispielsweise kam man mit Nachbarländern überein, einige Grenzzäune
niederzureißen und so den Kruger National Park mit dem Limpopo Nationalpark
Mozambique und dem Gonarezhou-Nationalpark Simbabwes zum Great Limpopo
Transfrontier Park zu vereinen (SANP 2007: o.S., VERBESSELT et al. 2006: 400).
Der westliche Teil des Kruger Parks befindet sich etwa auf einer Höhe von 800
Metern über dem Meeresspiegel und fällt in den äußersten östlichen Ausläufern bis
auf 150 Meter über NN ab (Anhang 1) (VERBESSELT et al. 2006: 400). Mit
Ausnahme einiger Gebirgsausläufer im Süden und Norden besteht der Park jedoch
weitestgehend aus flachen, aber welligen Gebieten (JARVIS et al. 2008: o.S.,
VERBESSELT et al. 2006: 400).

5
Abb. 2: Lage und Teilgebiete des Kruger National Parks in Afrika

Der Nationalpark befindet sich im Bereich des subtropischen Klimas. Dieses

zeichnet sich durch zwei stark unterschiedliche Jahreszeiten aus. Einerseits gibt es
eine heiße Regenzeit in den Sommermonaten, die von Oktober bis März dauert.
Während dieser Phase ergrünt der gesamte Park und die Flüsse treten über die Ufer.
Auf der anderen Seite existiert aber auch eine kühlere Trockenperiode, die sich über
die Monate April bis September erstreckt. Diese hat zur Folge, dass viele kleinere
Gewässer vollständig austrocknen und nur die größten Flüsse und vereinzelte
Wasserlöcher erhalten bleiben. Auch Landschaftsbrände sind in diesem Zeitraum
häufiger und intensiver (SANP 2007: o.S., VAN WILGEN et al. 2008: 24f.).
6
 Hinsichtlich des Niederschlags besteht im Kruger Park ein Süd-Nord-Gefälle.
Beläuft er sich im Norden des Parks auf durchschnittlich 350 mm pro Jahr, so
steigert er sich mit zunehmender südlicher Breite auf bis zu 950 mm (Anhang 2)
(VAN WILGEN et al. 2008: 22f.). Im Schnitt fallen über 80 Prozent der Niederschläge
während der Regenzeit (Anhang 3) (SANP 2007: o.S.). Die mittleren Temperaturen
liegen in der feuchten Sommerperiode bei 23 bis 26 °C, in den Wintermonaten
hingegen bei etwa 17 bis 20 °C (Anhang 4) (SANP 2007: o.S., VERBESSELT et al.
2006: 400).
Im nördlichen Teil des Parks besteht die Vegetation hauptsächlich aus einer
Kombination von Mopanebäumen (Colophospermum mopane) (Anhang 5) und
Buschweiden (Combretum apiculatum) (SAT o.J.: o.S.). Darüber hinaus kommen
Affenbrotbäume (Adansonia digitata) und im äußersten Norden auch Fieberbäume
(Acacia xanthophloea) vor (SAT o.J.: o.S.). Der zentrale und südliche Teil werden
hauptsächlich von offenen Gras- und Baumsavannen dominiert. Neben den auch hier
auftretenden Buschweiden gibt es ausgedehnte Marula- (Sclerocarya birrea) (Anhang
6) und Süßdornakazienbestände (Acacia nigrescens) (JACOBS & BIGGS 2002: 1, SAT
o.J.: o.S.). Eine allgemeine Übersicht über die Landschaftsformen im Kruger
National Park ist in Anhang 7 dargestellt.

2.2 Feuermanagement im KNP bis zum Beginn der 1990er Jahre

Feuer sind im Kruger National Park ein natürlicher Bestandteil des Ökosystems,
die regelmäßig insbesondere in der trockenen Jahreszeit auftreten. Da sie neben
zahlreichen anderen Effekten auch eine Bedrohung für Mensch und Tier darstellen,
wurde den Landschaftsbränden beziehungsweise deren Management stets besondere
Aufmerksamkeit geschenkt (LENTILE et al. 2006: 319, SANP 2007: o.S.).
In den Anfangsjahren des Parks, von seiner Gründung im Jahr 1898 bis 1926 gab
es lediglich eine undifferenzierte Feuerpolitik, die Brände allgemein als schlecht für
die Umwelt einstufte (SANP 2007: o.S., WOODS et al. 2002: 1). In den Folgejahren
bis 1948 festigte sich die Einsicht, dass in einem solch großen Savannengebiet
Brände nicht vollständig vermieden werden können und sie möglicherweise sogar
positive Auswirkungen haben (WOODS et al. 2002: 1). Trotz dieser Einsichten gab es
eine aktive Bekämpfung jeglicher Feuer bis 1956, welche auch die Errichtung von

7
Feuerbarrieren beinhaltete, die den Park in einzelne Brandblöcke unterteilen sollte
(Anhang 8) (WOODS et al. 2002: 2). Erst 1956 wurde eine vorschriftsmäßige
Feuerpolitik etabliert, in der vom Management vorgesehene Brände toleriert wurden
(WOODS et al. 2002: 2). Anders entstandene Feuer (z.B. durch Blitze oder
Brandstiftung) hingegen wurden weiterhin aktiv bekämpft (WOODS et al. 2002: 2).
Seit 1992 wurde auch die Bekämpfung von natürlich verursachten Bränden unter
bestimmten Bedingungen toleriert (VAN WILGEN 2008: 23, WOODS et al. 2002: 2).
Dieses angepasste Feuermanagement soll im folgenden Abschnitt ausführlicher
beschrieben werden.

2.3 Feuermanagement im KNP seit Beginn der 1990er Jahre

In den frühen 1990er Jahren gab es im Kruger Park grundlegende Änderungen

hinsichtlich des Umgangs mit Feuer (VAN WILGEN et al. 2008: 22). Diese waren zum
einen begründet durch die Einsicht, dass nicht alle Gebiete gleich auf Feuer
reagieren. Die Wirkung von Bränden hängt stets davon ab, wie es beispielsweise um
den Feuchtigkeitsgehalt der Vegetation oder auch den Nährstoffgehalt des Bodens
bestellt ist (VAN WILGEN et al. 2008: 22). Des Weiteren setzte sich die Erkenntnis
durch, dass sich Savannen-Ökosysteme in einem ständigen natürlichen Wandel
befinden, der im Wesentlichen durch Brände gesteuert wird (VAN WILGEN et al.
1998: 69).
Es gibt daher kein pauschal bestes Feuermanagement. Stattdessen muss dieses den
räumlichen, aber auch zeitlichen Unterschieden, beispielsweise hinsichtlich
Niederschlagsvariabilität oder Herbivorintensität, flexibel Rechnung tragen. Somit
stellen auch die einstigen Feuerbarrieren keine festen Grenzen mehr dar, die nicht
vom Feuer überschritten werden dürfen. Nur auf diese Weise lassen sich die
gesteckten Ziel, bei denen insbesondere die Erhaltung der Biodiversität im Fokus
steht, effizient umsetzen (VAN WILGEN et al. 2008: 22, WOODS et al. 2002: 2).
Um dieses flexible Management besser realisieren zu können, wurden sieben
Parameter zur Beschreibung der Feuerregime aufgestellt (BIGGS & ROGERS 2003,
VAN WILGEN 2008: 23). Diese sollten, anstelle spezifischer Richtlinien (die im
Kruger Park nicht vorhanden sind), die Entscheidungsfindung auf Manager-Seite
unterstützen und damit einhergehend der Erhaltung der Biodiversität Rechnung

8
tragen. Die Bestimmung dieser erfolgt auf Grundlage jeglicher kartierter Brände (sei
es durch Ranger oder die Anwendung von Fernerkundungstechniken). Maßnahmen
wurden lediglich in Angriff genommen, wenn einer oder mehrere der
Parametergrenzwerte über- oder unterschritten wurden (SANP 2007: o.S., VAN
WILGEN 2008: 23). Eine Übersicht der Parameter kann Tabelle 1 entnommen
werden.

Tab. 1: Parameter zur Entscheidungsunterstützung im Feuermanagement im Kruger

National Park in ihrer Originalfassung (nach VAN WILGEN et al. 1998: 77) sowie
deren überarbeiteter Status (verändert nach VAN WILGEN et al. 2008: 23)

9
 Neben der ursprünglichen Beschreibung der Größen enthält Tabelle 1 auch den
aktuellen Status eines jeden Parameters. Diese wurden durch die gesammelten
Erfahrungen in den Jahren bis 2002 angepasst (VAN WILGEN et al. 2008: 24). In diesem
Rahmen wurden die meisten der Parameter als solche abgeschafft und direkt in das Park-
Management eingebunden. Dies soll ein Mindestmaß an Feuervariabilität (quantifiziert
durch die Variabilität der Feuerintensität sowie der räumlichen Heterogenität) gewähren
(VAN WILGEN et al. 2008: 27).
Heute sind lediglich noch zwei Parameter zur Entscheidungsunterstützung vorhanden:
Zum einen der bereits im Vorfeld existierende Intensitäts-Wert sowie eine neue Feuer-
Heterogenitäts-Größe. Um die Intensität der Brände zu beschreiben, wird jedem
Einzelbrandereignis ein Intensitätswert entsprechend Tabelle 2 zugewiesen. Diese
Einordnung basiert auf der verfügbaren Brandstoffmenge und der Jahreszeit des Feuers
(da diese sehr stark mit dem Feuchtigkeitsgehalt der Biomasse korreliert, jedoch deutlich
leichter als dieser zu bestimmen ist) (VAN WILGEN et al. 2008: 28). Das verfügbare
Brennmaterial wird hierbei jährlich an 500 Stellen im Park mittels eines Disc-
Pasture-Meters gemessen und anschließend auf die Fläche interpoliert (TROLLOPE &
POTGIETER 1986: 148, VAN WILGEN et al. 2008: 28). Darüber hinaus kann jeweils
noch eine Anpassung des Intensitäts-Werts mit Hilfe des Angström-Index I
vorgenommen werden. Liegt dieser Wert, der eine stärkere Gewichtung der
meteorologischen Bedingungen am Brandtag ermöglicht, über zwei, wird das
Intensitäts-Level um eine Stufe herabgesetzt. Bei einem Wert unter eins hingegen
liegt er um eine Stufe erhöht. Die Berechnung erfolgt laut VAN WILGEN et al. (2008:
28) wie folgt:

  

= +
 (1)
 

Mit: I = Angström-Index
R = Mittlere relative Luftfeuchte in % am Tag des Feuers
T = Mittlere Lufttemperatur in °C am Tag des Feuers

10
Tab. 2: Intensitätsklassifizierung für Brände im Kruger National Park (verändert
nach VAN WILGEN et al. 2008: 28)

Ein Einschreiten des Managements wird nötig, sobald die durch Feuer einer
bestimmten Intensität verbrannte Fläche festgelegte Werte über- beziehungsweise
unterschreitet. Diese liegen für Feuer sehr hoher Intensität zwischen fünf und 15 %
der jährlichen Brandfläche (VAN WILGEN et al. 2008: 28). Für Feuer hoher Intensität
zwischen 30 und 60 % und für moderate Brände zwischen 30 und 70 % (VAN
WILGEN et al. 2008: 28). Ein Problem beziehungsweise eine
Verbesserungsmöglichkeit dieser Werte besteht darin, dass für jeden Einzelbrand nur
ein Intensitätswert angenommen wird. Oft sind jedoch auch brandinterne
Intensitätsunterschiede vorhanden (SMITH & WOOSTER 2004: 249, VAN WILGEN et
al. 2008: 29).
Als zweiter Parameter soll die Brand-Heterogenität die räumliche Anordnung von
verbrannten und unversehrten Flächen beschreiben. Um die entsprechenden Werte zu
ermitteln, werden die jährlichen Brandkarten des Parks in ein Raster mit einer
Zellgröße von 100 Hektar umgewandelt (VAN WILGEN et al. 2008: 28).
Anschließend werden für jede Zelle die Nachbarschaftsbeziehungen innerhalb eines
25 Pixel umfassenden Fensters berechnet (VAN WILGEN et al. 2008: 28). Ist die
gesamte Nachbarschaft entweder verbrannt oder unverbrannt, wird die Zelle als
homogen ausgewiesen; in allen anderen Fällen als heterogen. Darauf aufbauend ist
der Heterogenitäts-Wert als Verhältnis der heterogenen Zellen zur Gesamtzahl der
Zellen definiert (VAN WILGEN et al. 2008: 28).

11
3 Physikalische Grundlagen von Landschaftsbränden

Obwohl die Prinzipien der Verbrennung durch klare physikalische und chemische
Gesetze beschrieben werden können, handelt es sich bei der Untersuchung von
Landschaftsbränden um keine exakte Wissenschaft. Die betrachteten
Gebietseinheiten sind bei weitem zu komplex, um das Verhalten des Feuers in ihnen
auf grundlegende Naturgesetze zurückzuführen. Dennoch ist es sinnvoll, sich die
physikalischen Grundlagen von Feuern vor Augen zu halten, um ein verbessertes
Verständnis für die Ursachen, das Verhalten und die Auswirkungen von
Landschaftbränden zu erlangen (PYNE et al. 1996: 4).
Landschaftsbrände sind wie alle anderen gewöhnlichen Verbrennungsvorgänge
chemische Reaktionen, bei denen durch Photosynthese entstandenes, organisches
Material wie Zellulose oder Lignin oxidiert wird. Währenddessen werden neben
Energie (in Form von Strahlung, thermischer und kinetischer Energie) auch Gase
(wie Kohlendioxid, Kohlenmonoxid oder Stickstoffoxide) und nicht flüchtige Stoffe
wie Asche, Teer oder Ruß freigesetzt (PYNE 1996: 4f.). Sehr stark vereinfacht
können der Photosynthese- und der Verbrennungsvorgang wie folgt verändert nach
PYNE et al. (1996: 5) in Gleichungen ausgedrückt werden:

6  + 5   +    → "  # + 6  (2)

"  # + 6  → 6  + 5   + $ℎ&.   (3)

Die Asche weißt in Abhängigkeit der Verbrennungsvollständigkeit

unterschiedliche Färbungen auf. Bei einer unvollständigen Reaktion bewirken
Kohlenstoff-Residuen eine Schwarzfärbung (und somit eine Absenkung der
Reflektanz der zuvor vorhandenen Vegetation, wie sie in Abbildung 3 zu sehen ist),
wohingegen bei einer gänzlichen Umsetzung des Kohlenstoffs ausschließlich weiße,
unbrennbare Minerale übrigbleiben. Zwischen diesen beiden Extremen sind auch
Mischformen, das heißt graue Aschen, möglich (LENTILE et al. 2006: 329, SMITH et
al. 2005: 93).

12
Abb. 3: Reflektanz von Boden sowie grüner und trockener Vegetation in
Abhängigkeit der Wellenlänge (verändert nach STÖCKLI o.J.: o.S.)

Je nachdem auf welcher Skale man die Landschaftsbrände untersucht, machen

sich die Anteile schwarzer und weißer Asche unterschiedlich stark bemerkbar. Im
Allgemeinen ist bei einer räumlichen Auflösung von mehr als fünf Metern die
schwarze Komponente dominant LENTILE et al. 2006: 321). Erst bei sehr
hochauflösenden Daten kann die Verteilung weißer beziehungsweise grauer Asche
lokale Reflektanz-Erhöhungen bewirken (LENTILE et al. 2006: 321).
In Abhängigkeit der Menge und der Beschaffenheit (insbesondere der
Feuchtigkeit) des zur Verfügung stehenden Brennmaterials sowie der Art der
Brandinitiierung lassen sich unterschiedliche Brandtypen ausmachen. Auf diese soll
nach der Erläuterung der einschlägigen Terminologie näher eingegangen werden
(TROLLOPE et al. 2008a: 2).

3.1 Terminologie zur Quantifizierung von Bränden

Um Brände und ihre Folgen genauer beschreiben und quantifizieren zu können,

existieren verschiedene Begriffe, deren Verwendung in der Literatur jedoch sehr
inkonsequent ist (KEELEY 2009: 116, LENTILE et al. 321). Trotzdem lassen sich nach
LENTILE et al. (2006: 321) folgende wesentliche Quantoren unterscheiden: Fire
13
Intesity, Fire Severity, Burn Severity, Fire Radiative Power sowie Fire Radiative
Energy.
Die Fire Intensity beschreibt nach KEELEY (2009: 117) den physikalischen
Verbrennungsprozess, bei dem Energie aus einer bestimmten Menge organischer
Substanz (das heißt je Raumeinheit) freigesetzt wird, multipliziert mit der
Geschwindigkeit, mit der sich das Feuer ausbreitet. Dies resultiert in der Einheit
W/m² (KEELEY 2009: 117) Die Faktoren werden insbesondere durch den
Vegetationstyp (respektive der Biomasse je Flächeneinheit), die Feuchtigkeit,
Windverhältnisse und die Topographie beeinflusst und sind nicht über alle Phasen
der Verbrennung hinweg konstant (KEELEY 2009: 117f., LENTILE et al. 2006: 322).
Durch die Fire Severity wird im Allgemeinen quantifiziert, wie stark ein
Ökosystem durch einen Brand verändert wurde, da die Fire Intensity dies oftmals
nicht adäquat ausdrückt (KEELEY 2009: 118, LENTILE et al. 2006: 321). Somit wird
sie häufig in enger Anlehnung an die Fire Intensity verwendet; jedoch spielt bei
dieser die Dauer des Brandes keine Rolle (LENTILE et al. 2006: 321). Meist bezieht
sich die Fire Severity auf den Zustand direkt nach dem Brand (LENTILE et al. 2006:
321). Die Eigenschaften, die zur Bestimmung der Fire Severity ermittelt werden,
umfassen z. B. die Menge des verbrannten Materials sowohl über als auch unter der
Oberfläche, den Verbrennungsgrad von Bäumen (charakterisiert zum Beispiel durch
den Durchmesser der dünnsten verbliebenen Äste), die Änderung der Feuchtigkeit
des Brandmaterials oder auch die Verbrennungstiefe des Bodens (KEELEY 2009: 118,
LENTILE et al. 2006: 321, ROY et al. 2006: 112). Ein operationell angewandter Index,
der sich direkt aus dem Einfluss der freigesetzten Hitze und damit der Fire Intensity
ableitet, wurde von RYAN & NOSTE (1985: 230) entwickelt. Dieser lässt sich
vereinfacht gemäß Tabelle 3 darstellen.
Weiterhin ist die Burn Severity zu erwähnen (KEELEY 2009: 119f., LENTILE et al.
2006: 322). Sie beschreibt im Allgemeinen die Zeit die benötigt wird, um nach einem
Feuer wieder zum Ausgangszustand zurückzukehren. Jedoch ist die genaue
Verwendung sehr stark von der jeweiligen Anwendung abhängig, je nachdem auf
was der Fokus der Untersuchung gerichtet ist (z. B. der Boden, der gesamte
Pflanzenbestand oder nur eine bestimmte Pflanzenart) (Keeley 2009: 120, LENTILE et
al. 2006: 322, NWCG 2006: o.S.).

14
Tab. 3: Vereinfachte Darstellung des von RYAN & NOSTE (1985) aufgestellten Index,
welcher die überirdischen Veränderungen der Vegetation und des organischen
Bodenmaterials mit der Fire Severity in Verbindung setzt (verändert nach KEELEY
2009: 119)

Die Fire Radiative Power (FRP) und die Fire Radiative Energy (FRE) dienen
nicht zur Charakterisierung des Feuers an sich, sondern sie beschreiben lediglich die
durch die Verbrennung abgegebene Strahlungsenergie (LENTILE et al. 2006: 326).
Hierbei bezeichnet die FRP die jeweils aktuell abgegebene Strahlungsenergie und die
FRE das Integral der FRP über die Zeit (d. h. die von einem Feuer insgesamt durch
Strahlung abgegebene Energie). Der Annahme folgend, dass die gesamte vom Feuer
freigesetzte Energie (FRE) proportional zum verbrannten Materials ist, lassen sich
Rückschlüsse auf die Menge der vom Feuer konsumierten Biomasse ziehen (LENTILE
et al. 2006: 326).

3.2 Brandsysteme / Brandinitiierung

Eine entscheidende Einflussgröße für den Verlauf eines Brandes stellt die Art
seines Ursprungs, das heißt seiner Initiierung dar. Diese werden durch sogenannte
Brandsysteme beschrieben. Nach TROLLOPE & TROLLOPE (2004: o.S.) wird hierbei
für die Gras- und Savannenlandschaften Afrikas im Allgemeinen bzw. den Kruger

15
National Park im Speziellen zwischen dem Lightning Burning System, dem Patch
Mosaic Burning System und dem Range Condition Burning System unterschieden.
Einzig das Lightning Burning System umfasst durch natürliche Ursachen
entstehende Brände. Diese werden durch Blitzeinschläge eingeleitet und stellen einen
festen Bestandteil des im Park bestehenden Ökosystems dar (SA 2008: o.S.,
TROLLOPE & TROLLOPE 2004: o.S., TROLLOPE et al. 2008a: 1). Vor allem zu Beginn
der Trockenzeit fällt dabei die leichtentzündliche -während der Regenperiode
angehäufte- Biomasse den Flammen zum Opfer. Die räumliche Verteilung der
natürlich entstehenden Brände ist dabei weitestgehend zufällig, so dass jedes
Landstück im Mittel etwa alle fünf bis zehn Jahre durch natürliche Ursachen in
Brand gesteckt wird (GOVENDER et al. 2006: 748, TROLLOPE & TROLLOPE 2004:
o.S., TROLLOPE et al. 2008a: 1).
Das Patch Mosaic Burning System (Landstück-Mosaik-Brand-System) umfasst
die Brandinitiierung auf gezielt ausgewählten Flächen (sogenannte Fire Management
Units (FMUs)) in Abhängigkeit von der seit dem letzten Brand vergangenen Zeit
beziehungsweise der angehäuften Biomasse, wobei die Ausbreitung durch
Feuerbarrieren unter Kontrolle gehalten wird (TROLLOPE & TROLLOPE 2004: o.S.,
WOODS et al. 2002: 4). Dadurch entsteht eine differenzierte Landschaft aus
verbrannten und unversehrten Flächen. Hierbei treten -wie auch beim Lightning
Burning System- alle der unter Abschnitt 3.3 erwähnten Brandtypen auf (NOAA
2008: o.S., TROLLOPE & TROLLOPE 2004: o.S.). Weiterhin werden solche Feuer
hauptsächlich in der Trockenzeit eingeleitet; jedoch nur dann, wenn die Bedingungen
für ein kontrollierbares Abbrennen gut sind, das heißt wenn entsprechende Fire
Danger Indices (Feuergefahrenindizes) (FDI) hinreichend niedrige Werte liefern
(SANP 2007: o.S., WOODS et al. 2002: 4). Steigen die FDI-Werte und die
Bedingungen werden demgemäß gefährlicher (durch sinkende Feuchtigkeit, höhere
Temperaturen etc.), werden keine weiteren Brände initiiert (BROCKETT et al. 2001:
169, NOAA 2008: o.S., SANP 2007: o.S).
Ein weiteres von Menschen eingeleitetes Brandsystem ist das Range Condition
Burning System (TROLLOPE & TROLLOPE 2004: o.S.). Dieses wird dazu verwendet,
aus dem Gleichgewicht geratene Ökosysteme zu reaktivieren bzw. von
unerwünschten Pflanzen zu befreien und somit ein ausgewogenes Verhältnis
zwischen Kraut-, Gras- und Baumbeständen zu erzielen. Darüber hinaus soll
hierdurch auch die Überbeanspruchung der Vegetation auf kleinen Flächen durch

16
Verlagerung der Wildbestände verhindert werden (TROLLOPE & TROLLOPE 2004:
o.S.).
Um diese Brandsysteme umzusetzen stehen dem Kruger Park Management zwei
Arten der Brandinitiierung zur Verfügung. Zum einen veranlasst man
Punktentzündungen, bei dem durch die Ranger nur an einer Stelle ein Feuer gelegt
wird. Diese Methode hat den Vorteil, dass sie der Biodiversität im zu behandelnden
Areal Rechnung trägt. Die andere Vorgehensweise sind die sogenannten
Perimeterentzündungen, bei denen entlang des Randes der zu bearbeitenden Fläche
Brände initiiert werden. Diese haben gegenüber den Punktentzündungen den Vorteil,
dass sie sich insbesondere in der Trockenzeit deutlich leichter unter Kontrolle halten
lassen. Allerdings haben sie auf die entsprechenden Habitate einen
homogenisierenderen Einfluss (TROLLOPE et al. 2008b: 4).
Darüber hinaus stehen dem Management auch die Möglichkeiten der völligen
Brandvermeidung sowie das Laissez-faire (ohne jegliche Maßnahmen für oder gegen
Feuer) zur Verfügung. Da aber in den letzten Jahren das Ausmaß unerwünschter
Brände, die durch unachtsame Parkbesucher, Wilddiebe oder ähnliches verursacht
werden, immer mehr zugenommen hat, ist ein aktives Einschreiten der Ranger in den
meisten Fällen von Nöten (VAN WILGEN 2008: 22, WOODS et al. 2002: 2f.).

3.3 Brandtypen

Generell können nach NOAA (2008: o.S.) vier verschiedene Feuerarten definiert
werden (Abb. 4). Diese unterscheiden sich in erster Linie dadurch, wo sie sich im
Vegetationsbestand ausbreiten. Dementsprechend erfolgt auch ihre Unterteilung in
Bodenfeuer, Oberflächenfeuer, Kronenfeuer und -als Ausnahme- punktuelle Feuer
(NOAA 2008: o.S.).

17
Abb. 4: Feuerarten (verändert nach NOAA 2008: o.S.)

Bodenfeuer umfassen Brände der obersten Bodenschichten. Betroffen sind davon

im Wesentlichen die organischen Bestandteile wie Streu, Mull, Wurzeln oder auch
möglicherweise vorhandene Torfschichten. Bodenfeuer können Temperaturen bis zu
1000 °C erreichen und treten häufig als sehr langsame Schwelbrände auf (AFP 2008:
o.S.) Die dabei freigesetzte Energie pro Zeiteinheit ist somit die niedrigste aller
Brandtypen. Ihre Häufigkeit ist im Vergleich zu den anderen Brandtypen
verhältnismäßig selten. Jedoch sind sie zum einen (außer mit thermalen Sensoren)
schwierig zu detektieren und zum anderen -wenn einmal entfacht- nur noch sehr
schwer unter Kontrolle zu bringen (KENNARD 2008: o.S., NOAA 2008: o.S.).
Oberflächenfeuer umfassen Brände in niedrigen Gras- und Buschbeständen.
Darüber hinaus können sie auch kleinere sowie abgestorbene Baumreste erfassen. Sie
erreichen lediglich Temperaturen bis etwa 260 °C, breiten sich im Vergleich zu den
Bodenfeuern jedoch sehr schnell aus (FRANKLIN et al. 1997: 613). Offenes Grasland
fällt den Flammen dabei oftmals vollständig zum Opfer, wobei die Wurzeln aber
häufig unversehrt bleiben. Aus diesen können dann neue Triebe sprießen, die zu
einer sukzessiven Wiederbelebung des jeweiligen Ökosystems beitragen können.
Bäume und Büsche hingegen werden von Oberflächenfeuern selten vollständig
vernichtet. Jedoch können auch bei diesen durch veränderte Konkurrenzbedingungen
sowie die Verfügbarmachung der verkohlten, nährstoffreichen Überreste der
Vorgängergeneration positive Bedingungen für neu wachsende Keime und Triebe
geschaffen. Inwiefern Oberflächenfeuer unter Kontrolle zu bringen sind, hängt sehr
stark davon ab, welche Windbedingungen herrschen, wie viel Brennmaterial zur
Verfügung steht und wie feucht dieses ist (KENNARD 2008: o.S., NOAA 2008: o.S.,
SANP 2007: o.S.).
Kronenfeuer zeichnen sich durch Brände hoher Büsche bzw. Baumkronen aus.
Die von ihnen freigesetzte Energie übersteigt die der Oberflächenfeuer bei weitem.

18
Sie breiten sich in starker Abhängigkeit vom Wind meist sehr schnell aus und
erreichen dabei Temperaturen, die 1000 °C übersteigen können. Auch sie sind sehr
stark vom Wind abhängig, der extrem hohe Ausbreitungsgeschwindigkeiten
begünstigen kann. Darüber hinaus lässt sich das Feuer noch in Abhängigkeit der
Windrichtung differenzieren. Besonders hohe Temperaturen werden dabei vor allem
auf der windzugewandten Seite des Feuers (dem sogenannten Head Fire erreicht),
auf der windabgewandten Seite hingegen (dem Back Fire) sind die freigesetzten
Energien deutlich geringer (BROCKETT & BUNTING 2008: 21). Kronenfeuer können
schnell große Brandschneisen in Bestände schlagen und sind meist nur äußerst
schwer unter Kontrolle zu bringen (BUTLER et al. 2004: 1577, KENNARD 2008: o.S.,
NOAA 2008: o.S.).
Eine Sonderstellung nehmen die punktuellen Feuer ein, die keine Brände in einem
bestimmen Teil des Pflanzenbestandes bezeichnen, sondern die Gesamtheit von
Brandtypen (meist jedoch Kronen- und Oberflächenfeuer), die punktuell auch in
größerer Entfernung vom ursprünglichen Brandherd entstehen können. Ihre Ursache
haben sie im Funkenflug (insbesondere aus Kronenfeuern), so dass sie in ganz
besonderer Weise vom Wind abhängig sind. Aber auch die Topographie kann bei
ihrer Ausbreitung eine wichtige Rolle spielen. Auf Grund ihres großräumigen, sehr
schnellen und nahezu unvorhersehbaren Auftretens lassen sie sich fast nicht
kontrollieren (NOAA 2008: o.S., TROLLOPE et al. 2008a: 2).
Die einzelnen Brandtypen treten jedoch im seltensten Fall in ihren reinsten
Formen auf. Häufig liegen Misch- bzw. Übergangstypen vor, bei denen sich
beispielsweise Oberflächenfeuer auf die Baumkronen ausweiten. Auch hängen die
genauen Eigenschaften der Brände von den spezifischen Eigenschaften im Herd ab.
Haupteinflussgrößen sind z. B. das verfügbare Brennmaterial, dessen Wassergehalt
(der entscheidend für den Grad der Rauchentwicklung ist), die Sauerstoffzufuhr
sowie die Art der Entzündung (MNR 2008: o.S., TROLLOPE et al. 2008a: 2).

19
4 Stand der Forschung

In der vorwiegenden Arbeit wurde die Ausweisung von Brandflächen im Kruger

National Park mit den Mitteln der Fernerkundung durchgeführt. Deren Grundlagen
sowie ein Überblick über die bisherigen Bemühungen, Brandnarben mit
fernerkundlichen Methoden in Savannengebieten auszuweisen, sind Inhalt des
folgenden Kapitels.

4.1 Fernerkundungsgrundlagen

Bei der Fernerkundung handelt es sich um ein indirektes, berührungsfreies

Messverfahren, bei dem Eigenschaften der Erdoberfläche in der Regel von luft- oder
raumfahrzeuggetragenen Sensoren erfasst werden. Diese nehmen elektromagnetische
Strahlung unterschiedlicher Wellenlängen auf, die von den betrachteten Objekten
emittiert oder reflektiert wurde. Im Fall multispektraler Sensoren werden die
empfangenen Strahlungswerte in mehreren spektralen Kanälen gespeichert (Abb. 5).
Die Sensitivität dieser Kanäle für elektromagnetische Strahlung unterschiedlicher
Wellenlängen ist entscheidend für die spektrale Auflösung. Die Speicherung der
aufgenommenen Daten geschieht durch eine Codierung in Bit. Bei einem Datensatz,
bei dem der Wert eines Bildpunktes in einem spektralen Kanal beispielsweise durch
8 Bit repräsentiert wird (dies ist die sogenannte radiometrische Auflösung), kann
dieses Pixel Grauwerte von 0 bis 255 annehmen (ALBERTZ 2001: 96). Ein solcher
Pixel stellt die kleinste räumliche Einheit eines Luft- oder Satellitenbildes dar und ist
somit maßgebend für die räumliche Auflösung des Datensatzes. Darüber hinaus ist,
vor allem für die Ableitung von Veränderungen auf der Erdoberfläche, die temporale
Auflösung entscheidend, die angibt, in welchem zeitlichen Abständen ein
satellitengestützter Sensor Aufnahmen von ein und der selben Erdregion machen
kann (ALBERTZ 2001: 1, SCHOWENGERDT 2007: 76-78, 82f.).

20
Abb. 5: Elektromagnetisches Spektrum und seine Repräsentation in den spektralen
Kanälen eines Satelliten-Sensors (CTAHR 2009: o.S.)

Wie bereits in Abbildung 3 zu sehen war, besitzen spezifische Oberflächen

jeweils charakteristische spektrale Eigenschaften, die zu deren Unterscheidung
verwendet werden können. Zur Veranschaulichung können die Grauwerte der
unterschiedlichen Kanäle an den Achsen eines Koordinatensystems abgetragen
werden. Ein sogenannter Eigenschaftsraum ist in Abbildung 6 dargestellt. Jedoch
sind in solchen Diagrammen Überschneidungen der Punktwolken verschiedener
Oberflächen eher die Regel, als die Ausnahme, weshalb eine Klassifikation (wie sie
auch in der vorliegenden Arbeit durchgeführt werden soll) nicht immer trivial ist
(ALBERTZ 2001: 18, 162-163).

21
Abb. 6: Spektrale Eigenschaften von Wasser, Boden und Vegetation und deren
Repräsentation durch Reflektanzwerte bei den Wellenlängen (Kanälen) λ1, λ2 und λ3
(oben) sowie deren Übertragung in einen dreidimensionalen Eigenschaftsraum
(unten) (ALBERTZ 2001: 162)

4.2 Fernerkundungsbasierte Ansätze zur Brandflächenausweisung

In der Vergangenheit wurden verschiedene Bemühungen unternommen,

Brandflächen im Allgemeinen, beziehungsweise im Speziellen bezogen auf die
Savannengebiete des Kruger National Parks auszuweisen. Neben dem globalen
MODIS-Brandflächenprodukt (MCD45A1), welches in Abschnitt 5.3.2 noch genauer

22
beschrieben wird, basieren auch zahlreiche andere Ansätze auf der Detektion
spektraler Veränderungen, die durch das Feuer verursacht werden (LENTILE et al.
2006: 327). Diese sollen im Folgenden ausführlicher geschildert werden.
Eine Anwendung die ebenfalls auf der Analyse von MODIS-Daten basiert, stellt
die Arbeit von CHONGO et al. (2007) dar. Es kamen zwei unterschiedliche Methoden
zum Einsatz, bei denen eine 32-tägige MODIS-Komposite mit 500 Metern
räumlicher Auflösung verwendet wurde (CHONGO et al. 2007: 80f.). Das erste
Verfahren umfasst eine überwachte Klassifikation des ersten, zweiten, vierten und
sechsten MODIS-Kanal (Tab. 6) unter Zuhilfenahme von Brandflächen, die durch
den Scientific Service des Kruger National Parks bereits als solche ausgewiesen
wurden (diese wurden als Trainings-Gebiete verwendet) (CHONGO et al. 2007: 81).
Im Rahmen der zweiten Methode wurden die Normalized Difference Vegetation
Index-(NDVI)-Mittelwerte und –Minima der bekannten Brandflächen zur
Ausweisung der noch nicht bekannten verwendet. Eine ausführlichere Beschreibung
des NDVI erfolgt in Abschnitt 6.2.1.
Ein anderer Ansatz der von WOODS et al. (2002) im Kruger Park verfolgt wurde,
geht über die reine Detektion von Brandflächen (deren Operationalisierung mit 500-
Meter-MODIS-Daten in dieser Arbeit vorgeschlagen wurde) hinaus. Sie untersuchten
ebenfalls mit MODIS-Daten (mit einer räumlichen Auflösung von 250 Metern)
bereits bekannte Brandnarben hinsichtlich der Vollständigkeit ihrer Verbrennung
(Combustion Completeness (CC)) bzw. ihrer Fire Severity (WOODS et al. 2002: 7).
Darüber hinaus wurde unter anderem im SAFARI-(Southern African Fire-
Atmosphere Research Initiative)-Projekt der Versuch unternommen, das MODIS-
Brandflächenprodukt mittels in-situ-Daten über das nach dem Feuer noch
vorhandene brennbare Material und dessen Zusammensetzung zu validieren (WOODS
et al. 2002: 7). Einen ähnlichen Validierungsansatz verfolgten auch ROY et al. (2005)
im Rahmen des SAFNet (Southern Africa Fire Network), die als Grundlage 44 höher
aufgelöste Landsat-Enhanced-Thematic-Mapper+-(ETM+)-Szenen verwendeten.
Acht dieser Szenen befanden sich im Bereich des Kruger National Parks (ROY et al.
2005: 4275). Hierbei wurde ein Ansatz visueller Interpretation gewählt. Dieser
basierte auf der Auswertung multitemporaler Daten, bei dem jeweils die zwischen
zwei Landsat-Aufnahmezeitpunkten entstandenen Brandnarben detektiert werden
sollten. Wolkenschatten wurden unter Zuhilfenahme des thermalen Kanals

23
ausgeschlossen. Weiterhin kam zur Unterstützung der visuellen Interpretation
folgender Index zum Einsatz (ROY et al. 2005: 4277):

* *

() = *+,-,. / 1*+,-,. 0 (4)
+,-,. / +,-,. 0

Mit: TM-Kanal 5 = 5. Kanal des Landsat-5 Thematic Mapper (≡ ETM-Kanal 5

gemäß Tab. 4)
TM-Kanal 7 = 7. Kanal des Landsat-5 Thematic Mapper (≡ ETM-Kanal 7
gemäß Tab. 4)

Pixel, die in den Landsat-Daten nicht ausgewertet werden konnten (z. B. durch
Wolkenbedeckung), wurden als unverbrannt ausgewiesen und gingen somit als
mögliche Fehlerquelle in die Validierung der MODIS-Daten ein. Insgesamt deutet
der in dieser Studie durchgeführte Vergleich auf eine gute Übereinstimmung
zwischen MODIS- und Landsat-Daten hin, wobei insbesondere bei kleinen Bränden
größere Abweichungen auftreten (ROY et al. 2005: 4287).
Über MODIS hinaus wurden auch mit verschiedensten anderen Sensoren
Brandflächenanalysen durchgeführt. Insbesondere das Advanced Very High
Resolution Radiometer (AVHRR) ist dabei auf Grund der Verfügbarkeit langjähriger
Zeitreihen interessant. Beispielsweise versuchten BARBOSA et al. (1998, 1999a) aus
AVHRR-Global-Area-Coverage-(GAC)-Daten Brandflächen sowie die Menge der
darauf verbrannten Biomasse für ganz Afrika abzuleiten. Dies ergab bei einer
Validierung mit Landsat-Daten eine Gesamtgenauigkeit (Overall Accuracy) von 71
% (BARBOSA et al. 1999a: 261).
Andere Sensoren, die in der Brandnarbenkartierung und -analyse Südafrikas
sowie des Kruger Parks verwendet wurden, sind allen voran SPOT-Végétation (z. B.
in SILVA et al. 2003) und der Landsat-Thematic-Mapper-(TM) bzw. –ETM+.
Letztere wurden unter anderem von HUDAK & BROCKETT (2004) oder auch
LANDMANN (2003a) verwendet. Diese Studien sollen im Folgenden näher erläutert
werden.
Im Ansatz von HUDKA & BROCKETT (2004) wurden 36 Landsat-Szenen von 1972
bis 2002 verwendet, wobei jeweils alle Reflektanz-Kanäle genommen und eine nicht
standardisierte Hauptkomponententransformation (Principal Components

24
Transformation (PCT)) mit einer anschließenden überwachten Klassifikation
durchgeführt wurde (HUDKA & BROCKETT 2004: 3234).
Durch eine standardisierte PCT (bei der eine Normalisierung der Daten
stattfindet) wurden zwar mehr Brandflächen korrekt detektiert (geringer Error of
Omission), darüber hinaus aber auch fälschlicherweise viele unverbrannte Bereiche
als verbrannt klassifiziert (großer Error of Commission). Da es bei dieser
Brandnarbenkartierung jedoch darauf ankam, den Error of Commission möglichst
gering zu halten, fiel die Wahl auf die Anwendung einer nicht standardisierten PCT
(HUDKA & BROKETT 2004: 3234).
Weiterhin wurde auch eine Tasseled Cap Transformation (TC) nach KAUTH &
THOMAS (1976), bei der es sich um einen Sonderfall der PCT mit fest vordefinierten,
datenunabhängigen Achsenrotationen handelt, getestet. Deren Klassifikation
erreichte jedoch nicht die Genauigkeit des PCT-basierten Ansatzes (HUDKA &
BROCKETT 2004: 3235).
Im Rahmen der überwachten Klassifikation wurde ein Parallelepiped Classifier
(Spat-Klassifikator) verwendet. Bei diesem kann der Anwender eine maximale
Abweichung (in Form von Vielfachen der Standardabweichung) der spektralen
Eigenschaften vom Mittelwert der Trainings-Daten in jedem Kanal definieren. Für
eine entsprechende Klassifikation dürfen diese dann nicht überschritten werden. In
einigen Fällen mussten auf Grund hoher Variabilität der spektralen Eigenschaften
(z.B. auf Grund verschiedener Bodenarten der Brandflächen) mehrere Klassen
erstellt werden. Das kann beim Parallelepiped Classifier zu ununterscheidbaren
Klassenüberlappungen führen (je größer die Korrelation zwischen den betreffenden
Klassen, desto signifikanter die Überlappungen (Abb. 7)) (HUDKA & BROKETT 2004:
3235, RICHARDS & JIA 2006: 205). Dies stellte in diesem Fall jedoch kein Problem
dar, da im Anschluss alle ausgewiesenen Brandflächen wieder in einer Klasse vereint
wurden (HUDKA & BROKETT 2004: 3235).
Als kritischer Punkt der Arbeit (der in Abschnitt 8 noch ausführlicher diskutiert
wird) kann jedoch die Auswahl der Trainingsgebiete sowie die Bestimmung der
Vielfachen der Standardabweichung für die Klassifikation angesehen werden. Die
Genauigkeitsanalyse erfolgte durch einen visuellen Vergleich der Klassifikation mit
verschiedenen Farbkompositen aus spektralen bzw. PCT-Kanälen. Hierbei wurden
die Trainingsgebiete so gewählt, dass eine möglichst gute Übereinstimmung
zwischen klassifizierten und visuell detektierten Brandflächen erzielt wurde. In

25
gleicher Weise kam es auch zur Festlegung der Werte des Vielfachen der
Standardabweichungen. In diesem Zusammenhang konnte festgestellt werden, dass
zur Detektion großer Brandflächen höhere Vielfache der Standardabweichung nötig
waren, da diese sich über einen großen Teil des gesamten spektralen Bereichs
erstrecken. Dies hat auch zur Folge, dass sie häufig in der zweiten und dritten
Hauptkomponente deutlich zutage treten (HUDKA & BROKETT 2004: 3235).

Abb. 7: Spat-Klassifikatoren im 2-dimensionalen Eigenschaftsraum mit Überlappung

(verändert nach RICHARDS & JIA 2006: 205)

Im Rahmen des Ansatzes von LANDMANN (2003a) wurden drei gut bekannte
Experimental Burn Plots (EBPs) innerhalb eines 3x3-Pixel-Bereichs in zwei
wolkenfreien und atmosphärenkorrigierte Landsat-ETM+-Aufnahmen (12.6. und
15.8. 2000) untersucht (LANDMANN 2003a: 357). Diese waren (wie aus
Feldmessungen bekannt) hinsichtlich Physiognomie, Vegetationsstruktur und
Morphologie homogen. Die darauf befindliche brennbare Biomasse wurde mittels
einer Tasselled-Cap-Analyse aus der Landsat-Reflektanz abgeleitet. Anschließend
wurden auf allen EBPs am 14.8.2000 unter gleichen mikrometeorologischen
Bedingungen experimentelle Feuer gezündet (LANDMANN 2003a: 357). Nachdem
alle Feuer erloschen waren, wurden von den Brandflächen Proben weißer und
schwarzer Asche sowie Rückstände photosynthetisch inaktiver Biomasse (Zweige,
Rinde etc.) gesammelt und im Labor mit einem Analytical Spectral Device (ASD)-
Radiometer auf ihre spektralen Eigenschaften hin untersucht (LANDMANN 2003a:
357). Mit Hilfe dieser Informationen konnte eine spektrale Entmischung mittels

26
folgenden Endmembern (reine Bestandteile des spektralen Mischsignals)
durchgeführt werden: schwarze und graue Asche (aus einer Interpolation zwischen
schwarzer und weißer Asche), photosynthetisch inaktive und aktive Biomasse (direkt
aus den Landsat-Daten extrahiert) (LANDMANN 2003a: 357).
Durch die Auswertung konnte eine schwache Korrelation (R² = 0,49) zwischen
der vor dem Feuer vorhandenen Biomasse (die aus den Landsat-Daten abgeleitet
wurde) und der Menge der grauen Asche nach dem Feuer festgestellt werden
(LANDMANN 2003a: 357). Weiterhin wurden Korrelationen zwischen der Menge der
grauen Asche und der ebenfalls aus den Landsat-Daten abgeleiteten
Verbrennungsvollständigkeit (Combustion Completeness (CC)) (R² = 0,46) und der
Menge der aus der spektralen Entmischung abgeleiteten photosynthetisch inaktiven
Biomasse und der CC (R² = 0,73) gefunden (LANDMANN 2003a: 357).
Abschließend stehen neben den bisher beschriebenen Methoden auch noch eine
Vielzahl von sensorunabhängigen Methoden wie Ratios (beziehungsweise spezielle
Indices) (Abschnitt 6.1.2.1) zur Verfügung. Bei diesen findet eine Subtraktion
beziehungsweise Division zweier oder mehr Kanäle durch einander statt (SHORT
2009: o.S.). Als Beispiele sollen an dieser Stelle nur einige genannt werden, da eine
umfassende Beschreibung den Rahmen dieser Arbeit sprengen würde:
In den afrikanischen Savannen kamen sowohl simple Ratios aus den Kanälen des
blauen, grünen sowie roten Spektralbereich des entsprechenden Sensors, als auch
speziell auf Post-Feuer-Effekte zugeschnittene Quantoren wie zum Beispiel der
Normalized Burn Ratio (NBR) zum Einsatz (SMITH et al. 2005: 92).
Nach ROY et al. (2006: 113) berechnet sich der NBR wie folgt:

56 *6
234 = (5)
561*6

Mit: NIR = Nahinfraroter Wellenlängenbereich eines entsprechenden Sensors

MIR = Mittelinfraroter Bereich eines entsprechenden Sensors

Der NBR wurde ursprünglich zur bloßen Detektion verbrannter Flächen

entwickelt, wird heute aber meist zur Untersuchung der Wiederbesiedlung der
Brandnarben durch Pionierpflanzen verwendet (BARBOSA et al. 1999a: 253, LENTILE
et al. 2006: 329, ROY et al. 2006: 13).

27
 Weitere im Zusammenhang mit der Brandflächendetektion und –analyse
verwendete Indices sind der GEMI (Global Vegetation Monitoring Index), der VI3,
der MSAVI (Modified Soil Adjusted Vegetation Index) und der MIRBI (Mid-Infrared
Bispectral Index) bzw. Modifikationen dieser (BARBOSA et al. 1999a: 253, CHONGO
et al. 2007: 80, GILABERT et al. 2002: 304, QI et al. 1994: 121, LENTILE et al. 2006:
329). Hierbei ist insbesondere der VI3T hervorzuheben, der unter anderem in den
Savannengebieten des Kruger Parks mittels des Advanced Very High Resolution
Radiometer (AVHRR) an Bord der National-Oceanic-and-Atmospheric-
Administration-(NOAA)-Satelliten getestet wurde. Dieser berechnet sich laut
BARBOSA et al. (1999b: 935) wie folgt:

:; <= >
7
39 = :; 1<=   (6)
>

Mit: ρ2 = Reflektanz des 2. Kanal des AVHRR (zentrale Wellenlänge = 0,862

µm) (EO 2009: o.S.)
BT3 = Brightness Temperature (BT) des 3. AVHRR-Kanals (zentrale
Wellenlänge = 1,61 µm) (Temperatur die ein Schwarzkörper haben
müsste, um Strahlung der beobachteten Intensität in der entsprechenden
Wellenlänge zu emittieren) (BARRETT & CURTIS 1999: 33, EO 2009:
o.S.)

28
5 Datengrundlage

Im Rahmen der vorliegenden Arbeit wurde eine Analyse von multispektralen

Satellitendaten unterschiedlicher räumlicher Auflösung zur Brandflächendetektion
durchgeführt. Das Untersuchungsgebiet ist der Kruger National Park in Südafrika
(Abschnitt 2). Der Untersuchungszeitraum sind die Jahre 2000/01, wobei der
Großteil der Daten in den trockenen Wintermonaten des Jahres 2000 erhoben wurde.
Im Einzelnen standen folgende Daten zur Verfügung: kostenlos beim United
States Geological Survey (USGS) herunterzuladende Landsat-7-Enhanced-Thematic-
Mapper+(ETM+)-Szenen (Anhang 9), Reflektanz- (Anhang 10) und Brandflächen-
Produkte (Anhang 11) des Moderate Resolution Imaging Spectroradiometer
(MODIS), Systeme-Pour-l'Observation-de-la-Terre-(SPOT)-2-, und -4-Aufnahmen
(Anhang 12), die vom Satellite Application Center (SAC) des Council for Scientific
and Industrial Research (CSIR) bereitgestellt wurden sowie Global-Land-Products-
for-Carbon-Model-Assimilation-(GLOBCARBON)-Daten (Anhang 13), die von
Geosuccess kostenlos heruntergeladen werden konnten (EO 2009: o.S, GEOSUCCESS
2005: o.S.).
Darüber hinaus standen noch einige zusätzliche Daten zur Verfügung, die als
Referenz beziehungsweise zur Ergebnisvalidierung verwendet werden konnten.
Diese umfassen ein digitales Geländemodell (DGM) des Kruger National Parks mit
einer räumlichen Auflösung von zwanzig Metern, welches ebenfalls vom SAC
bereitgestellt wurde, ein SPOT-5-Mosaik des Kruger Park basierend auf dem
panchromatischen HRVIR-Kanal mit einer räumlichen Auflösung von fünf Metern
(Tab. 5), das ursprünglich im Rahmen eines Projekts am SAC verwendet wurden,
verschiedene Shape-Dateien, beispielsweise mit Informationen über Grenzen oder
kartierte Feuer im Zeitraum von 1992 bis 2001 des Kruger Parks, die von South
African National Parks (SANP) zur Verfügung gestellt wurden. Außerdem kamen
MODIS-Airborne-Simulator-(MAS)-Daten zum Einsatz, die während einer
Flugkampagne des SAFARI2000-Projekts für das südliche Afrika erhoben wurden
(eine ausführliche Beschreibung der verwendeten Tracks ist Anhang 14 zu
entnehmen) (KING & PLATNICK 2006: o.S., ORNL 2009: o.S). Diese sind ebenfalls
kostenfrei auf der entsprechenden Projekt-Homepage bestellbar (ORNL 2009: o.S.).
Jegliche SPOT-Daten lagen in Universal-Transverse-Mercator-(UTM)-Projektion
(Zone 36 K) mit North American Datum 1983 (NAD83) vor, die MODIS-Daten
29
befanden sich in Sinusoidal-Projektion und die MAS-Flugstreifen hatten keinerlei
räumlichen Bezug (ERICKSEN & HAMMETT 1994: 1, KING & PLATNICK 2006: o.S.).
Alle weiteren Daten lagen in UTM-Projektion (Zone 36 Süd) vor und bezogen sich
auf das World Geodetic System 1984 (WGS84). Im Folgenden sollen die
verwendeten Daten näher erläutert werden.

5.1 Landsat

Der Enhenced Thematic Mapper+ des im April 1999 von der National
Aeronautics and Space Admistration (NASA) gestarteten Landsat-7 liefert
Informationen aus einem panchromatischen sowie sieben spektralen Kanälen in
Szenen mit einer Ausdehnung von 183 mal 170 Kilometer (HEMPHILL 2001:o.S.;
JENSEN 2000:197). Die Eigenschaften der sechs spektralen 8-bit-Kanäle (sowie des
thermalen und panchromatischen) sind in Tabelle 4 wiedergegeben. Weil alle
Landsat-Satelliten einen sonnensynchronen Orbit innehaben, entstehen
Einstrahlungsunterschiede ausschließlich durch jahreszeitliche Unterschiede
(HEMPHILL 2001:o.S.).

Tab. 4: Landsat-7-ETM+-Kanäle (NASA 2008: o.S.)

Verwendet wurden L1T-Daten, die zunächst im Geo-Tagged-Image-File-

Format (GeoTIFF) vorlagen. Diese sind bereits in Universal Transverse Mercator
(UTM) basierend auf dem World Geodetic System 1984 (WGS84) projizierte.

30
Zusätzlich enthielten die verwendeten Szenen bis zu einer Wolkenbedeckung von
vierzig Prozent Ground Control Points (GCPs), mittels derer sie von
geländebedingten Verzerrungen befreit wurden (NASA 2008: o.S). Diese GCPs
wurden vom USGS mittels des Level 1 Product Generation System (LPGS) auf Basis
der Global Land Survey von 2005 (GLS2005) gesetzt (USGS 2009: o.S.). Die für die
Entzerrung benötigten Höheninformationen entstammten der Shuttle Radar
Topography Mission (SRTM) (NASA 2008: o.S., USGS 2009: o.S.).

5.2 Systeme Pour l'Observation de la Terre (SPOT)

In der hier vorliegenden Arbeit wurden Daten des High-Resolution-Visible-

(HRV)- beziehungsweise des High-Resolution-Visible-Infra-Red-(HRVIR)-
Instruments an Bord der Satelliten SPOT-2 und -4 verwendet (CRISP 2001: o.S.).
Diese lagen in UTM-Projektion (Zone 36J, NAD83) als Level-1A-Prozessierung vor
und waren dementsprechend bereits radiometrisch korrigiert (CRISP 2001: o.S.,
SPOT IMAGE 2002: 23). Geometrische Verzerrungen, die aus der Erdrotation, der
Erdkrümmung sowie Blinkwinkeleffekten herrühren, wurden hingegen noch nicht
korrigiert (SPOT IMAGE 2002: 23).
Der Betrieb von SPOT-2 begann mit dem Start am 22. Januar 1990 und wurde im
Juli 2009 endgültig eingestellt (CRISP 2001: o.S., EO 2009: o.S.). SPOT-4 nahm
seine Tätigkeit am 24. März 1998 auf (CRISP 2001: o.S.). Beide Satelliten operieren
in einer Flughöhe von 832 Kilometern und befinden sich auf einer sonnensynchronen
Erdumlaufbahn (CRISP 2001: o.S.). Die Schwadbreite einer jeden HRV(IR)-Kamera
(von der jeder Satellit zwei besitzt) beträgt 60 Kilometer, so dass beide Sensoren
zusammen (die drei Kilometer Überlappung berücksichtigend) im Nadir-Modus
einen 117 Kilometer breiten Streifen abdecken (Abb. 8) (CRISP 2001: o.S., SPOT
IMAGE 2008: o.S.). Die Eigenschaften der spektralen 8-bit-Kanäle der HRV(IR)-
Kameras sind in Tabelle 5 aufgelistet.

31
Abb. 8: SPOT-Funktionsweise im Nadir-Modus (verändert nach CRISP 2001: o.S.)

Abb. 9: Überflugpfad eines Spot-Satelliten mit zwei Szenenpaaren bei denen die
HRV-Sensoren jeweils zwei Szenen parallel aufnehmen (verändert nach BELWARD &
VALENZUELA 1991: 61)

Weiterhin sind die HRV(IR)-Kameras bis zu 27 Grad schwenkbar (was unter

Beachtung der Erdkrümmung einer effektiven Neigung von 31 Grad entspricht),
wodurch sich trotz ihrer Orbit-Wiederholrate von 26 Tagen eine zeitliche Auflösung
von drei bis vier Tagen (in Abhängigkeit der geographischen Breite) erzielen lässt
(CRISP 2001: o.S., SPOT IMAGE 2008: o.S.). Da auf den SPOT-Satelliten jeweils

32
zwei HRV(IR)-Kameras parallel aufnehmen, wird kein Path- und Row-System
angewendet. Eine eindeutige Zuweisung eines Row-Wertes wäre zwar möglich, nicht
jedoch die Bestimmung des Path. Daher kam eine Szenen-Definition per J- und K-
Wert (gemäß Abbildung 9) zum Einsatz (BELWARD & VALENZUELA 1991: 60,
CRISP 2009: o.S.).

Tab. 5: Kanäle der HRV- bzw. HRVIR-Sensoren auf SPOT (verändert nach CNES
2008: o.S.)

5.3 Moderate Resolution Imaging Spectroradiometer (MODIS)

Bei dem Moderate Resolution Imaging Spectroradiometer (MODIS) handelt es

sich um zwei von der National Aeronautics and Space Administration (NASA)
entwickelte Sensoren auf den Satelliten Terra und Aqua (EO 2009: o.S, NASA
2009b: o.S.). Terra startete am 18. Dezember 1999, Aqua am 4. Mai 2002. Beide
bewegen sich in einer 705 Kilometer hohen sonnensynchronen Erdumlaufbahn (EO
2009: o.S., NASA 2009a: o.S.). Terra kreuzt den Äquator stets um 10.30 Uhr
Ortszeit auf einem absteigenden Orbit (daher der frühere Name Earth-Observation-
Satellite Ante-Meridiem-1 (EOS / AM-1)), Aqua hingegen um 13.30 Uhr auf einem
33
aufsteigenden Orbit (daher der frühere Name Earth-Observation-Satellite Post-
Meridiem-1 (EOS / PM-1)) (EO 2009: o.S., NASA 2009b: o.S.) Die Satelliten
vollziehen eine vollständige Erdumrundung in etwa 98,8 Minuten und durchlaufen
alle 16 Tage wiederkehrende Orbits (EO 2009: o.S., NASA 2009b: o.S.).
Der MODIS-Sensor hat 36 spektrale Kanäle mit einer radiometrischen Auflösung
von jeweils 12 Bit, deren Eigenschaften in Anhang 15 dargestellt sind (NASA 2009a:
o.S.). Mit einer Schwadbreite von 2330 Kilometern hat der MODIS-Sensor in
Abhängigkeit der geographischen Breite eine temporale Auflösung von etwa einem
Tag.
Aus den Strahlungswerten der 36 MODIS-Kanäle (Level-1A-Daten) werden
unterschiedlichste Folgeprodukte abgeleitet (NASA 2009a: o.S.). In der hier
vorliegenden Arbeit wurden das Reflektanz- (MOD09A1) (Anhang 10) sowie das
Brandflächen-Produkt (MCD45A1) (Anhang 11) verwendet. Diese lagen jeweils als
Kacheln von etwa zehn mal zehn Grad, mit einer räumlichen Auflösung von 500
Metern in Sinusoidal-Projektion vor. Die Szenen konnten beim Land Processes
Distributed Active Archive Center (LP DAAC) des USGS Earth Resources
Observation and Science Data Center (EROS DC) kostenlos heruntergeladen werden
und sollen im Folgenden ausführlicher vorgestellt werden (ROY & BOSCHETTI 2008:
3, VERMOTE & KOTCHENOVA 2008: 7).

5.3.1 MODIS-Oberflächenreflektanz-Produkt (MOD09A1)

Bei dem Oberflächenreflektanz-Produkt (MOD09A1) (dessen Kanäle in Tabelle 6

dargestellt sind) handelt es sich um ein achttägiges MODIS-Level-3-Produkt (gemäß
ROY & BOSCHETTI 2009: 3) aus den ersten sieben spektralen Kanälen (Anhang 15)
der MODIS-Level-1B-Daten (gemäß TOLLER et al. 2009: 2f.) (NASA 2009a: o.S.,
VERMOTE & KOTCHENOVA 2008: 13). Es stellt für jeden Kanal die geschätzte
Reflektanz dar, die unter der Bedingung gemessen worden wäre, dass keinerlei
atmosphärische Streuungsprozesse oder Absorption auftritt. Die dafür nötige
Korrektur wurde jeweils für den Tag durchgeführt, an dem die Einflüsse durch
Zirrus-Wolken (Ausweisung mit Hilfe des 26. MODIS-Kanals), Wasserdampf
(Ausweisung mit Hilfe des MOD05-Produkts), Aerosole (Ausweisung mit Hilfe des
MOD04-Produkts), Ozon (Ausweisung mit Hilfe des MOD07-Produkts) und BRDF-

34
Effekte (Ausweisung mit Hilfe des MOD43-Produkts) am geringsten waren
(VERMOTE & KOTCHENOVA 2008: 13, VERMOTE & VERMEULEN 1999: 50). Auch die
Korrektur selbst erfolgte anschließend unter Zuhilfenahme der aufgezählten MODIS-
Daten beziehungsweise –Produkte. Auf eine ausführliche Beschreibung der im
Umfang dieser Korrektur verwendeten Algorithmen wird an dieser Stelle jedoch auf
Grund ihres Umfanges verzichtet. Das genaue Vorgehen kann bei VERMOTE &
VERMEULEN (1999: 24-37) nachgeschlagen werden (NASA 2009a: o.S.).

Tab. 6: Kanäle des achttägigen MODIS-500m-Reflektanz-Produkts (MOD09A1)

(verändert nach VERMOTE & KOTCHENOVA 2008: 13)

35
5.3.2 MODIS-Brandflächen-Produkt (MCD45A1)

Bei dem MODIS-Brandflächenprodukt (MCD45A1) handelt es sich um ein

monatliches Level-3-Produkt (gemäß ROY & BOSCHETTI 2008: 3) mit einer
räumlichen Auflösung von 500 Metern, das auf Basis einer Kombination der
täglichen Oberflächenreflektanz-Daten des Terra- und des Aqua-MODIS-Sensors
erstellt wurde. Die Kacheln umfassen jeweils acht Kanäle, die in Tabelle 7
aufgeführt sind (JUSTICE et al. 2006: 17, ROY et al. 2007: 2).

Tab. 7: Kanäle des MODIS-Brandflächen-Produkts (MCD45A1) (verändert nach

ROY & BOSCHETTI 2008: 9f.)

Die Ausweisung verbrannter Flächen basiert auf der Messung abrupter

Veränderungen der Reflektanz in täglichen Zeitreihen. Da bei der
Änderungsdetektion zwischen zwei Szenen die Bi-Direktionale
36
Reflektanzdistributionsfunktion (BRDF) (in die sowohl die Wellenlänge, als auch
der Betrachtungs- und Beleuchtungswinkel eingehen) eine wichtige Rolle spielt,
wird ein BRDF-Modell-basierter Ansatz verwendet (eine genaue Beschreibung des
Modells (RossThick-LiSparse reciprocal-BRDF-Modell) findet sich in SCHAAF et al.
(2002))(JUSTICE et al. 2006: 19, 21, ROY et al. 2007: 2).
Darüber hinaus basiert der Ansatz auf statistischen Analysen. Hierbei wird aus
den BRDF-korrigierten Reflektanzdaten von mindestens sieben vorangegangenen
Aufnahmen die Reflektanz der nächsten Aufnahme vorhergesagt (JUSTICE et al.
2006: 21). Damit ein Pixel nun als verbrannt ausgewiesen wird, müssen verschiedene
Kriterien erfüllt sein:
1. Die tatsächlich gemessene Reflektanz (im zweiten und fünften
MODIS-Kanal) muss um einen bestimmten Grenzwert kleiner sein als
die vorhergesagte (JUSTICE et al. 2006: 19, 21, ROY et al. 2007: 2).
2. Die Differenzen der gemessenen Reflektanzen zwischen dem zweiten
und siebten und zwischen dem fünften und siebten MODIS-Kanal
müssen sich im Vergleich zu den mindestens sieben vorangegangenen
Messungen verringert haben (JUSTICE et al. 2006: 19, 21, ROY et al.
2007: 2).
Der zweite Punkt dient dem Ausschluss von Änderungen die z. B. durch Wolken,
Schatten oder Feuchtigkeitsänderungen hervorgerufen werden, da diese Einfluss
sowohl auf den zweiten (841 – 876 nm) beziehungsweise fünften (1230 – 1250 nm)
und den siebten MODIS-Kanal (2105 – 2155 nm) haben (BARNES et al. 1998: 1090,
JUSTICE et al. 2006: 21). Feuer hingegen senkt die Reflektanz lediglich im zweiten
und fünften Kanal, wodurch der Unterschied zum siebten geringer wird (JUSTICE et
al. 2006: 21).

5.4 MODIS Airborne Simulator (MAS)

Der MODIS Airborne Simulator (MAS) wurde im Rahmen des SAFARI2000-

Projekts verwendet. Während der 20 Flüge in etwa 20.000 Metern Höhe, zwischen
17. August und 25. September 2000 wurden 278 Flugstreifen des südlichen Afrikas
aufgenommen (KING & PLATNICK 2006: o.S.). Die erhobenen Daten (im
Hierarchical Data Format (HDF)) umfassen jeweils 50 spektrale 32-Bit Kanäle mit

37
einer räumlichen Auflösung von 50 Metern und wurden vollständig
atmosphärenkorrigiert (Anhang 16) (KING & PLATNICK 2006: o.S.). Dennoch
enthalten die noch nicht georeferenzierten Flugstreifen zu den Szenenrändern hin
deutliche spektrale Abweichungen (Abb. 10).

Abb. 10: Spektrale Abweichungen zu den Bildrändern in einem exemplarischen

MAS-Flugstreifen

5.5 GLOBCARBON

Bei Global Land Products for Carbon Model Assimilation (GLOBCARBON)

handelt es sich um ein von der European Space Agency (ESA) finanziertes Projekt,
dessen Ziel es ist, flexibel sensorunabhängige, globale Parameter als Eingangsdaten
für Kohlenstoffkreislaufmodelle bereitzustellen (ESA 2010: o.S., GEOSUCCESS 2005:
o.S., STFC RAL 2007: o.S.). Neben dem Anteil der absorbierten photosynthetisch
aktiven Strahlung (fAPAR (Fraction of Absorbed Photosynthetically Active
Radiation)), dem Blattflächenindex (LAI (Leaf Area Index)) und den
Vegetationswachstumszyklen wird auch ein monatliches Brandflächenprodukt
bereitgestellt (GEOSUCCESS 2005: o.S.). Die GLOBACARBON-Produkte sind für
den Zeitraum von 1998 bis 2007 verfügbar und basieren auf den Sensoren Along-
38
Track Scanning Radiometer and Microwave Sounder-2 (ATSR-2) an Bord des im
April 1995 gestarteten ESA-Satelliten European Remote-Sensing Satellite 2 (ERS-2),
Advanced Along Track Scanning Radiometer (AATSR) (an Bord des im März 2002
gestarteten ESA-Satelliten Envisat) sowie den Végétation-Sensoren auf den
Satelliten SPOT-4 und -5 (EO 2009: o.S., GEOSUCCESS 2005: o.S., PLUMMER et al.
2009: 1, STFC RAL 2007: o.S.).
Neben einem Produkt mit einer räumlichen Auflösung von zehn Kilometern (bei
dem der verbrannte Flächenanteil unter jedem Pixel angegeben ist) wird auch ein
Produkt mit einer Auflösung von einem Kilometer bereitgestellt (ESA 2008: 16f.,
PLUMMER et al. 2009: 1, 3). Mit letzerem wurde eine vergleichende Analyse mit den
Resultaten der vorliegenden Arbeit (siehe Abschnitt 6.5). durchgeführt. Die hierfür
verwendeten Szenen sind Anhang 13 zu entnehmen.
Das GLOBCARBON-Produkt stellt eine Kombination aus dem GLOBSCAR-
Projekt (welches auf ATSR- und AATSR-Daten basiert) und der Global-Burnt-Area-
2000-(GBA2000)-Initiative (basierend auf SPOT-Végétation-Daten) sowie
unabhängigen Feuerinformationen aus dem FIRE-M3-Algorithmus, der Tropical
Rainfall Measuring Mission (TRMM) und dem World Fire Atlas (WFA) dar
(GRÉGOIRE et al. 2003: 1, PLUMMER et al. 2009: 3, SIMON et al. 2004: 1). Hierbei ist
für jeden Pixel in einem 8-Bit-Kanal (Tab. 8) kodiert, ob die jeweiligen Algorithmen
beziehungsweise Produkte Brandflächen ausgewiesen haben oder nicht (Anhang 17).
Je mehr Algorithmen ein positives Detektionsergebnis liefern, als umso sicherer wird
die Ausweisung angenommen (ESA 2008: 16f.).

Tab. 8: Kanäle des monatlichen GLOBCARBON-1km-Produkts (verändert nach

ESA 2008: 16)

39
6 Datenbearbeitung

Nachdem in den vorangegangenen Kapiteln die Grundlagen sowohl über das

Untersuchungsgebiet, als auch der physikalischen Grundlagen von Bränden sowie
der Fernerkundung und den zugrundeliegenden Daten abgehandelt wurde, soll im
nun folgenden Abschnitt ein Einblick in die Datenbearbeitung gewährt werden, die
in der vorliegenden Arbeit durchgeführt wurde.

6.1 Grundlagen

Um ein besseres Verständnis von den einzelnen Schritten der Datenverarbeitung

zu bekommen, ist es zunächst nötig, sich mit den Grundlagen der durchgeführten
Methoden auseinanderzusetzen. Dies soll im Folgenden für die Vorverarbeitung der
Daten, die Erstellung von Ableitungen und die Genauigkeitsanalyse geschehen.

6.1.1 Datenvorverarbeitung

Bevor mit der eigentlichen Datenauswertung begonnen werden kann, ist es

zunächst nötig, alle zur Verfügung stehenden Datensätze vorzuverarbeiten. Das
bedeutet, dass diese auf einen einheitlichen Standard gebracht werden, der es
ermöglicht, sie untereinander zu vergleichen.
Das genaue Vorgehen bei der Vorverarbeitung ist stets sensorabhängig. Es
umfasst die geometrische und radiometrische Korrektur, die zum einen durchgeführt
wird um Sensoreffekte zu reduzieren (dies umfasst beispielsweise aufnahmebedingte
geometrische Verzerrungen oder die Kodierung der am Sensor eintreffenden
Strahlung in Bit-Werte), zum anderen um Artefakte zu minimieren, die durch die
Eigenschaften des aufgenommenen Erdabschnitts hervorgerufen werden (hierunter
sind zum Beispiel die Reduktion von Verzerrungen durch Berge oder das eliminieren
von Schatten zu zählen) (SCHOWENGERDT 2007: 39f.).

40
6.1.1.1 Geometrische Korrektur

Um mehrere Aufnahmen eines bestimmten Erdabschnitts untereinander

vergleichen zu können, müssen diese in gleicher Weise verortet und von
Verzerrungen befreit sein. Die Verortung wird durch den Prozess der
Georeferenzierung, die Entzerrung durch die Orthorektifizierung beschrieben
(SCHOWENGERDT 2007: 286).
Die Georeferenzierung einer Satelliten-Szene wird durch die Festlegung einer
Projektion sowie eines Ellipsoids beschrieben. In der hier vorliegenden Arbeit wird
ausschließlich mit Daten in Universal-Transverse-Mercator-Projektion (Zone 36,
Süd) gearbeitet, die sich auf das World Geodetic System 1984 (WGS 84) beziehen
(KOHLSTOCK 2004: 38f., 46).
Durch die Orthorektifizierung (Abb. 11) eines Datensatzes lässt sich dieser von
Verzerrungen unterschiedlichen Ursprungs befreien. Diese können durch die
Krümmung der Erdoberfläche, topographischen Begebenheiten oder der
Aufnahmegeometrie des Sensors sowie dessen Bewegung hervorgerufen werden
(SCHOWENGERDT 2007: 286).

Abb. 11: Prinzip der Orthorektifizierung (verändert nach GAO 2009: 184)

Die Behebung dieser Verzerrungen erfolgt mit Hilfe von Ground Control Points
(GCPs), durch die Punkte in den zu orthorektifizierenden Szenen mit Punkten in
einer zugrunde gelegten Szene (die bereits entzerrt ist) in Verbindung gesetzt werden

41
(LINDER 2009: 41). Nach dem Setzen der GCPs stehen unterschiedliche Verfahren
zur Auswahl mit denen das ursprüngliche Bild umgewandelt werden kann (PCI
GEOMATICS 2003: o.S.).
Bei der Verwendung einer konkreten Funktion beispielsweise, werden alle
Bildpunkte anhand der GCPs und einer mathematischen Funktion wählbaren Grades
neu verortet. Da bei dieser Methode die GCPs nicht exakt an den vom Nutzer
festgelegten Stellen lokalisiert werden, entstehen Residuen, deren Größe einen
groben Anhaltpunkt für die Genauigkeit liefert.
Ein weiteres Interpolationsverfahren ist der Spline (SCHOENBERG 1973: 1f.). Bei
dieser Methode (deren Funktionsweise in Abbildung 12 veranschaulicht wird) gibt es
keine Residuen. Das heißt, dass die GCPs exakt an die Stellen verschoben werden,
die vom Nutzer angegeben werden. Weiterhin bewirkt der Algorithmus, dass die
Verzerrungen zwischen den GCPs minimal und mit wachsendem Abstand zu diesen
zunehmend linear werden (PCI GEOMATICS 2003: o.S.).
Nachdem die neuen Koordinaten eines jeden Pixels durch ein
Interpolationsverfahren berechnet wurden, gilt es diese den entsprechenden Stellen
einer Zielmatrix zuzuordnen. In der vorliegenden Arbeit wurde für diesen Zweck das
Nearest Neighbour Resampling angewandt (PCI GEOMATICS 2003: o.S.). Dieses
stellt sich derart dar, dass einem Bildpunkt im Ausgabebild der Grauwert desjenigen
Bildpunktes im Eingangsbild zugewiesen wird, der diesem am nächsten liegt (Abb.
14). Dabei bleibt der Grauwert unverändert, wodurch sich keine radiometrischen
Nachteile für eine anschließende Klassifikation ergeben (LEICA GEOSYSTEMS 2005:
o.S., PCI GEOMATICS 2003: o.S.).

42
Abb. 12: Verzerrung durch die Thin-Plate-Spline-Methode (die roten Kreuze stellen
die zu verzerrenden GCPs dar, die blauen Kreise sind die Positionen, die sie nach der
Verzerrung einnehmen sollen) (CHAN 2005: o.S.)

Abb. 13: Übertragung der Pixelwerte im Eingabe-Bild auf die nähstgelegenen Pixel
im Ausgabe-Bild (Nearest Neighbour) (ALBERTZ 2001: 103)

6.1.1.2 Radiometrische Kalibrierung

Das Ziel der radiometrischen Kalibrierung besteht darin, die in Digital Numbers
(DNs) codierten Ausgangsdaten in physikalisch basierte Parameter zu überführen
(SCHOWENGERDT 2007: 23). Bei den DNs handelt es sich um eine beispielsweise in 8
Bit (pro Pixel) gespeicherte Repräsentation der vom Sensor gemessenen
Strahlungsdichte (in W/(m² * sr)) (RSCC o.J.: o.S.).

43
 Die genaue Ausprägung der DNs hängt jedoch damit zusammen, in welcher
Weise der jeweilige Sensor die eintreffende Strahlung kodiert, wie viel Strahlung
unter welchen Bedingungen (beispielsweise in Abhängigkeit der Wellenlänge) auf
der Erde angekommen ist und wie die Atmosphäre diese beeinflusst. Darüber hinaus
werden die Messungen auch durch lokale topographische Begebenheiten wie Berge
beeinflusst, was eine topographische Normalisierung (das heißt die Ermittlung
lokaler Sonneneinfallswinkel unter Verwendung eines digitalen Geländemodells)
nötig macht (COLBY 1991: 531). Daher bietet die Verwendung von
atmosphärenkorrigierten Reflektanz-Werten (die aus der Strahlung abgeleitet
werden) besseres Potential zur Interpretation als die DNs und nicht zuletzt auch die
Möglichkeit der vergleichenden Analyse unterschiedlicher Satellitenszenen
(RICHTER et al. 2006: 2077f.).
Zwischen den DNs und den spektralen Strahlungswerten besteht ein linearer
Zusammenhang der durch entsprechende (von Sensor zu Sensor leicht
unterschiedliche) Funktionen beschrieben werden kann. Diese werden durch Gain
(Anstieg) und Bias (Schnittpunkt mit der Ordinate) charakterisiert (RSCC o.J.: o.S.).
Die exakten Formeln können in Abschnitt 6.2.3 nachgelesen werden (CEO 2003: 1,
SMITH 2005: 1, SPOT IMAGE 2008: o.S.).
Der Zusammenhang zwischen den am Sensor gemessenen Strahlungswerten (in
W/(m² *sr)) und der Reflektanz (einheitslose Werte zwischen 0 und 1) wird bestimmt
durch den Abstand zwischen Erde und Sonne zum Aufnahmezeitpunkt, den
Einfallswinkel der Sonnenstrahlung auf eine ebene Fläche des aufgenommenen
Gebiets sowie die in der jeweiligen Wellenlänge von der Sonne eintreffende
Strahlung (gemäß Anhang 18).
In Abbildung 14 ist neben den Unterschieden der einfallenden Strahlungsenergie
in verschiedenen Wellenlängenbereichen auch der Einfluss der Atmosphäre
dargestellt. Diesen zu minimieren ist Ziel des letzten Schrittes der radiometrischen
Kalibrierung, der auf Reflektanzen basierenden Atmosphärenkorrektur (PCI
GEOMATICS 2003: o.S.).

44
Abb. 14: Ausgestrahlte Energie in Abhängigkeit der Wellenlänge für einen
theoretischen Körper mit der Temperatur der Sonne, der tatsächlich eintreffenden
Strahlung oberhalb der Atmosphäre sowie der durch die Atmosphäre beeinflussten
Strahlung auf Meeresniveau (mit Absorptionsbanden des Wassers, Kohlendioxids
und molekularen Sauerstoffs) (verändert nach VALLEY 1965: 25)

Im Rahmen der Atmosphärenkorrektur werden auf Grundlage des Wissens über

den Aufnahmeort, die dortigen atmosphärischen und thermalen Bedingungen zum
Akquisitionszeitpunkt sowie Höhen- und Sensorinformationen aus den am Sensor
gemessenen Reflektanzen, die annähernd tatsächlichen Reflektanz-Werte der
betrachteten Objekte am Boden abgeleitet.

45
Abb. 15: Komponenten, die zur gemessenen Gesamtstrahlung eines Bildpunktes
beitragen (L1 = Strahlungskomponente aus Reflexionsprozessen in der Atmosphäre,
L2 = Strahlungskomponente aus Reflexionsprozessen im Pixel, L3 =
Strahlungskomponente aus Reflexionsprozessen in der Umgebung des Pixels, ρ =
Reflektanz im Pixel, L = Summe aller Strahlungskomponenten, DN = Digtal Number
die dem Pixel vom Sensor zugewiesen wird, c0 = Bias, c1 = Gain) (RICHTER 2005:
13)

Zunächst ist zu beachten, dass die gemessene Strahlung am Sensor eines

Bildpunktes nicht nur von den Objekten an der Erdoberfläche beeinflusst wird, die
sich an dem, durch dieses Pixel repräsentierten Bereich befinden (in Abbildung 15
als L2 dargestellt), sondern auch durch Reflexionsprozesse in dessen Umgebung (L3
in Abbildung 15) sowie Reflexionen innerhalb der Atmosphäre (ohne Beeinflussung
durch die Erdoberflächen) (L1 in Abbildung 15) (RICHTER 2005: 40). Wie stark diese
drei Komponenten dann in die Berechnung der Gesamtstrahlung und somit in die
Reflektanz eingehen, wird durch die Bestimmung der atmosphärischen Bedingungen
zum Aufnahmezeitpunkt festgelegt.
Auf eine ausführliche Beschreibung der Algorithmen zur Atmosphärenkorrektur
(beispielsweise des XPace-Moduls ATCOR3, wie es in den vorliegenden
Ausführungen verwendet wurde), wurde an dieser Stelle verzichtet, da es den
Rahmen dieser Arbeit sprengen würde. Die exakte Ableitung kann in RICHTER
(2005: 11-16) eingesehen werden.

46
6.1.2 Erstellung von Ableitungen zur Brandflächenausweisung

Im Rahmen der Ausweisung von Brandflächen im Kruger National Park soll

neben dem Potential der spektralen Kanäle auch die Eignung einiger Ableitungen
untersucht werden. Zu diesen zählen zum einem die Indices und zum anderen die
Principal Components Transformation. Deren Grundlagen sollen im Folgenden
näher geschildert werden.

6.1.2.1 Ratios

Eine der am häufigsten eingesetzten Methoden, zusätzliche Informationen aus

spektralen Daten zu gewinnen, sind Ratios. Hierbei werden durch das Subtrahieren
der Reflektanz eines Bildpunktes in einem spektralen Kanal von der Reflektanz in
einem anderen spektralen Kanal deren Unterschiede hervorgehoben. Als zusätzlicher
Effekt bewirkt die Tatsache, dass es sich bei Ratios um relative Werte handelt, dass
topographische Diskrepanzen (etwa durch unterschiedliche Beleuchtung) reduziert
werden. Um eine bessere Vergleichbarkeit der Ratio-Werte zu erzielen werden diese
Differenzen oftmals noch normalisiert. Dies kann zum Beispiel (wie im Fall des
speziell auf die Vitalität von Vegetation zugeschnittenen Normalized Difference
Vegetation Index (NDVI)) durch die Division durch die Summe der beiden zuvor
voneinander abgezogenen Kanäle geschehen. (CCRS o.J.: 158f., SHORT 2009: o.S.)

6.1.2.2 PCT

Bei einer PCT handelt es sich um eine Methode zur Dekorrelation von
Datensätzen. Auf Grund teilweiser Überlappungen der spektralen Kanäle
beziehungsweise ähnlichen Eigenschaften der beobachteten Objekte in
verschiedenen spektralen Bereichen enthalten unterschiedliche Kanäle teilweise
identische Information. Dies lässt sich beheben, indem man die Grauwerte eines
jeden Pixels in den verschiedenen spektralen Bereichen durch Werte in einem n-
dimensionalen Koordinatensystem repräsentiert. Hierbei entspricht n der Anzahl der
spektralen Kanäle, durch die der Eigenschaftsraum aufgespannt wird. Durch eine

47
Rotation dieses Eigenschaftsraumes lässt sich der Informationsgehalt der n
Dimensionen auf eine geringere Anzahl von m Kanälen beziehungsweise
Dimensionen komprimieren. Die vorgenommene Rotation wird in Abbildung 16
exemplarisch veranschaulicht (SCHOWENGERDT 2007: 187–198).

Abb. 16: Rotation eines 2-dimensionalen Eigenschaftsraumes (aufgespannt durch die

Landsat-TM-Kanäle 3 (tm3) und 4 (tm4)) im Rahmen einer PCT, wodurch dem
Bildpunkt mit den Grauwerten m (im Kanal tm3) und n (im Kanal tm4) neue Werte
m‘ (im Kanal tm3‘) und n‘ (im Kanal tm4‘) zugeordnet werden. A und A‘
entsprechen hierbei der Spannweite der Daten in den Kanälen tm4 und tm4‘
(NETELER 2005: o.S.)

Im Rahmen der PCT kann zwischen einer standardisierten und einer nicht
standardisierten Variante unterschieden werden. Bei der nicht standardisierten PCT
findet eine Dekorrelation der spektralen Kanäle mittels einer Rotation des
Eigenschaftsraums anhand der Varianz-Kovarianz-Matrix, anstelle der Korrelations-
Matrix (wie es bei der standardisierten Version der Fall wäre), statt. Die Berechnung
der Matrizen erfolgt verändert gemäß JOLLIFFE (1986: 17-22) wie folgt:

48
 ;
∑E
CFGBC B̅ 
Varianz:   [)] = (7)
H

∑E
CFGBC B̅ ∗NC N
O
Kovarianz: IJ [), L] = (8)
P

∑E
CFGBC B̅ ∗NC N
O
Korrelation: I [), L] = (9)
Q∑E ; E O;
CFGBC B̅  ∗∑CFGNC N

  [)] IJ[), L]
Varianz-Kovarianz-Matrix:  [), L] = R T
IJ[), L] ²[L]
(10)

  [)] I[), L]
Varianz-Korrelations-Matrix:  ′[), L] = R T
I[), L] ²[L]
(11)

Mit: )̅ und LO = Mittelwerte des Kanals x bzw. des Kanals y

)V und LV = Grauwert des Bildpunktes i im Kanal x bzw. im Kanal y
m = Gesamtzahl der Bildpunkte

6.1.3 Trennbarkeitsanalyse

Um eine objektiv nachvollziehbare Entscheidung treffen zu können, welche Maße

sich für diese Trennung der Brandflächen am besten eignen, war es nötig statistische
Maße zur Entscheidungsfindung zu verwenden.
Eine nicht nur in der Fernerkundung eingesetzte Methode ist beispielsweise die
Cluster-Analyse (TAN et al. 2005: 488f.). Hierbei handelt es sich um Ansätze, bei
denen hinsichtlich bestimmter Variablen zusammengehörige Daten in Kategorien
beziehungsweise Gruppen (Cluster) eingeordnet werden (TAN et al. 2005: 488).
Die angewandte Art der Cluster-Bildung kann dadurch charakterisiert werden, ob
es eine Cluster-Hierarchie gibt oder nicht (das heißt, ob es über- und untergeordnete
Cluster gibt), ob es sich um eine vollständige oder unvollständige Cluster-Bildung
handelt, oder ob die Cluster-Bildung exklusiv, überlappende oder gar fuzzy ist (TAN
et al. 2005: 491). Darüber hinaus ist auch die Beschaffenheit der Cluster selbst
entscheidend für die Zugehörigkeit der Datenelemente zu diesen. Im Fall der

49
wohlseparierten Cluster ist der Unterschied zweier beliebiger Elemente eines
Clusters stets kleiner als der Unterschied zweier beliebiger Elemente zweier
verschiedener Cluster (TAN et al. 2005: 493).
Die dichtebasierte Cluster-Bildung gruppiert Regionen höhere Datendichte. Bei
sogenannten prototypbasierten Clustern ist der Unterschied eines in ihm enthaltenen
Datenelements zu dem Prototyp, durch den das Cluster definiert wird (dies kann
beispielsweise der Mittelwert sein) stets kleiner als zu jedem anderen Prototypen
(TAN et al. 2005: 494).
Die Ähnlichkeit zwischen einzelnen Datenelementen beziehungsweise auch
zwischen diesen und Clustern kann durch Abstandsmaße quantifiziert werden. Meist
wird hierbei die Euklidische Distanz verwendet, jedoch kommen auch die
Minkowski-Distanz (mit den Spezialfällen Manhattan- und Hamming-Distanz) oder
die Mahalanobis-Distanz zum Einsatz (LOHNINGER 2008: o.S., MAHALANOBIS 1936,
TAN et al. 2005: 498). Welches jeweils das am besten geeignete Maß ist, hängt von
den untersuchten Daten sowie deren Beschaffenheit ab (TAN et al. 2005: 496f.). In
der hier durchgeführten Trennbarkeitsanalyse wird auf die, auf den Wertebereich von
null bis zwei normalisierte, Bhattacharyya Distanz (Dbhat)zurückgegriffen, welche
sich nach MAK & BARNARD (1996: 1f.) wie folgt berechnet:

a ba
 _ 1_   ` G ;`
WXYZ[ = \ ] − ] 
G  ; ] − ]  +   ;
(12)
c|_G ||_; |

Mit: Mi = Mittelwert des Clusters i

∑i = Kovarianz des Clusters i

Beispiele für multivariate Verfahren, mit denen eine Cluster-Bildung stattfinden

kann, sind K-Means, die Iterative Self-Organized Data Analysis (ISODATA) (die
beide unüberwacht, das heißt ohne nutzerdefinierte Initial-Cluster sind) oder
Maximum Likelihood (bei dem die Lage der Cluster durch den Nutzer vorbestimmt
wird, es also ein überwachtes Verfahren ist) (CEO 2003: o.S.).
Ein weiterer Ansatz, der zur Bestimmung univariater Cluster geeignet ist, wurde
von SWAIN & DAVIS (1978) vorgeschlagen. Dieser basiert auf den Mittelwerten (µ1
und µ2) und den Standardabweichungen (σ1 und σ2) zweier vom Nutzer definierter
(und damit überwachter) Cluster und berechnet sich wie folgt:

50
 e; eG 
]= (13)
f; fG 

Je mehr M von null abweicht (sowohl in positive als auch negative Richtung),
desto eher ist eine Trennbarkeit der Cluster mit dem untersuchten univariaten
Merkmal (beziehungsweise Kanal) möglich.

6.1.4 Segmentierung und Klassifikation

Im Rahmen der Klassifikation von Satellitenbildern lassen sich zwei Ansätze

grundlegend unterscheiden. Einerseits die pixelbasierte Klassifikation, bei der die
Bildpunkte anhand ihrer Ausprägungen in ihren unterschiedlichen Kanälen in
verschiedene Klassen eingeordnet werden.
Auf der anderen Seite stehen die objektorientierten Klassifikationsansätze. Bei
dieser werden mehrere benachbarte Pixel zu einem Segment zusammengefasst, wenn
die Heterogenität des daraus resultierenden Objekts, den durch den Scale Factor
festgelegten Schwellenwert nicht übersteigt. Der Scale Factor ist hierbei also eine
abstrakte Repräsentation der Heterogenität. Je kleiner er ist, desto homogener
müssen die Objekte sein (DEFINIENS AG 2007a: 22).
Des Weiteren wird dieser Scale Factor zu bestimmten, festlegbaren Anteilen aus
der Form (charakterisiert durch den Shape Factor) und den Farbwerten
(charakterisiert durch 1- Shape Factor) der zugrundeliegenden Bildpunkte abgeleitet
(DEFINIENS AG 2007b: 160). Der Shape Factor wiederum wird aus einer
Zusammensetzung der abstrakten Compactness- und Smoothness-Werte abgeleitet
(DEFINIENS AG 2007b: 160). Das Compactness-Kriterium gibt dabei an, wie sehr die
Form der Objekte von einer kompakten Form abweichen darf (bei einem
Compactness Factor von 1 wird die Smoothness vollständig vernachlässigt)
(DEFINIENS AG 2007b: 160).
Die Segmentierung eines Datensatzes kann auf verschiedenen Skalen erfolgen.
Hierzu müssen mehrere Segmentierungs-Ebenen erstellt werden, wobei Objekte
höherer Ebenen zusammengehörige Elemente einer niedrigeren Ebene in sich
vereinen (Abb. 17) (DEFINIENS AG 2007b: 26f.).
Die Klassifizierung eines segmentierten Datensatzes auf verschiedenen Skalen-
Ebenen kann (wie in der vorliegenden Arbeit) im Definiens Developer durchgeführt
51
werden. Neben der Klassenauszeichnung mit konkreten Schwellenwerten besteht in
diesem auch die Möglichkeit kontinuierliche Übergangsbereiche (sogenannte Fuzzy
Membership Functions) zu definieren. Diese gewähren eine bessere Übertragbarkeit
auf andere leicht variierende Datensätze (DEFINIENS AG 2007b: 209).

Abb. 17: Prinzip verschiedener Segmentierungs-Ebenen im Definiens Developer

(DEFINIENS AG 2007b: 23)

6.1.5 Genauigkeitsanalysen

Ein letzter Schritt einer jeder Klassifikation ist die Genauigkeitsanalyse. Diese
gewährt die objektive Einschätzung der Güte der ausgewiesenen Klassen
(CONGALTON 1991: 35).
Es stehen verschiedene Formen der Genauigkeitsanalyse zur Verfügung. Diese
basieren auf einer Auswahl klassifizierter Bildpunkte (Samples), die zufällig,
systematisch oder stratifiziert (das heißt in Abhängigkeit der Flächenanteile jeder
Klasse) verteilt sein können.
Unabhängig davon welches Sample-Schema verwendet wird, ist darauf zu achten,
eine ausreichend große Zahl von Testpunkten auszuwählen, um eine statistisch
repräsentative Aussage über das klassifizierte Gebiet tätigen zu können.
52
Anschließend gilt es die Sample-Punkte mit Hilfe von Referenzdaten (Geländedaten
oder beispielsweise höher aufgelöste Satellitenszenen) zu validieren. Diese
Validierung sollte möglichst unabhängig von den ursprünglich klassifizierten Daten
ablaufen, so dass jedes Sample anschließend zwei nicht voneinander beeinflusste
Ausweisungen hat (eine in den klassifizierten Daten und eine in den Referenzdaten).
Diese können dann in einer Konfusions-Matrix verglichen werden (Beispiel siehe
Tabelle 9) (CONGALTON 1991: 43, FOODY 2002: 193, STEHMAN & CZAPLEWSKI
1998: 332, 336)

Tab. 9: Beispiel einer Konfusions-Matrix

In der Konfusions-Matrix können neben der Anzahl der Samples, die in die
verschiedenen Klassen eingeordnet wurden, auch verschiedene Genauigkeitsmaße
abgelesen werden. Hierbei gibt die Producer Accuracy an, welcher Anteil einer
Referenzklasse korrekt klassifiziert wurde (zum Beispiel 133 / 183 ≈ 0,73 in Tabelle
9). Die User Accuracy zeigt an welcher Anteil einer ausgewiesenen Klasse
tatsächlich die korrekte Refenzklasse repräsentiert (zum Beispiel 133 / 142 ≈ 0,94 in
Tabelle 9) (CONGALTON 1991: 36f., FOODY 2002: 188). Darüber hinaus kann auch
eine Gesamtgenauigkeit (Overall Accuracy) berechnet werden, bei der die
Gesamtheit der korrekt klassifizierten Samples durch alle Samples dividiert wird (in
Tabelle 9 beispielsweise (133 + 406) / 598 ≈ 0,9) (CONGALTON 1991: 36f., FOODY
2002: 188). Ein weiteres Maß, das aus der Konfusions-Matrix abgeleitet werden
kann, ist der Kappa-Koeffizient, der ursprünglich von COHEN (1960) beschrieben
wurde. Er berechnet sich verändert nach CONGALTON (1991: 40) wie folgt:

5∗∑hCFG BCC ∑hCFG BCb ∗BbC

g= (14)
5; ∑hCFG BCb ∗BbC

53
Mit: r = Anzahl der Reihen und Spalten der Konfusions-Matrix
xii = Anzahl der Ausweisungen in Reihe i und Spalte i
(Hauptdiagonale)
xi+ und x+i = jeweiligen Summen der Klasse i (beispielsweise 183 und 142
für i = 1 in Tab. 9)
N = Gesamtzahl der Samples

6.2 Vorverarbeitung der Eingangsdaten

Um mit den vorliegenden Daten eine Brandflächenanalyse durchführen zu

können, mussten diese zunächst in eine einheitliche Form gebracht werden. Dazu
war es nötig, die unterschiedlichen Dateiformate durch einen Import zu
vereinheitlichen. Anschließend musste eine radiometrische und geometrische
Korrektur durchgeführt werden.

6.2.1 Import

Die vom USGS bestellten Landsat-ETM+-Szenen sowie auch die

GLOBCARBON-Daten von Geosuccess mussten zunächst entpackt werden. Dies
geschah mit Hilfe des im Internet kostenlos verfügbaren Programms 7-zip (PAVLOV
2009: o.S., USGS 2009: o.S.).
Weiterhin wurde eine Konvertierung der gelieferten tiff- (Landsat)
beziehungsweise img-Dateien (GLOBCARBON) in das pix-Format vorgenommen
(da in den folgenden Schritten weiter in Geomatica verfahren werden sollte).
Realisiert wurde dies mit dem FIMPORT-Modul von Geomatica Version 9.1 Xpace
von der Firma PCI Geomatics (PCI GEOMATICS 2003: o.S.). Da jeder Kanal in einer
separaten Datei vorlag, musste diese im Anschluss (ebenfalls in Geomatica)
zusammengefügt werden. In diesem Fall wurde die Funktion Transfer Layer im
Focus verwendet (PCI GEOMATICS 2003: o.S.). Somit bestanden dann alle Landsat-
Szenen aus neun Kanälen (Tab. 4), da im Falle des ETM+-Sensors jeweils zwei

54
thermale Kanäle (61 mit hohem Bias und 62 mit niedrigem Bias) vorhanden waren
(EO 2009: o.S.).
Die SPOT-Daten wurden vom Satellite Application Center in ungepackter Form
im dat-Format geliefert. Der Import in das pix-Format wurde wie schon bei den
Landsat-Saten mit dem FIMPORT-Modul von Geomatica durchgeführt (PCI
GEOMATICS 2003: o.S.).
Die MODIS-Szenen (Anhang 10) wurden beim Land Processes Distributed
Active Archive Center (LP DAAC) heruntergeladen (LP DAAC 2009: o.S.). Sowohl
die MOD09A1- als auch die MCD45A1-Dateien lagen im Hierarchical Data Format
(hdf) vor und wurden zunächst mit einem kostenlos im Internet verfügbaren
Reprojektions-Programm von sinusoidaler Projektion in UTM (Zone 36 Süd)
umgewandelt (LP DAAC 2009: o.S.). Hierbei konnte ausgewählt werden, welche der
vorhandenen Kanäle in die neue Projektion überführt werden sollten. Im Fall des
MODIS-Brandflächenprodukts wurde lediglich der burndate-Kanal (Tab. 7) gewählt,
beim MODIS-Reflektanz-Produkt alle Reflektanz-Kanäle (Tab. 6). Das Ergebnis
wurde im Tagged Image File Format (TIFF) gespeichert. Anschließend erfolgte der
Import der hdf-Dateien in das pix-Format mittels des Geomatica-XPace-Moduls
FIMPORT (PCI GEOMATICS 2003: o.S.).
Da die Reflektanz-Kanäle des MOD09A1-Produkts jeweils in einzelnen Dateien
gespeichert waren, mussten diese weiterhin zusammengeführt werden. Dies geschah
in gleicher Weise wie auch schon bei den Landsat-Daten mit der Funktion Transfer
Layer im Geomatica Focus (PCI GEOMATICS 2003: o.S.).
Die MAS-Daten wurden ebenfalls zunächst kostenlos aus dem Internet (von der
Projekt-Homepage des SAFARI2000-Projekts) heruntergeladen (ORNL 2009: o.S.).
Anschließend lagen sie als hdf-Dateien vor. Die entsprechenden Dateien ließen sich
allerdings (im Gegensatz zu den MODIS-hdf-Dateien) nicht mit Geomatica öffnen
(PCI GEOMATICS 2003: o.S.). Ausweichend musste der Import in das pix-Format mit
der Software Envi der Firma International Telephone & Telegraph Visual
Information Solutions (ITT VIS) vorgenommen werden (ITT VIS 2008: o.S.)

55
6.2.2 Geometrische Korrektur

Im Anschluss an den Import der Daten wurde die geometrische Korrektur

durchgeführt. Dies war nötig, da nicht alle verwendeten Satelliten-Szenen korrekt auf
der Erde lokalisiert waren. Das jedoch ist die Grundvoraussetzung für die
nachfolgende radiometrische Korrektur, in der unter anderem anhand eines digitalen
Geländemodells eine topographische Normalisierung durchgeführt wird.
Die verwendeten Landsat-L1T-Daten (Abschnitt 5.1) waren bereits
orthorektifiziert und geländekorrigiert. Dennoch zeigte sich bei der Betrachtung der
Szenen, dass diese einen Versatz von bis zu zwanzig Pixeln aufwiesen. Daher war
eine Nachbearbeitung in Form einer Koregistrierung, d. h. einer Ausrichtung aller
Szenen anhand einer Ausgewählten, nötig (SCHOWENGERDT 2007: 286).
Die Koregistrierung wurde mit Hilfe des OrthoEngines von Geomatica
durchgeführt. Hierbei wurden pro Szene unter Zuhilfenahme des SPOT-5-Mosaiks
des Kruger Parks etwa fünfzig manuelle Ground Control Points (GCPs) gesetzt
(CD-Anhang 1) (PCI GEOMATICS 2003: o.S.).
Das Festlegen der GCPs erfolgte zunächst mit der Methode Rational Function
(Abschnitt 6.1.1.1) (PCI GEOMATICS 2003: o.S.). Dadurch erhält man beim Setzen
der GCPs stets Informationen über Residuen, die beim Koregistierungs-Prozess
entstehen würden. Diese dienten als Kontrolle. Somit konnte sichergestellt werden,
dass nicht versehentlich falsche Bildpunkte in den unterschiedlichen Szenen
miteinander in Verbindung gesetzt wurden. Es wurden nur GCPs für die
Koregistrierung verwendet, deren Gesamtresiduen (Kombination der Residuen in x-
und y-Richtung) unter einem Pixel (28,5 Meter) lagen (EO 2009: o.S). Im weiteren
Verlauf wurden die erstellten GCPs in txt-Dateien gespeichert. Anschließend wurde
ein neues Projekt erstellt, in dem mit der Funktion Thin-Plate-Spline (bei der es
keine Residuen gibt) (Abschnitt 6.1.1.1) und den dazu geladenen GCPs die
eigentliche Koregistrierung mittels Nearest Neighbour Resampling (Abschnitt
6.1.1.1) durchgeführt wurde (ESRI 2008: o.S., PCI GEOMATICS 2003: o.S.).
In gleicher Weise fand auch die geometrische Korrektur der noch nicht
orthorektifizierten SPOT-Level-1A- sowie der MAS-Daten statt. Da die Ausdehnung
einer SPOT-Szene jedoch nur etwa einem neuntel einer Landsat-Szene entspricht
(Abschnitt 5.1 und 5.2), wurden diese lediglich mit durchschnittlich zwanzig GCPs
(CD-Anhang 2) entzerrt. Bei den MAS-Flugstreifen hingegen wurden jeweils etwa

56
100 GCPs gesetzt (CD-Anhang 3), da insbesondere an den Szenenrändern durch die
Aufnahmegeometrie bedingte, extreme Verzerrungen vorlagen.
Die MODIS-Daten lagen nach dem Import mit dem eigens dafür entwickelten
Reprojektions-Werkzeug (Abschnitt 6.2.1) bereits in korrekter geometrischer
Ausrichtung vor, so dass keine weitere Anpassung nötig war (LP DAAC 2009: o.S.).

6.2.3 Radiometrische Korrektur

Im Anschluss an die geometrische Entzerrung der Daten erfolgte die

radiometrische Korrektur wie in Abschnitt 6.1.1.2 beschrieben. Hierbei wurden die
Geomatica-Xpace-Module ATCOR und MODEL verwendet. Da das ATCOR-Modul
als Eingangsdaten in 8 Bit kodierte Digital Numbers (DNs) verlangt, erfolgte die
damit realisierte Atmosphärenkorrektur zuerst. Anschließend wurden die ebenfalls in
8 Bit dargestellten Ausgabedaten in Reflektanzen umgewandelt (PCI GEOMATICS
2003: o.S.).
Um die Atmosphärenkorrektur durchzuführen mussten sämtliche
szenenspezifische Parameter angegeben werden. Hierzu zählen der Aufnahmesensor
(Landsat ETM+ beziehungsweise SPOT-HRV/-IR), Aufnahmedatum,
Höheninformationen (in Form des digitalen Geländemodells (DGM)), Sonnenstand
und Atmosphärenbedingungen. Letztere konnten auf Grund mangelnder
Informationen nur näherungsweise bestimmt werden. Im Allgemeinen wurde eine
ländliche Atmosphäre angenommen, die in Abhängigkeit der Jahreszeit als humid
(Oktober bis März) beziehungsweise arid (April bis September) festgelegt wurde
(PCI GEOMATICS 2003: o.S.).
Das Resultat der Atmosphärenkorrektur sind spektral deutlich verbesserte
Datensätze, mit denen die Ausweisung der Brandflächen fortgesetzt werden kann.
Exemplarisch ist der Einfluss der Atmosphärenkorrektur auf die Reflektanz in
Abbildung 18 für einen Buschweidenbestand (Combretum Apicuatum) in einer
Landsat-ETM+-Szene dargestellt.

57
 Spektraler Reflektanzen-Vergleich zweier Landsat-Szenen in
mäßig dichter Buschweiden-Savanne
0,7
keine
0,6
Atmosphärenkorrektur
0,5 18.10.2000
Reflektanz

0,4 Atmosphärenkorrektur
18.10.2000
0,3
0,2 keine
Atmosphärenkorrektur
0,1
31.08.2000
0 Atmosphärenkorrektur
1 2 3 4 5 7 31.08.2000
Landsat-Kanal

Abb. 18: Spektraler Reflektanz-Vergleich zweier Landsat-Szenen in mäßig dichter

Buschweiden-Savanne

Aufgrund der Tatsache, dass während der Datenerhebung unterschiedliche

Einstrahlungsbedingungen herrschten, in Zusammenhang mit dem Fakt, dass die
Szenen anschließend untereinander verglichen werden sollten, war es nötig, die 8
Bit-kodierten Digital-Number-(DNs)-Ausgabedaten der Atmosphärenkorrektur
zunächst in Strahlungs- und anschließend in Reflektanz-Werte umzuwandeln. Da die
Strahlung jedoch in W/(m² * sr) angegeben werden, beziehungsweise die
Reflektanzen in Werten zwischen 0 und 1, mussten diese in 32-Bit-Kanälen
gespeichert werden, um den vorkommenden Kommastellen Rechnung zu tragen
(RSCC o.J.: o.S.). Zwischen den DNs und den spektralen Strahlungswerten besteht
ein linearer Zusammenhang. Dieser kann durch den höchsten und niedrigsten am
Sensor gemessenen Strahlungswert für jeden spektralen Kanal charakterisiert werden
(Informationen darüber wurden in den Meta-Daten der Szenen mitgeliefert) (CEO
2003: 1, SMITH 2005: 1). Die Umrechnung erfolgte mit dem Geomatica XPace-
Modul MODEL anhand folgender Formel nach RSCC (o.J.: o.S.):

58
 jE,k jEC- 
i= ∗ W2 + iPVH (15)
##

Mit: L = Strahlung in W/(m²*sr)

Lmax bzw. Lmin = höchster bzw. niedrigster am Sensor gemessener
Strahlungswert in W/(m²*sr)
DN = Pixel-Wert als Digital Number

Anschließend konnten die konvertierten Landsat-Daten in Reflektanzen ρ (welche

neben den reinen Strahlungswerten auch von der eingestrahlten Energiemenge im
jeweiligen spektralen Kanal (Abb. 14) abhängt) umgewandelt werden. Dies geschah
nach folgender Formel gemäß ESE (2007: 4f.):

m∗j∗n²
l= (16)
opq5r ∗stuv

Mit: d = Abstand Erde-Sonne in Astronomischen Einheiten (AE)

ESUNλ = außeratmosphärische solare Einstrahlung in W/(m² * µm) des
jeweiligen spektralen Kanals (entsprechend Anhang 18)
Θ = Sonnen-Zenit-Winkel in Grad

Der Abstand Erde-Sonne wurde aus dem Julianischen Tag (welcher wiederum aus
dem Datum ermittelt wurde) abgeleitet. Die entsprechende Formel lautet:

;∗z∗{|.},~b;=
wxy  
(= =
#€,#
+1 (17)

Mit: julday = Julianischer Tag des Jahres

Sin (x): x in rad

59
 Im Gegensatz zu allen anderen Kanälen können die thermalen Kanäle (61 und 62)
in eine weitere, physikalisch besser begründbare Größe konvertieren. Hierbei handelt
es sich um die effektive am Sensor gemessene (beziehungsweise abgeleitete)
Temperatur T in Kelvin. Diese berechnet sich nach ESE (2007: 6) wie folgt:

‚;
9= + (18)
ƒy  G 1
„

Mit: K1 = 666,09 W/(m² * sr * µm)

K2 = 1282,71 K

Wie bei Landsat-ETM+ so besteht auch bei SPOT-HRV(IR) ein linearer

Zusammenhang zwischen den DNs und der Strahlung, die am Sensor gemessen
wurde. Da die Bias-Werte in den Metadaten jedoch als Kehrwerte angegeben sind,
müssen die Strahlungswerte wie folgt nach SPOT IMAGE (2008: o.S.) berechnet
werden:

…
i=†+ 3 (19)

Mit: L = Strahlungswert am Sensor in W / (m² * sr * µm)

X = Digital Number des jeweiligen Bildpunktes
A = Kehrwert der absolute Steigung der, den linearen Zusammenhang
beschreibenden Funktion
B = Ordinaten-Versatz der, den linearen Zusammenhang beschreibenden
Funktion

Die MODIS-Daten waren bereits vollständig radiometrisch korrigiert (wie in

Abschnitt 5.3.1 beschrieben). Lediglich die Kodierung der Reflektanzen auf 16 Bit
musste noch abgeändert werden. Da jegliche Reflektanzen um das Zehntausendfache
erhöht gespeichert wurden, wurde eine Division durch diesen Wert im Geomatica
Raster Calculator vorgenommen (PCI GEOMATICS 2003: o.S., VERMOTE &
KOTCHENOVA 2008: 13).

60
6.3 Erstellung von Ableitungen zur Brandflächenausweisung

Im Folgenden soll die Erstellung der Ableitungen (Ratios beziehungsweise

Indices und Principal Components Transformation), deren Potential zur
Brandflächenausweisung im Rahmen dieser Arbeit getestet werden soll, näher
erläutert werden.

6.3.1 Ratios

Bei der Ableitung der Ratios beziehungsweise Indices kam es insbesondere darauf
an, deren Übertragbarkeit zwischen den Sensoren Landsat-TM, SPOT-HRV(IR)
sowie MODIS zu ermöglichen. Zur Auswahl standen die bereits in Abschnitt 4.2
beschriebenen Ableitungen NDVI, MSAVI, GEMI, NBR sowie deren
Modifikationen.
Der NBR und eine für die Detektion von Brandflächen entwickelte Variation des
GEMI (bei dem die Reflektanz des ersten AVHRR-Kanals mit der des dritten ersetzt
wird), mussten verworfen werden, weil nicht für alle Sensoren entsprechende Kanäle
im mittleren infraroten Wellenlängenbereich zur Verfügung standen. Die spektrale
Abdeckung der verwendeten Sensoren sowie des MODIS-Reflektanz-Produkts kann
Abbildung 19 entnommen werden.

Abb. 19: Spektrale Abdeckung der verwendeten Sensoren beziehungsweise des

MODIS-Reflektanz-Produkts

Der NDVI wurde ursprünglich zur Analyse der Vegetationsvitalität entwickelt

und berechnet sich laut TUCKER (1979: 127) wie folgt:

61
 :‡ˆ‰ :hŠ‹
2W7
= (20)
:‡ˆ‰ 1:hŠ‹

Mit: ρNIR = Reflektanz im nahinfraroten Wellenlängenbereich

ρrot = Reflektanz im rot Wellenlängenbereich

Auf Grund der Tatsache, dass bei einem Landschaftsbrand im Wesentlichen die
Deposition schwarzer Asche stattfindet und die Menge der Vegetation verringert
wird, kommt es zu einer Reduktion der Reflektanz im roten Wellenlängenbereich
(Abb. 20). Im gleichen Zuge tritt durch die Verminderung der photosynthetischen
Aktivität sowie der vorhandenen Zellstruktur eine Reduktion der Reflektanz im
nahinfraroten Wellenlängenbereich (NIR) ein. Aus diesem Grund lässt sich der
NDVI auch gut zur Brandflächendetektion einsetzen (CHONGO et al. 2007: 81,
LENTILE et al. 2006: 321, TUCKER 1979: 127).

Abb. 20: Spektrale Eigenschaften von trockener und brauner Vegetation sowie
schwarzer und weißer Asche (verändert nach LANDMANN 2003b: 48)

Neben dem NDVI konnte auch eine Abwandlung des Modified Soil Adjusted
Vegetation Index (MSAVI) sowie der GEMI (Global Vegetation Monitoring Index)
zum Einsatz kommen, die sich nach BARBOSA et al. (1999: 253) wie folgt berechnen:

62
 ∗ :; 1; c∗:; 1; \∗:; :G
2. ]Ž7
= (21)


Mit: ρ1 = Reflektanz des ersten AVHRR-Kanals (zentrale Wellen-

länge = 0,63 µm ≡ roter spektraler Bereich) (EO 2009: o.S.)
ρ2 = Reflektanz des zweiten AVHRR-Kanals (zentrale Wellen-
länge = 0,862 µm ≡ nahinfraroter spektraler Bereich) (EO 2009: o.S.)

H∗ ,#∗H :G ,#
]
= (22)
 :G 

∗:; ; :G ; ‘1,#∗:; 1,#∗:G

Mit:  = :; 1:G 1,#

ρ1 = Reflektanz des ersten AVHRR-Kanals (zentrale Wellenlänge = 0,63µm)

(EO 2009: o.S.)
ρ2 = Reflektanz des zweiten AVHRR-Kanals (zentrale Wellenlänge = 0,862
µm) (EO 2009: o.S.)

Die Berechnung von NDVI, 2. MSAVI und GEMI wurde im Raster Calculator
des Geomatica Focus durchgeführt. Die dafür verwendeten Kanäle des jeweiligen
Sensors können Tabelle 10 entnommen werden.

Tab. 10: Kanaläquivalente der verwendeten Sensoren beziehungsweise des MODIS-

Reflektanz-Produkts für den roten und nahinfraroten (NIR) Wellenlängenbereich
(verändert nach EO 2009: o.S.)

63
6.3.2 Wolkenmaske

Die Ausweisung von Wolken beziehungsweise insbesondere der Wolkenschatten

stellt einen entscheidenden Schritt bei der Detektion von Brandflächen dar, da gerade
letztere auf den beobachteten Oberflächen ähnliche spektrale Eigenschaften
hervorrufen wie Feuer. Somit können Wolkenschatten durch ihre Nicht-Ausweisung
entsprechende Konfusion bei der Brandnarben-Klassifikation verursachen (TANAKA
et al. 1983: 19).
Die Erstellung von Masken für Wolken und Wolkenschatten wurde im Definiens
Developer 7 durchgeführt. Hierbei wurden verschiedene Ansätze zunächst für die
Landsat-TM-Szenen getestet und anschließend deren Übertragbarkeit sowie
Genauigkeit analysiert. Der nach diesen Kriterien (siehe Abschnitt 6.3.2.2) beste
Ansatz wird im Folgenden näher erläutert.

6.3.2.1 Wolken- und Wolkenschattendetektion

Es wurde eine Multiresolution Segmentation mit einem Scale Factor von 1

durchgeführt (Abb. 21) (DEFINIENS AG 2007a: 21f.). Dieser wurde bewusst
möglichst klein gewählt, um insbesondere bei kleinen, dichten Wolken den zentralen
Reflektanz-Peak (Anhang 21) zu erhalten. Des Weiteren wurde ein Shape Factor von
0,3 und ein Compactness Factor von 0,7 (gemäß Abschnitt 6.1.4) festgelegt
(DEFINIENS AG 2007b: 160).

Abb. 21: Prozessbaumabschnitt zur Wolken(-schatten)-Ausweisung im Definiens

Developer

64
 Da die Segmentierung mit einem sehr kleinen Scale Factor extrem rechenintensiv
ist, musste der jeweils analysierte Datensatz in Kacheln aufgeteilt werden. Dazu steht
eine entsprechende Funktion im Definiens Developer zur Verfügung. Die erzeugten
Kacheln hatten eine Ausdehnung von dreitausend Bildpunkten (jeweils in
horizontaler und vertikaler Richtung) (DEFINIENS AG 2007a: 78).
Durch die Kachelung wurden unter anderem Szenen-Teile erzeugt, die einen
großen Anteil des Bildrandes enthielten. Da für die Ausweisung der Brandflächen
ein Ratio aus dem Mittelwert des 2. MSAVI eines jeden Objekts und der Gesamtheit
aller Landbedeckungen verwendet werden sollte, mussten diese Randbereiche
zunächst eliminiert werden. Andernfalls hätten sie den Kachelmittelwert sehr stark
herabgesetzt, was wiederum den Ratio verfälscht hätte. Weiterhin kann eine
Verschiebung dieses Quotienten durch extensive Bewölkung hervorgerufen werden,
so dass auch diese vor der Ratio-Berechnung ausmaskiert werden mussten.
Somit wurde zunächst ein Kriterium zur Randausweisung aufgestellt (Abb. 21).
Da die Werte des Randes zwar sehr gering, jedoch nicht genau null waren, wurde
eine Fuzzy Membership Function (Abschnitt 6.1.4) verwendet, die zwischen 0 und
0,0001 von 1 auf 0 abfällt (DEFINIENS AG 2007b: 209).
Im Anschluss konnte mit der Ausweisung der Wolken und Wolkenschatten
begonnen werden. Die Verwendung eines thermalen Kanals zur Unterscheidung
zwischen Schatten und Brandflächen, wie dies beispielsweise bei ROY et al. (2005:
4276) mit gutem Erfolg realisiert wurde, musste allerdings verworfen werden, weil
lediglich der Landsat-TM einen solchen aufweist und daher die Übertragbarkeit auf
MODIS und SPOT nicht gewährleistet werden konnte.
Für die Klassifikation der Wolken wurde ebenfalls ein fuzzy-Ansatz verwendet,
der sich in eine a priori- und eine a-posteriori-Bedingung aufspaltet (Abb. 21). Die
Membership Function der a priori-Ausweisung ist in Abbildung 22 links dargestellt.
Der Grenzwertbereich wurde zunächst bewusst hoch angesetzt, um
Fehlklassifikationen zu vermeiden. Denn da die Wolkenklassifikation im Folgenden
noch Grundlage für die Wolkenschattenklassifikation sein sollte, hätten
Fehlausweisungen auch Folgefehler bei den Wolkenschatten und in diesem
Zusammenhang auch bei den Brandflächen hervorgerufen.
Nach der Vorab-Wolken-Ausweisung konnte nun -mit dem erlangten Wissen über
die grobe Lage der Wolken- eine a-posteriori-Klassifkation mit gelockerten
Bedingungen durchgeführt werden. Das heißt, dass der fuzzy-Schwellenbereich auf

65
0,2 bis 0,22 herabgesetzt wurde. Jedoch wurde durch die Zusatzbedingung, dass
Wolken a posteriori nur in unmittelbarer Nachbarschaft zu Wolken a priori liegen
dürfen (Abb. 22 rechts), der Error of Commission weiterhin niedrig gehalten. Um
den Rechenaufwand möglichst gering zu halten, wurden nach jeder Klassifikation
jeweils alle entsprechenden Objekte zusammengefasst (Beispiel siehe Anhang 20).

Abb. 22: Links: Membership Function für die Reflektanz des grünen Kanals, Rechts:
Membership Function für die Existenz eines Nachbar-Objekts Wolke-a-priori

Durch Probieren zeigte sich, dass für die Ausweisung der Wolkenschatten ein
GEMI-Ratio zwischen Einzelobjekten und Szene die besten Ergebnisse lieferte. Um
die Verfälschung des GEMI-Szenenmittelwertes möglichst gering zu halten, mussten
etwaige Ränder (inklusive nicht zum Kruger Park gehörige Gebiete) sowie bereits
detektierte Wolken ausmaskiert werden. Die Berechnung des GEMI-Szenen-
Mittelwerts geschah durch das Kopieren der Segmentierungsebene und der
Zusammenführung aller Objekte, die noch nicht klassifiziert wurden, in diesem
gröberen Segmentierungslevel (Abb. 21). Anschließend konnte der Objekt-Szenen-
Ratio stellvertretend als Objekt-Super-Objekt-Ratio definiert werden.
Die Kriterien für die Wolkenschatten-Klassifizierung sind zum einen ein Wert des
besagten Ratios von unter 0,75 (mit einer Übergangsfunktion bis 0,8), zum anderen
eine maximale Distanz zu Wolken von 3300 Metern (mit einer Übergangsfunktion
bis 3500 Meter). Der Wert für das letztgenannte Kriterium wurde durch Probieren
ermittelt (Anhang 21). Da die Entfernung des Wolkenschattens von der Wolke im
Wesentlichen durch den Sonnenstand bestimmt wird, wurde zur Bestimmung die
Szene mit dem größten Sonnen-Zenit-Winkel verwendet. Ein exemplarisches
Klassifikationsergebnis ist in Anhang 22 dargestellt.

66
 Die Übertragbarkeit des Kriteriums zur Wolkenausweisung auf die SPOT-Daten
erwies sich als nicht möglich. Dies lag begründet in der Tatsache, dass bewölkte
Gebiete deutlich niedrigere Reflektanzen aufwiesen als in den Landsat-Daten. Die
Ursache hierfür stellen die mangelnden Kenntnisse bei der Atmosphärenkorrektur
dar. Dies zeigte sich bei einer Betrachtung der Wolken unmittelbar nach dem Import
der Szenen, bei der die 8-Bit-Grauwerte nahe der Sättigung von 255 liegen.
Weiterhin beruft sich der Landsat-Regelsatz bei der Wolkenausweisung auf den
zweiten (grünen) Spektralkanal. Dessen Äquivalent in den SPOT-Daten ist jedoch
der erste Spektralkanal, so dass auch in dieser Hinsicht ein Umbau der Kriterien
stattfinden musste.
Somit kam für alle SPOT-Szenen nach der Rand-Ausweisung (die in gleicher
Weise ablief, wie für die Landsat-Szenen) ein fuzzy-Schwellenwert im ersten
Spektralkanal (grün) zur Anwendung. Dieser steigt zwischen 0,044 und 0,046 von
null auf eins an. Bei der Ausweisung der Wolkenschatten konnte erneut das
Kriterium der Landsat-Szenen eingesetzt werden, da es sich bei diesem nicht um ein
absolutes Maß handelt, sondern um einen Wert relativ zum Szenen-Mittelwert.
Die Übertragbarkeit des Landsat-Wolkenmasken-Regelsatzes auf die MOD09A1-
Daten war anschließend wieder ohne Probleme möglich. Jedoch bestand auch hier
das Problem, dass beispielsweise der grüne Spektralkanal (der in den Landsat-Daten
der zweite und in den SPOT-Daten der erste Kanal ist) in den MODIS-Szenen
jeweils der vierte Kanal war.

6.3.2.2 Genauigkeitsanalyse

Um festzustellen, welcher getestete Ansatz zur Wolkenmaskierung am besten

geeignet ist, musste eine objektive Genauigkeitsanalyse (wie in Abschnitt 6.1.5
beschrieben) durchgeführt werden. Diese wurde durch zufällig gewählte Punkte
(Samples) realisiert (CONGALTON 1991: 36, FOODY 2002: 190, STEHMAN &
CZAPLEWSKI 1998: 332). Die Erstellung der Samples wurde mittels des Accuracy
Assessment Tools im Geomatica Focus durchgeführt. Damit die Samples
ausschließlich in den Bereichen der Wolken beziehungsweise Wolkenschatten sowie
der nicht bewölkten Gebiete gesetzt wurden, bedurfte es einiger Vorarbeit:

67
 Zunächst wurden die Landsat-ETM+-Szenen mit Shape-Dateien, die auf Basis der
Ergebnisse des in Abschnitt 6.3.2.1 geschilderte Regelsatzes erstellt wurden,
ausgeschnitten, so dass in allen bewölkten Bereichen nunmehr ausschließlich
Nullwerte vorhanden waren. Da sich die ausmaskierten Bereiche dadurch jedoch in
keiner Weise von den Randbereichen unterschieden, wurde manuell ein weiteres
Polygon erstellt, das die Ränder von den informationsbehafteten Regionen abtrennte.
Bei einer weiteren Maskierung mit diesem Polygon sollten diese Ränder nun aber
nicht als Nullwerte sondern no data ausgewiesen werden. Da Geomatica beim
Ausschneiden aber alle Gebiete auf no data setzt, die in allen Kanälen Nullwerte
enthalten, musste zunächst ein Kanal so manipuliert werden, dass sich seine Werte
von Null unterschieden. Dies wurde dadurch erreicht, dass der jeweils erste Kanal
mit 100 multipliziert und anschließend um 1 erhöht wurde. Die Multiplikation mit
100 bewirkte, dass bei einer Umwandlung von 32 Bit in 8 Bit (welche für die
Aggregierung und die Genauigkeitsanalyse nötig war) nicht alle Reflektanzwerte
(mit einem Wertebereich von 0 bis 1) den gleichen Grauwert annahmen. Durch die
Addition mit 1 enthielten nun alle Rand- und Wolken- beziehungsweise
Wolkenschattengebiete den Wert 1. Anschließend konnten die Datensätze mit dem
manuell erstellten Polygon ausgeschnitten werden. Alle Randbereiche wurden nun
auf no data gesetzt, da die Wolken- und Wolkenschattenbereiche aber in einem
Kanal den Wert von 1 hatten, behielten sie diesen bei und konnten somit von den
Rändern unterschieden werden.
In der nun folgenden Aggregierung wurde allen Wolken- und
Wolkenschattengebieten ein neuer Grauwert zugewiesen. Alle nicht von Wolken
beeinflussten Bereiche erhielten einen anderen Grauwert.
Abschließend wurde die eigentliche Genauigkeitsanalyse mit 200 Samples pro
Szene durchgeführt. Hierbei ergab sich die in Anhang 23 dargestellte Konfusions-
Tabelle. Die Gesamtgenauigkeit von 92,6% gibt einen Eindruck davon, dass es mit
dem erarbeiteten Ansatz gut gelungen ist, die wolkenbeeinflussten Areale
herauszuarbeiten. Bei der Betrachtung der Einzelgenauigkeiten zeigt sich, dass der
Error of Commission der Klassifikation mit 10,9% etwas höher liegt, als der Error of
Omission (5,5%). Dies hat zur Folge, dass bei der eingentlichen
Brandflächenklassifikation der Error of Commission verhältnismäßig klein ausfallen
wird, da die Flächen die fälschlicher Weise als Brandflächen ausgewiesen werden
können, vergleichsweise klein sind.

68
6.3.3 PCT

Die PCT, die mit dem Geomatica XPace-Modul PCA (Principal Component
Analysis) durchgeführt wurde, kann grundsätzlich mit allen spektralen Kanälen
durchgeführt werden. Um den Algorithmus übertragbar zu gestalten, wurden nur
Kanäle aus Wellenlängenbereichen verwendet werden, die bei allen Sensoren zur
Verfügung stehen. Die in die PCT integrierten Kanäle für jeden Sensor können
Tabelle 11 entnommen werden.

Tab. 11: In der PCT verwendete Kanäle (verändert nach EO 2009: o.S.)

*der vierte Kanal wurde nur bei HRVIR-Szenen verwendet, da er beim HRV-Sensor nicht zur
Verfügung steht

Da einige der verwendete Satelliten-Szene sehr stark wolkenbeeinflusst waren

und bei einer PCT das Ergebnis für die nicht bewölkten Gebiete leicht durch Wolken
beeinflusst werden kann, musste diese nach der Wolkenmaskierung durchgeführt
werden.

6.4 Trennbarkeitsanalyse

Zur Trennung der nicht verbrannten Flächen von den Brandnarben, können alle
spektralen Kanäle sowie Ableitungen (Abschnitt 6.3.1 und 6.3.3) herangezogen
werden, die in gleicher oder ähnlicher Weise für alle verwendeten Sensoren zur
Verfügung stehen (siehe Abbildung 19 zuzüglich NDVI, 2. MSAVI, GEMI und
PCT-Kanäle).
Da es unmöglich war, die spektralen Eigenschaften aller Brandflächen eines
bestimmten Alters (das heißt, eine bestimmte Anzahl von Tagen nach Beendigung
des Brandes) mit allen Landbedeckungen für alle Sensoren zu überprüfen, wurden

69
exemplarisch zwei Brandflächen ausgewählt, die jeweils in einer Landsat-, einer
SPOT- und einer MODIS-Szene auszumachen waren. Hierbei unterschied sich
allerdings das Alter der Brandflächen in den Szenen (Tab. 12). Eine Narbe befindet
sich auf basaltischem Ausgangsgestein, das von Süßdornakazien-Bewuchs dominiert
wurde, die andere befand sich auf buschweidendominiertem granitischem Boden.

Tab. 12: Alter der Brandflächen in den verschiedenen Szenen

* mittlere Feuerintensität, Basalt, süßdornakaziendominiert

** mittlere-hohe Feuerintensität, Granit, buschweidendominiert

Als Vergleichsklassen wurden zwei Landbedeckungstypen verwendet, von denen

sich ebenfalls eine auf granitischem und eine auf basaltischem Boden befand. Erstere
wurde wie die entsprechende Brandfläche auch im Wesentlichen von Buschweiden
bestanden, letzere von Zwergakazien. Zusätzlich erfolgte in der Landsat-Szene der
Vergleich mit einem bewässerten, sehr vitalen Landbedeckungstyp außerhalb des
Kruger Parks.
Für die vier beziehungsweise fünf Klassen wurden manuell im Geomatica Focus
Bitmap-Segmente erstellt, deren spektrale Eigenschaften mit Hilfe des Xpace-Moduls
CSG in Segmente übertragen wurde. Die entsprechenden Signaturen können Anhang
24 (Landsat), Anhang 25 (SPOT) und Anhang 26 (MODIS) entnommen werden.
Anschließend wurde die Trennbarkeit der Signaturen mit dem Modul SIGSEP für
jeden Kanal (das heißt für den grünen, den roten, den nahinfraroten und den
mittelinfraroten Spektralbereich sowie für den NDVI, den 2. MSAVI, den GEMI und
die ersten beiden Hauptkomponenten der Principal Components Analysis) einzeln
berechnet. Die Trennbarkeiten (Bhattacharyya Distance) für alle Landbedeckungs-
und Brandflächenklassen in allen Kanälen sind in Anhang 27 (Landsat), Anhang 28
(SPOT) und Anhang 29 (MODIS) dargestellt.
Es zeigte sich, dass in den Landsat-Daten der NDVI stark verminderte
Trennbarkeiten aufweist, was auf die herabgesetzte Vitalität der durch das Feuer
unbeeinträchtigten Vegetation zurückzuführen ist (diese wird durch Wasserstress
hervorgerufen). Hingegen erreichen der nahinfrarote und mittelinfrarote
70
Spektralkanal sowie der 2. MSAVI und der GEMI bei der Unterscheidbarkeit
zwischen den Brandflächen und den nicht-feuerbeeinflussten Landschaften fast in
allen Fällen den Höchstwert von 2,0. Dies bedeutet jedoch nicht, dass eine perfekte
Trennbarkeit zwischen den Klassen vorliegt, sonder lediglich, dass es hinsichtlich
der Bhattacharyya Distanz keine Überschneidungen der Signaturen der manuell
erstellten Bitmap-Segmente gibt. Dies macht eine problemlose Trennung zwar
wahrscheinlicher, ist aber keineswegs zwingend (PCI GEOMATICS 2003: o.S.).
Bei den SPOT-Daten sind die Trennbarkeiten allgemein niedriger als bei Landsat
(was sehr wahrscheinlich am Alter der Brandflächen liegt). Gute Trennbarkeiten
liefern hier insbesondere der grüne, der rote und der mittelinfrarote Spektralkanal
sowie die erste PCT-Hauptkomponente. Insbesondere die Trennbarkeit der fast 70
Tage alten Brandfläche auf basaltischem Ausgangsgestein von der unberührten
granitbasierten Landschaft ist deutlich herabgesetzt. Das liegt daran, dass die
verbrannte Fläche ihren Ausgangszustand nach dieser Zeit nahezu wiedererlangt hat.
Die Trennbarkeiten zwischen den Brandflächen und den unbeeinflussten
Landschaften betragen in den MODIS-Daten im Allgemeinen 2,0 (Höchstwert), so
dass sich daraus keine sinnvollen Vergleiche zwischen den einzelnen Kanälen
anstellen lassen. Es ist jedoch davon auszugehen, dass die Trennbarkeit in den
Kanälen besser ist, in denen sich auch die Brandflächen untereinander besser trennen
lassen. Diese liegt für den SWIR und den NDVI mit Werten über 1 am besten.

6.5 Brandflächenausweisung

Bei der Ausweisung der Brandflächen konnte auf die Erkenntnisse aus der
Trennbarkeitsanalyse (Abschnitt 6.4) zurückgegriffen werden. Da die Detektion
zunächst mit den Landsat-Daten durchgeführt wurde, kamen anfänglich die Kriterien
zum Einsatz, die für diesen Sensor gute Trennbarkeiten lieferten. Hierbei erwies sich
der 2. MSAVI als am besten geeignet. Allerdings traten zwischen den einzelnen
Szenen leichte Reflektanz-Unterschiede auf. Diese können durch saisonal
abweichende Bedingungen, variierende Feuchtigkeit sowie nicht optimal
durchgeführte Atmosphärenkorrektur verursacht worden sein (HARDY & BURGAN
1999: 603, RICHTER 2005: 92f.). Diese Unterschiede verhinderten, dass ein optimaler
Schwellenwert gefunden werden konnte. Somit musste - wie schon bei der

71
Wolkendetektion - auf einen Ratio aus Objekt- und Szenen-Mittelwert
zurückgegriffen werden. Dieses Kriterium erwies sich für wolkenmaskierte Gebiete
des Kruger Parks über verschiedene Szenen hinweg als äußerst robust.
Durch die vorgenommene Relativierung des 2. MSAVI-Wertes durch dessen
Szenen-Mittelwert war es weiterhin möglich, den verwendeten Schwellenwert (alle
nicht maskierten Flächen mit einem Ratio unter 0,6 wurden als Brandflächen
ausgewiesen) auch auf die SPOT- und MODIS-Szenen zu übertragen. Allerdings
musste stets darauf geachtet werden, dass nicht nur Szenen-Ränder, Wolken und
Wolkenschatten ausmaskiert waren, sondern auch Gebiete, die außerhalb des Kruger
Parks lagen (dies geschah mit einem Polygon-Datensatz der Grenzen des KNP
welcher von SANParks bereitgestellt wurde). Andernfalls wäre der Szenen-
Mittelwert des 2. MSAVI-Kanals und damit das Klassifikationsergebnis verfälscht
worden. Dies begründet sich durch häufigeres Vorkommen von Oberflächen mit sehr
niedrigem 2. MSAVI, die im Kruger Park nur sehr kleine Flächen einnehmen.
Hierzu zählen beispielsweise offene landwirtschaftliche Nutzflächen, bestimmte
Bebauung oder gänzlich andere natürliche Landbedeckungen, wie sie unter anderem
außerhalb der Lowveld-Region vorkommen (zum Beispiel waren in den MODIS-
Daten auch weite Teile der Graslandschaften der Highveld-Region, die sich im
Westen an das Lowveld anschließen, enthalten) (BSA 2009: o.S.).
Nach der Ausweisung der Brandflächen mit dem beschriebenen Regelsatz fand
eine Verschmelzung (merge) der klassifizierten Segmente statt, die abschließend in
das shp-Format exportiert wurden (Abb. 23). Exemplarische
Klassifikationsergebnisse für die Landsat-, SPOT und MODIS-Daten sind in
Abbildung 24, 25 und 26 (Beispiel-Projekte siehe CD-Anhang 4) dargestellt.

Abb. 23: Prozessbaum für Klassifikation und Export der Brandflächen im Definiens
Developer

72
Abb. 24: Exemplarische Brandflächenklassifikation mittels Landsat-ETM+-Szene
vom 31.08.2000 (MAS-Flugstreifen vom 07.09.2000, Datum des Brandbeginns:
19.07.2000)

73
Abb. 25: Exemplarische Brandflächenklassifikation mittels SPOT-HRVIR-Szene
vom 22.08.2000 (Datum des Brandbeginns: 10.08.2000)

74
Abb. 26: Exemplarische Brandflächenklassifikation mittels MOD09A1-Szene vom
05. – 12.09.2000 (MAS-Flugstreifen vom 07.09.2000, Datum des Brandbeginns:
19.07.2000)

Es wird deutlich, dass die Klassifikation der Brandflächen für alle drei Sensoren
mit gutem Erfolg stattfindet (obgleich bei den SPOT-Daten der Schwellenwert
angepasst werden musste). Rein optisch übersteigt die Genauigkeit sogar die des von
SANParks bereitgestellten Shape-Datensatzes (siehe Abschnitt 5) (Vergleich Abb.
25). Insbesondere von den Brandnarben umgebene nicht verbrannte Flächen werden
durch den verwendeten Ansatz besser ausgewiesen.
Darüber hinaus werden auch Brandflächen detektiert, die die temporale Auflösung
der verwendeten Sensoren um ein vielfaches übersteigt. Der Grund hierfür ist der
sukzessiv erfolgende Reflektanzanstieg auf feuerbeeinflussten Flächen über mehrere
Monate nach einem Brand (PEREIRA et al 2006: 217). Dieser Sachverhalt wird auch
aus Abbildung 27 deutlich, in der neben dem Anwachsen der Reflektanz auch der
Anstieg des 2. MSAVI und des GEMI dargestellt ist. Einzig im roten Spektralkanal
ist zum Ende der Regenerationsphase ein Rückgang des Signals zu verzeichnen. Dies
75
ist auf die erhöhte Vitalität zurückzuführen (BOOCHS et al. 1990: 1744). Der starke
Anstieg zwischen dem letzten und vorletzten Schritt der Darstellung ist durch das
Einsetzen der Regenzeit zu erklären (dies steht auch in Einklang mit der langen
vorangegangen Periode erhöhter Bewölkung und erhöhten Niederschlags, in der
keine Daten aufgenommen werden konnten) (SANP 2007: o.S.).

Veränderung der spektralen Eigenschaften einer Brandfläche in

MOD09A1-Daten
1
0,9
Reflektanz bzw. Index-Wert

0,8 grün (545-565 nm)

0,7
rot (620 - 670 nm)
0,6
0,5
NIR (841 - 876 nm)
0,4
0,3 2. MSAVI
0,2
0,1 GEMI

Aufnahme-Zeitspannen der MOD09A1-Daten

Abb. 27: Sukzessive Veränderung der spektralen Eigenschaften sowie des 2. MSAVI
und des GEMI auf einer Brandfläche (Stardatum: 18.07.2000) (basierend auf den
MOD09A1-Daten ausgewählter Daten)

Der kontinuierliche Anstieg der Reflektanzwerte ermöglicht also eine

Brandflächenausweisung auch nach längeren Perioden, in denen auf Grund von
Bewölkung keine Daten akquiriert werden können. Allerdings wird der Error of
Omission mit zunehmendem Brandnarbenalter stetig größer. Somit musste für die
Genauigkeitsanalyse ein Schwellenwert gefunden werden, ab dem die Nicht-
Ausweisung von Brandflächen auf Grund ihrer Regeneration nicht mehr als Fehler
bewertet wurde. Dieser ist jedoch in starkem Maß von der Burn Severity abhängig.
Das heißt, der Schwellenwert liegt umso höher, je höher die Fire Severity, und umso
76
geringer die Niederschläge ausfallen. Da für eine statistisch repräsentative
Untersuchung des Schwellenwertes auf Grund der großen Streuung der
Relaxationszeiten keine ausreichende Datengrundlage zur Verfügung stand, wurde
durch Probieren ein Wert von 75 Tagen ermittelt, über dem der Auslassungsfehler
rapide anstieg (ISO 2004: 61).

6.6 Genauigkeitsanalyse

Um ein objektives Maß für die Qualität der Brandnarbenkartierung zu erhalten

wurde in ähnlicher Weise wie bei der Wolkenmaskierung eine Genauigkeitsanalyse
nach den in Abschnitt 6.1.5 beschriebenen Grundsätzen durchgeführt (CONGALTON
1991: 43, FOODY 2002: 193, STEHMAN & CZAPLEWSKI 1998 : 332, 336).
Die Genauigkeitsanalyse wurde mit je zwei klassifizierten Szenen pro Sensor
(Landsat-ETM+, SPOT-HRV(IR), MODIS) durchgeführt. Hierbei wurden nach
Möglichkeit Szenen unterschiedlicher Jahreszeiten verwendet, um die
Übertragbarkeit des für die Trockenzeit erarbeiteten Regelsatzes auf die Probe zu
stellen. Als Referenzdaten für die in der Trockenzeit aufgenommenen Szenen dienten
die in Abschnitt 5.4 beschrieben MAS-Daten, die ebenfalls im August und
September 2000 erhoben wurden. Auf Grund der Tatsache, dass diese beim
Vergleich mit den erzielten Ergebnissen rein visuell verwendet wurden, fielen auch
die radiometrischen Abweichungen zu den Flugstreifenrändern nicht ins Gewicht. Da
die MAS-Daten nicht die gesamte Fläche des Kruger Parks abdeckten (Anhang 30),
musste in den nicht überflogenen Gebieten (beziehungsweise in Gebieten in denen
die MAS-Daten vor der zu analysierenden Szene aufgenommen wurde (und demnach
unter Umständen noch nicht alle Brandflächen enthalten waren)) auf den vom
Scientific Service des Kruger National Parks bereitgestellten Polygon-Datensatz aller
Brände von 1992 bis 2001 (siehe Abschnitt 5) zurückgegriffen werden. In Gebieten,
in denen beides vorlag, fielen jedoch einige Diskrepanzen zwischen den MAS-Daten
und den Polygonen auf (Beispiele sind Anhang 31 zu entnehmen). Somit wurde über
die Genauigkeitsanalyse der eigenen Brandflächenklassifikation auch eine
Genauigkeitsanalyse des bereitgestellten shp-Datensatzes durchgeführt.
Je analysierter Szene wurden 150 in Abhängigkeit der Flächenanteile der Klassen
(verbrannt und unverbrannt), zufällig verteilte Samples erstellt. Dabei wurde darauf

77
geachtet, dass keine Samples in zuvor als Wolken ausgewiesenen Gebieten erstellt
wurden. Wolkenschatten wurden jedoch auf Grund der häufigen Konfusion mit
Brandflächen mit in die Analyse einbezogen (allerdings wurden diese Fläche in den
erstellten Konfusionsmatrizen mit in die Kategorie nicht verbrannter Areale
eingeordnet).
Da sich Brandflächen mit zunehmendem Alter sukzessive wieder ihrem Zustand
vor dem Brand annähern, wurden solche Gebiete, deren Brandbeginn länger als 75
Tage zurücklag nicht mit in die Genauigkeitsanalyse einbezogen. Das bedeutet, dass
bei Nichtausweisung einer solchen Brandfläche dies in der Genauigkeitsanalyse nicht
als Fehler gewertet wurde. Sollte die Brandfläche jedoch trotzdem klassifiziert
worden sein (zum Beispiel auf Grund einer sehr hohen Burn Severity), wurde auch
dies als korrekt angesehen.
Darüber hinaus trat bei einer Landsat-Szene das Phänomen auf, dass ein Brand
später am selben Tag stattfand beziehungsweise gerade im Gang war, so dass die
Brandflächen noch gar nicht oder noch nicht vollständig ausgeprägt waren. Auch in
diesem Fall wurde eine Nichtausweisung nicht als Fehler bewertet. Fehlerhafte
Klassifikationen, die als solche gewertet wurden, waren in erster Linie nicht
detektierte von Wolken überdeckte Brandflächen, bei denen die Wolken jedoch nicht
als solche klassifiziert wurden, sowie Brandflächen die als Wolkenschatten
klassifiziert wurden.
Die resultierenden Genauigkeiten können für die Landsat-Szenen Anhang 32, 33
und 34, für die Spot-Szenen Anhang 35, 36 und 37 und für die MOD09A1-Szenen
Anhang 38, 39 und 40 entnommen werden. Insgesamt ergaben sich eine
Gesamtgenauigkeit von 93,3% (Tab. 13) sowie ein Kappa-Wert von 0,76. Im
Einzelnen zeigten sich bei den Landsat- und SPOT-Daten vergleichbare
Genauigkeiten, wobei der Auslassungsfehler (Error of Omission) immer geringer
ausfiel (User Accuracy für Landsat und SPOT jeweils 98,9% beziehungsweise
97,8%) als der Error of Commission (User Accuracy für Landsat und SPOT jeweils
78,6%). Diese fehlerhafte Klassifikation nicht verbrannter Flächen als verbrannt, ist
im Wesentlichen auf die Konfusion zwischen Wolkenschatten und Brandnarben
zurückzuführen (TANAKA et al. 1983: 19). Für die MOD09A1-Daten liegen die
Genauigkeiten allgemein niedriger (90,6% der Referenz-Brandflächen wurden
korrekt klassifiziert und die Referenz-Brandflächen machen 85,5% der klassifizierten
Brandflächen aus). Dies liegt begründet in der geringeren räumlichen Auflösung des

78
MODIS-Sensors, wodurch besonders in den Randbereichen der Brandnarben ein
größerer Anteil Mischpixel entsteht. In diesen vereinen sich die spektralen
Eigenschaften verbrannter und nicht verbrannter Vegetation, so dass eine
Klassifikation schlechter möglich ist (LANDMANN 2003a: 357).

Tab. 13: Gesamt-Konfusionstabelle der Brandflächenklassifikation

*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,76)

Um die Genauigkeitsanalyse des Polygondatensatzes durchführen zu können,

wurden aus der shp-Datei zunächst nur jene Brände extrahiert, die zwischen 3. Juni
2000 (75 Tage vor der Aufnahme des ersten MAS-Flugstreifens) und dem 25.
September 2000 auftraten. Anschließend wurden die verbleibenden Polygone mittels
der Software ArcGIS 9.3 in einen Rasterdatensatz umgewandelt. Nach dem Import in
Geomatica und der Erhöhung aller Werte um 1 (damit auch die nicht verbrannten
Gebiete, die ursprünglich den Wert 0 hatten, mit in die Genauigkeitsanalyse
einbezogen werden konnten), wurden insgesamt 300 stratifizierte, bewertbare (das
heißt sowohl innerhalb des Kruger Parks als auch innerhalb der MAS-Flugstreifen)
Samples erstellt (ESRI 2008: o.S., PCI GEOMATICS 2003: o.S.). Das Ergebnis dieser
Analyse ist in Anhang 41 dargestellt. Mit einer Gesamtgenauigkeit von 93,37% und
einem Kappa-Wert von 0,72 weißt dieser Datensatz eine mit der Klassifikation
vergleichbare Qualität auf.

6.7 Vergleich der Klassifikationsergebnisse mit anderen Produkten

Der Vergleich zwischen dem Klassifikationsergebnis und dem MODIS-

Brandflächenprodukt (MCD45A1) sowie dem GLOBCARBON-
Brandflächenprodukt wurde auf Grund der vergleichbaren räumlichen Auflösung mit
den MODIS-Resultaten (MOD09A1) durchgeführt. Wie schon beim Vergleich mit
79
den MAS-Daten wurde auch hier das Accuracy Assessment Tools im Geomatica
Focus verwendet (PCI GEOMATICS 2003: o.S.). Es wurden für beide Produkte jeweils
zwei Datensätze ausgewählt (je einer in der Trockenzeit und einer in der feuchten
Jahreszeit) (Anhang 11 und 13), die mit je 100 stratifizierten Samples als Referenz
dienten.
Die Gesamtergebnisse der Vergleiche sind Tabelle 14 und 15 zu entnehmen. Die
detailierten Konfusionsmatrizen können in Anhang 42, 43 (jeweils GLOBCARBON-
Szene aus der Trocken- und Regenzeit) sowie 44 und 45 (jeweils MCD45A1-Szene
aus der Trocken- und Regenzeit) nachgeschlagen werden. Es fällt auf, dass die
Übereinstimmung mit dem MODIS-Brandflächenprodukt im Allgemeinen höher ist.
Dies liegt begründet in der geringeren Unterschätzung der Brandflächen in den
MCD45A1-Daten. Insbesondere während der Feuchtperiode werden in den
GLOBCARBON-Daten im Kruger Park nahezu gar keine Brandnarben ausgewiesen.
Jedoch beträgt auch die User Accuracy bei den MCD45A1-Daten in der Regenzeit
lediglich 50%, was einer Überschätzung der durchgeführten Klassifikation
beziehungsweise einer Unterschätzung der MCD45A1-Werte gleichkommt. Auch in
der Trockenzeit werden durch den erarbeiteten Regelsatz mehr Brandflächen
ausgewiesen als durch die Vergleichsprodukte. Dies wird insbesondere bei den
GLOBCARBON-Daten deutlich, bei denen 52,5% des als verbrannt klassifizierten
Samples nicht detektiert wurden. Einzig mit den MCD45A1 wird in der Trockenzeit
eine gute Übereinstimmung erzielt (88,9% User Accuracy der Brandflächen).

Tab. 14: Vergleich der Brandflächenausweisung mit dem GLOBCARBON-1km-

Brandflächenprodukt

*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,40)

80
Tab. 15: Vergleich der Brandflächenausweisung mit dem MODIS-
Brandflächenprodukt (MCD45A1)

*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,82)

81
7 Automatisierung

Die Automatisierung des erarbeiteten Regelsatzes zur Ausweisung von

Brandflächen wurde soweit möglich in zwei Schritten durchgeführt. Zur
Vorverarbeitung der Daten wurde eine EASI (Engineering Analysis and Scientific
Interface)-Skript-Struktur zur Anwendung in Geomatica erstellt (PCI GEOMATICS
2001: 8). Die Klassifikation der aufbereiteten Szenen konnte anschließend im
Definiens Developer mit Hilfe des Analyse-Werkzeugs durchgeführt werden
(DEFINIENS AG 2007b: 1f.).
Für den Aufbau der EASI-Skript-Struktur wurde ein Ansatz mit drei Schichten
gewählt (vertikaler Aufbau in Abbildung 28). Auf oberster Ebene verwaltet ein
Master-Skript den Aufruf aller Vorverarbeitungs-Prozesse. Beispielsweise wird für
den Import der Daten (exemplarisch für SPOT-HRV(IR) siehe Abbildung 28)
zunächst ein Skript aufgerufen, dass ein neues Import-Verzeichnis anlegt. Darüber
hinaus werden in einer for-Schleife für alle Dateien im Input-Verzeichnis (das heißt
dem Ordner, in dem sich die Rohdaten befinden), jeweils der Ziel-Pfad und -
Dateiname festgelegt sowie der Aufruf eines weiteren Skripts durchgeführt, in dem
der eigentliche Import mittels des FIMPORT-Moduls stattfindet. Damit der Import
ordnungsgemäß durchgeführt werden konnte, mussten im Rahmen des Skript-
Aufrufs jeweils alle benötigten Parameter mitgegeben werden.
In gleicher Weise finden diese Operationen auch für alle anderen
Vorverarbeitungsschritte statt. In Abhängigkeit des durchzuführenden Schrittes
mussten zusätzliche Aktionen ausgeführt werden. So beispielsweise das Auslesen der
Sonnenwinkel für die Atmosphärenkorrektur, die Berechnung des Abstandes
zwischen Erde und Sonne für die radiometrische Kalibrierung oder das Anhängen
zusätzlicher, leerer Kanäle zur Speicherung der berechneten Indices. Alle erstellten
Skripte sind in CD-Anhang 5 einsehbar.

82
Abb. 28: Schematischer Aufbau der EASI-Skript-Struktur zur Vorverarbeitung der
SPOT-Daten

Da sich die Beschaffenheit der Daten von Sensor zu Sensor unterschied, wichen
auch die Vorverarbeitungs-Schritte in den Skript-Strukturen (horizontaler Aufbau in
Abbildung 28) voneinander ab. So war es etwa bei den Landsat-Daten zusätzlich
nötig, nach dem Import die Einzel-Kanäle, die jeweils in separaten Dateien geliefert
wurden, zusammenzuführen (Stacking). Für die MODIS-Daten hingegen waren
weniger Schritte vonnöten, da diese bereits radiometrisch und geometrisch kalibriert
beziehungsweise korrigiert waren. Den Abschluss der Vorverarbeitung bildeten für
alle Daten die Index-Berechnung (2. MSAVI und GEMI) sowie die Sortierung der
Kanäle. Letzterer Schritt diente dazu, dass nur noch die zur Brandflächenausweisung
benötigten Kanäle in den Datensätzen vorhanden waren und diese auch in der
gleichen Reihenfolge vorlagen (was vorher zum Beispiel bei den MOD09A1-Daten
nicht der Fall war (Anhang 15)). Die resultierende Kanalabfolge ist Tabelle 16 zu
entnehmen.

83
Tab. 16: Sensorübergreifend einheitliche Kanal-Reihenfolge

Die Orthorektifizierung der Daten konnte nicht automatisiert werden. Zwar wäre
es in EASI möglich, mit dem Modul AUTOGCP automatisch Ground Control Points
(GCPs) zu erstellen und anhand dieser die Szenen mit dem Modul REG zu
registrieren. Allerdings befanden testweise automatisch erstellte GCPs stets in
Gebiete besonders großer Varianz (PCI GEOMATICS 2003: o.S.). Dies waren in fast
allen Fällen Wolken- oder Rand-Pixel, die sich zur Orthorektifizierung nicht
eigneten.
Um die automatisierte Klassifikation im Definiens Developer durchzuführen,
musste zunächst einmalig ein Arbeits-Verzeichnis (Workspace) angelegt werden
(DEFINIENS AG 2007b: 22). Nach dem Einlesen aller zu klassifizierenden Datensätze
konnte mittels des Analyse-Werkzeugs der in den Abschnitten 6.3.2.1 und 6.5
beschriebene Regelsatz auf alle Szenen angewendet werden. Um die ausgewiesenen
Brandflächen automatisch exportieren zu können, wurde eine Variable in den
Ausgabe-Dateinamen eingefügt, die den Projektnamen einbindet (DEFINIENS AG
2007a: 81f., DEFINIENS AG 2007b: 358f., 422).

84
8 Diskussion

In der vorliegenden Arbeit wurde ein Regelsatz zur automatisierten Ausweisung

von Brandflächen im Kruger National Park entwickelt. Wie Abschnitt 6.6 zu
entnehmen ist, gelang dies mit gutem Erfolg. Dies deutet darauf hin, dass eine
Übertragbarkeit über verschiedene Sensoren (unterschiedlicher räumlicher
Auflösung) möglich ist. Somit haben auch die leicht voneinander abweichenden
spektralen Ausdehnungen ihrer Kanäle keinen entscheidenden Einfluss. Dies war zu
erwarten, da es durch die Verbreitung schwarzer Asche in allen spektralen Bereichen
zu einer ähnlichen Reflektanzabsenkung kommt. Zwar treten Schwankungen in der
Genauigkeit der Brandflächenausweisung auf (in der Trockenzeit sind die
Fehlausweisungen geringer als in der Feuchtperiode), jedoch sind diese nur gering,
so dass auch bei der saisonalen Übertragbarkeit des Regelsatzes ein positives Fazit
gezogen werden kann (CNES 2008: o.S., LENTILE et al. 2006: 329, NASA 2008:
o.S., NASA 2009a: o.S., SMITH et al. 2005: 93).
Ein weiterer Grund für die leichten, aber vorhandenen saisonalen Schwankungen
der Klassifikationsgenauigkeit kann neben den Feuchteunterschieden auch die
variierende Ausprägung der Flora sein. In der feuchten Periode wurden vor allem
Flächen im Norden verbrannt, die dichter und mit einem höheren Baumanteil
bewachsen sind (siehe Abschnitt 2.1). Um dies jedoch ausreichend zu analysieren,
wäre die Auswertung der Daten mehrerer Jahre nötig gewesen (SAT o.J.: o.S)
Neben der Übertragbarkeit konnte auch die Automatisierung (abgesehen von der
Orthorektifizierung) realisiert werden (siehe Abschnitt 7). Eine tatsächliche
Notwendigkeit zur Orthorektifizierung bestand nur bei den SPOT-Daten, da diese für
die Landsat- und MODIS-Daten bereits vorab gegeben war. Für die Landsat-Daten
wurde sie lediglich zur Steigerung der Genauigkeit nochmals verfeinert. Doch auch
für die SPOT-Daten ist eine automatisierte GCP-Ermittlung und Orthorektifizierung
möglich. Allerdings erfordert die Umsetzung eine ausführliche Optimierung des
AUTOGCP- und REG-Algorithmus, die den Rahmen dieser Arbeit gesprengt hätte
(PCI GEOMATICS 2003: o.S.).
Ein wesentliches Problem der Arbeit bestand in der Übertragbarkeit des
entwickelten Regelsatzes auf die SPOT-Daten. Diese konnte nur durch eine
Schwellwertanpassung realisiert werden. Zu diesem Zweck wurde die
Kommunikation mit SPOT Image und PCI Geomatics aufgenommen. Allerdings

85
konnte die Ursache hierfür bis zum Abschluss der Arbeit nicht zweifelsfrei
identifiziert werden. Eine mögliche Ursache könnte in der separaten Durchführung
der radiometrischen Kalibrierung und der Atmosphärenkorrektur in Geomatica
liegen. Unter Umständen liefert eine andere Version des Programms Atcor (die aber
nicht zur Verfügung stand) ein verbessertes Ergebnis (PCI GEOMATICS 2003: o.S.,
RICHTER 2005: 8, SPOT IMAGE 2008: o.S.).
Neben der Detektion von Brandflächen war es außerdem Ziel dieser Arbeit die
erlangten Ergebnisse mit anderen Brandflächen-Produkten zu vergleichen. Dies
geschah wie in Abschnitt 6.7 beschrieben mit dem GLOBCARBON und dem
MODIS-Brandflächen-Produkt (MCD45A1). Insgesamt liefert der erarbeitete
Regelsatz eine Überschätzung der Brandflächen gegenüber den beiden Produkten.
Für die GLOBCARBON-Daten ist dies sowohl in der trockenen als auch in der
feuchten Jahreszeit der Fall (was auf die darin enthaltenen GBA2000-Daten
zurückzuführen ist) (PLUMMER et al. 2009: 5). Für die MCD45A1-Daten wurde für
die Trocken-Periode eine gute Übereinstimmung ermittelt. Der Vergleich mit den
Validierungsdaten (MAS und Brandflächen-Shape) suggeriert darüber hinaus, dass
der erarbeitet Regelsatz das MODIS-Produkt in der niederschlagsreichen Periode zu
Recht überschätzt. Dieses Ergebnis befindet sich auch im Einklang mit einer Studie
zur Validierung der MCD45A1-Daten, die von den Mitgliedern des Southern Africa
Fire Network (SAFNet) durchgeführt wurde (ROY et al. 2005: 4286). Diese ergab,
dass das MODIS-Brandflächen-Produkt die verbrannte Fläche im südlichen Afrika
um etwa 75 % unterschätzt, und dies insbesondere in dichteren Vegetationsbeständen
der Fall ist (gerade im nördlichen Teil des Kruger Parks treten geschlossenere
Baumbestände auf, und eben diese waren im Zeitraum des Vergleichs besonders von
Feuern betroffen) (ROY et al. 2008: 17, 37, SANP 2007: o.S.).
Einen weiteren Diskussionspunkt stellt die Objektivität dar, mit der der erarbeitete
Regelsatz gefunden wurde. Zwar wurde eine Trennbarkeitsanalyse durchgeführt, um
die objektiv am besten geeigneten Kriterien zur Brandflächenextraktion zu ermitteln.
Zwar konnte durch diese ermittelt werden, dass sich beispielsweise der NDVI oder
die Hauptkomponenten schlechter zur Klassifikation eignen (niedrigere
Bhattacharyya-Distanzen). Jedoch kann diese Trennbarkeitsanalyse nur als
unterstützendes Hilfsmittel angesehen werden, da die letztendlich verwendete
Methode im Wesentlichen durch Probieren ermittelt wurden. Dies geschah
beispielsweise beim Setzen der Schwellenwerte oder dem Vergleichen der

86
resultierenden Klassifikation mit den visuellen Eindrücken (im Rahmen der
Genauigkeitsanalyse mit den MAS-Daten). Die gleiche Problematik besteht auch bei
dem Ansatz von HUDKA & BROCKETT der in Abschnitt 4.2 beschrieben wurde.
Zwar sind die Umwandlungsprozesse während Bränden sehr genau beschreibbar,
wodurch auch die Änderung der spektralen Eigenschaften (durch die Verteilung
schwarzer und weißer Asche) grundsätzlich verstehbar wird; allerdings ist die
Übertragung auf gröbere Skalen ungleich komplexer, da sich das
Verbrennungsresultat aus vollständig und unvollständig verbrannter sowie gänzlich
unversehrter Vegetation unterhalb eines Bildpunktes zusammensetzt (LANDMANN
2003: 357). Wie stark der Grad der Verbrennung ist, ist abhängig von
unterschiedlichsten Variablen wie Vegetationsstruktur, Art der Biomasse,
Windrichtung und –geschwindigkeit, Topographie oder Feuchtigkeitsgehalt (KEELEY
2009: 117f., LENTILE et al. 2006: 322, VAN WILGEN et al. 2008: 22). Da die
Beschreibung all dieser Parameter zu jedem Zeitpunkt unmöglich ist, kann auch die
tatsächliche Verbrennungsvollständigkeit nicht berechnet werden. Aus den gleichen
Gründen können auch Feldmessungen der Art und der Verteilung der Asche
beziehungsweise der verbliebenen Vegetation keinen exakten Aufschluss geben.
Daher muss man sich bei der Validierung der durchgeführten Klassifikation auf
visuelle Eindrücke anderer Satellitendaten stützen.
Eine wirklich objektive Qualitätsbestimmung ist somit nicht möglich. Dies ist
nicht zuletzt auch der Tatsache geschuldet, dass es zwischen Brandflächen und
unversehrten Gebieten keine exakte Grenze gibt, sondern dass verbrannte und nicht
verbrannte Pflanzenteile lediglich in unterschiedlichen Verhältnissen auftreten
beziehungsweise auch in verschiedenen Schichten vorkommen (siehe Abschnitt 3.3),
sich somit gegenseitig verdecken und einer Detektion durch den Sensor entziehen.
Dieser Sachverhalt bedingt das Problem, dass mit den Mitteln der optischen
Fernerkundung die Größen der Fire Severity (wie in Abschnitt 3.1 beschrieben) nicht
adäquat bestimmt werden können. Jedoch sind auch die Methoden der Ökologen
(beispielsweise die Bestimmung von Baumverbrennungsgraden mit Hilfe der
dünnsten verbliebenen Äste) nicht die einzige Wahrheit. Durch eine Annäherung der
Parameter, mit denen beide Forschungsdisziplinen arbeiten (beziehungsweise
arbeiten können), konnte die bestehende Kluft verringert und eine bessere Synergie
ermöglicht werden.

87
 Weiterhin ist auch die Validierung in den Gebieten in denen keine MAS-Daten
vorlagen nicht vollständig objektiv, sondern basiert auf den Eindrücken der Ranger
(die den Polygon-Datensatz der Feuer von 1992 bis 2001 erhoben) (SANP 2007:
o.S.). Dass diese Erhebungen nicht nur subjektiv, sondern in einigen Fällen auch
falsch beziehungsweise zu ungenau sind, zeigt neben Anhang 31 auch die Tatsache,
dass für jedes Brandereignis nur eine Intensität ausgewiesen wurde. Dies ist aber so
gut wie nie der Fall (SANP 2007: o.S.).
Ein weiterer Diskussionspunkt, der die Automatisierung betrifft, ist die
Realisierung der Übertragbarkeit des entwickelten Regelsatzes durch relative
Kriterien. Zwar können nach der Bereinigung einer jeden Szene von Wolken und
deren Schatten Ratios aus Objekt- zu Szenen-Mittelwert verwendet werden
(beispielsweise des GEMI), bei der Wolkenausweisung selbst ist dies aber nicht
möglich. Das liegt daran, dass durch große Wolkenfelder der Szenen-Mittelwert
übermäßig verfälscht würde. Beispielsweise würden mit einem relativen Kriterium in
einer vollständig bewölkten Szene keinerlei Wolken ausgewiesen werden, da deren
Objekt-Mittelwert nicht höher liegt als der der Szene. Das bedeutet, dass das
Ergebnis der Wolkenklassifikation schon vorliegen müsste, um diese auszuweisen.
Eine mögliche Lösung für diesen Zirkelbezug könnte ein iteratives Verfahren
darstellen. Da jedoch nicht klar ist, ob dieses sich Schritt für Schritt der tatsächlichen
Wolkenausdehnung annähert oder sich von ihr entfernt, bedürfte es einer
Überwachung.
Ein ähnliches Phänomen ergibt sich, wenn sich eine Brandfläche über die ganze
Szene erstreckt. Dann liegen die Objekt-Mittelwerte der Brand-Objekte
(beispielsweise im 2. MSAVI) nicht mehr niedriger als der Szenen-Mittelwert. Bei
einer durchschnittlichen Brandfläche von 6000 Hektar und einer
Standardabweichung von 16000 Hektar (eine SPOT-HRV-Szene deckt etwa 360.000
Hektar ab) treten solche Fälle jedoch nur äußerst selten auf (SANP 2007: o.S., SPOT
IMAGE 2002: o.S.). Aus den gleichen Gründen (dass veränderte
Landbedeckungseigenschaften zu einer signifikanten Verschiebung der Szenen-
Mittelwerte in verschiedenen spektralen Kanälen führen) ist auch (wie bereits in
Abschnitt 6.5 angesprochen) eine Übertragung des Regelsatzes auf die Gebiete
außerhalb des Kruger Parks nicht möglich (BSA 2009: o.S.).
Auch die nach der a-priori-Wolkenklassifikation durchgeführte Ausweisung a
posteriori (Abschnitt 6.3.2.1) birgt gewisse Schwächen. Durch das

88
Nachbarschaftskriterium zu Wolken a priori konnte zwar der Reflektanz-
Schwellenwert herabgesetzt werden, was die Detektion dünnerer
Wolkenrandbereiche ermöglichte; die Klassifikation großräumig dünner Wolken
(beispielsweise Stratocumulus) konnte dadurch allerdings nicht erreicht werden. Der
Versuch, auch dünne Wolkenschleier zu klassifizieren (und damit den Error of
Omission zu verringern) hätte eine deutliche Erhöhung des Error of Commission zur
Folge.
Einen kritischen Punkt der Brandflächenausweisung stellt die sukzessive
Rückkehr zum Ausgangszustand nach einem Brand dar. Die Zeit die dafür benötigt
wird, ist beispielsweise von der Fire Severity, den Niederschlägen und der Art der
Vegetation abhängig, so dass erhebliche Unterschiede in der Dauer auftreten können.
Somit variiert auch die Detektierbarkeit älterer Brandflächen deutlich. Der in dieser
Arbeit verwendete Schwellwert von 75 Tagen wurde durch Probieren ermittelt. Um
jedoch eine konsistente Richtlinie zu finden, wäre eine eigenständige Analyse
unterschiedlicher Vegetationsbestände unter verschiedenen klimatischen
Bedingungen und mit variierenden Fire Severities nötig. Solche Studien wurden in
der Vergangenheit zum Beispiel von GIBSON (1988), ROYEM (2006) oder CASADY et
al. (2009) durchgeführt. Für den Kruger National Park liegen jedoch noch keine
ausführlichen Untersuchungen vor.
Ein genaueres Verständnis von den Relaxations-Prozessen der Flora könnte auch
neue Möglichkeiten bereitstellen, Brandflächen a posteriori zu detektieren. Durch die
Disposition nährstoffreicher Asche weist die nach einem Feuerereignis neu
entstehende Vegetation eine gegenüber der Umgebung deutlich erhöhte Vitalität auf.
Innerhalb kürzester Zeit steigen so Indices wie der NDVI stark an. Das Problem
dabei ist, dass diese Phase im Verhältnis zur temporalen Auflösung der Sensoren
(mit Ausnahme von MODIS) recht kurz ist und somit zahlreiche Brandnarben in dem
Zeitfenster, in dem sie mit dieser Methode detektierbar wären, nicht beobachtet
werden (BALZTER et al. 2007: 4653, WHITE et al. 1996: 125, 127f.).
Als Fazit aus dieser Arbeit ist zu ziehen, dass es durch die erarbeitete Methode
gelungen ist, dem Management des Kruger National Parks ein Werkzeug an die
Hand zu geben, mit dem zum einen die Umsetzung von Kohlenstoffdioxid in den
Savannengebieten genauer analysiert werden kann. Zum anderen ist auch eine
Untersuchung des bisher oft so selbstverständlich hingenommene Zusammenhangs
zwischen Pyrodiversität und Biodiversität möglich (VAN WILGEN et al. 2008: 29).

89
Dieses Wissen wiederum kann dazu dienen, das Management des Kruger Parks
derart zu gestalten, dass eine hohe beziehungsweise natürliche Artenvielfalt im Park
gewährleistet wird. Eine Diskussion darüber, was unter natürlicher Biodiversität zu
verstehen ist, muss allerdings an anderen Fronten (beispielsweise denen der
Bioethik) ausgefochten werden (UNESCO 2008: o.S.).

90
Literatur

AFP (Aircraft Fire Protection) (Hrsg.) (2008): Aircraft Fire Pattern Investigation
Tips. <http://www.afp1fire.com/Tips.htm> (Stand: 2008) (Zugriff: 2009-09-07).

ALBERTZ, J. (20012): Einführung in die Fernerkundung. Grundlagen der

Interpretation von Luft- und Satellitenbildern. Darmstadt: Wissenschaftliche
Buchgesellschaft.

ANONYMOUS (2008): Maroela. <http://undreverset.files.wordpress.com/2008/06/

maroela.jpg> (Stand: 2008-06) (Zugriff: 2010-01-10).

BALZTER, H., GONZALEZ, M., GERARD, F. & D. RIANO (2007): Post-fire vegetation
phenology in Siberian burn scars. In: Geoscience and Remote Sensing
Symposium, 4652-4655.

BARBOSA, P., PEREIRA, J. & J. GRÉGOIRE (1998): Composition Criteria for Burned
Area Assessment Using Multitemporal Low Resolution Satellite Data. In: Remote
Sensing of Environment, 65, 38-49.

BARBOSA, P., GRÉGOIRE, J. & J. PEREIRA (1999a): An Algorithm for Extracting

Burned Areas form Time Series of AVHRR GEC Data Applied at a Continental
Scale. In: Remote Sensing of Environment, 69: 253-263.

BARBOSE, P., STROPPIANA, D., GRÉGOIRE, J., PEREIRA, J. (1999b): An assessment of

vegetation fires in Africa (1981–1991): Burned area, burned biomass, and
atmospheric emissions. In: Global Biochemical Cycles, 13, 933–950.

BARNES, W., PAGANO, T. & V. SALOMONSON (1998): Prelaunch characteristics of the

Moderate Resolution Imaging Spectroradiometer (MODIS) on EOS-AM1. In:
Transaction on Geoscience and Remote Sensing, 36, 1088-1100.

BARRETT E. & L. CURTIS (19994): Introduction to Environmental Remote Sensing.

Cheltenham: Stanley Thornes Ltd.
91
BELWARD, A. & C. VALENZUELA (1991): Remote sensing and geographical
information systems for resource management in developing countries.
Amsterdam: Springer.

BIGGS, H. & K. ROGERS (2003): An adaptive system to link science, monitoring and
management in practice. In: DUTOIT, J., ROGERS, K. & H. BIGGS, H.: The Kruger
experience. Ecology and management of savanna heterogeneity, 59-80,
Washington: Island Press.

BOOCHS, F., KUPFER, G., DOCKTER, K. & W. KÜHBAUCH (1990): Shape of the red
edge as vitality indicator for plants. In: International Journal of Remote Sensing,
11, 1741-1754.

BROCKETT, B., BIGGS, H. & B. VAN WILGEN (2001): A patch mosaic burning system
for conservation areas in southern Africa. In: International Journal of Wildland
Fire, 10, 169–183.

BROCKETT, B. & S. BUNTING (2008): Exploring fire-derived phase switches in

woody-grass vegetation states in Madikwe Game Reserve.
<http://www.sanparks.org/parks/kruger/conservation/scientific/noticeboard/
science_network_meeting_2008/Wednesday/ brockett.pdf> (Stand: 2009)
(Zugriff: 2009-09-07).

BSA (Brand South Africa) (Hrsg.) (2009): South Africa´s Geography.

<http://www.southafrica.info/about/geography/geography.htm> (Stand: 2009-01-
20) (Zugriff: 2010-01-20).

BUTLER, B., COHEN, J., LATHAM, D., SCHUETTE, R., SOPKO, P., SHANNON, K.,
JIMENEZ, D. & L. BRADSHAW (2004): Measurements of radiant emissive power
and temperatures in crown fires. In: Canadian Journal of Forest Research, 34,
1577-1587.

92
CASADY, G., VAN LEEUWEN, W. & S. MARSH (2009): Evaluating Post-wildfire
Vegetation Regeneration as a Response to Multiple Environmental Determinants.
In: Environmental Modeling and Assessment, DOI: 10.1007/s10666-009-9210-x.

CCRS (Canadian Center of Remote Sensing) (Hrsg.) (o.J.): Fundamentals of Remote

Sensing. <http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/index_e.php>
(Stand: 2007-09-25) (Zugriff: 2009-11-08).

CEO (Center for Earth Observation) (Hrsg.) (2003): Center for Earth Observation.
<www.yale.edu/ceo/> (Stand: 2003-04-14) (Zugriff: 2009-09-16).

CHAN, W. (2005): Image Alignment and Feature Locating Using Shape Contexts.
<http://www.cs.sjsu.edu/faculty/pollett/masters/Semesters/Spring05/wallun/
thin_plate.gif> (Stand: 2005-04-01) (Zugriff: 2009-09-30).

CHONGO, D., NAGASAWA, R., AHMED, A. & F. PERVEEN (2007): Fire Monitoring in
Savanna Ecosystems Using MODIS Data. A Case Study from Kruger National
Park, South Africa. In: Landscape Ecological Engineering, 3, 79-88.

CNES (Centre National D´Etudes Spatiales) (Hrsg.) (2008): CNES. Centre National
D´Etudes Spatiales. <http://www.cnes.fr/web/CNES-en/7114-home-cnes.php>
(Stand: 2008) (Zugriff: 2009-07-20).

COHEN, J. (1960): A coefficient of agreement for nominal scales. In: Education of

Psychological Measurement, 20, 37-46.

COLBY, J. (1991): Topographic normalization in rugged terrain. In: Photogrammetric

Engineering and Remote Sensing, 57, 531-537.

CONGALTON, R. (1991): A Review of Assessing the Accuracy of Classifications of

Remotely Sensed Data. In: Remote Sensing of Environment, 37, 35-46.

93
CRISP (Centre for Remote Imaging, Sensing and Processing) (Hrsg.) (2001): SPOT
(Systeme Pour l'Observation de la Terre). <http://www.crisp.nus.edu.sg/
~research/tutorial/spot.htm> (Stand: 2001) (Zugriff: 2009-07-23).

CRISP (Centre for Remote Imaging, Sensing and Processing) (Hrsg.) (2009): Spot.
<http://www.crisp.nus.edu.sg/spot/spot.html> (Stand: 2009) (Zugriff: 2009-07-
22).

CTAHR (College of Tropical Agriculture and Human Resources) (Hrsg.) (2009):

Spectrum to Bands. <http://www.ctahr.hawaii.edu/miuralab/projects/makaha/
assets/spectrumtobands.gif> (Stand: 2009-03) (Zugriff: 2009-11-01).

DEFINIENS AG (Hrsg.) (2007a): Definiens. Developer 7. Reference Book. Document

Version 7.0.0.843.

DEFINIENS AG (Hrsg.) (2007b): Definiens. Developer 7. User Guide. Document

Version 7.0.0.828.

EO (Earth Observation Portal) (Hrsg.) (2009): List of EO- and non-EO Satellite
Missions. <http://directory.eoportal.org/missions_all_list.php?&view_all> (Stand:
2009-09-08) (Zugriff: 2009-09-08).

ERICKSEN, D. & P. HAMMETT (1994): NAD 83. What is it and why you should care.
<www.h-e.com/pdfs/de_sbe94.pdf> (Stand: 1994) (Zugriff: 2009-09-16).

ESA (European Space Agency) (Hrsg.) (2008): GLOBCARBON. Product

Description. <http://geofront.vgt.vito.be/geosuccess/documents/
GLBC_ESA_PDMv4.2.pdf> (Stand: 2008-02-02) (Zugriff: 2010-02-09).

ESA (European Space Agency) (Hrsg.) (2010): ESA. Space for Europe.
<http://www.esa.int/esaCP/index.html> (Stand: 2010-02-02) (Zugriff: 2010-02-
02).

94
ESE (Earth System Education) (Hrsg.) (2007): Converting Landsat-7 thermo band
digital value to temperature. <earthsys.ag.ohio-state.edu/nr797/Exercise3.doc>
(Stand: 2007-07-20) (Zugriff: 2009-09-16).

ESRI (Environmental Systems Research Institute) (Hrsg.) (2008): ArcInfo – ArcInfo

Help. Version 8.1, DVD-ROM. Redlands: ESRI GIS and Mapping Software.

FOODY, G. (2002): Status of land cover classification accuracy assessment. In:

Remote Sensing of Environment, 80, 185-201.

FRANKLIN, S., ROBERTON, P. & J. FRALISH (1997): Small-scale fire temperature

patterns in upland Quercus communities. In: Journal of applied ecology, 34, 613-
630.

GAO, J. (2009): Digital Analysis of Remotely Sensed Imagery. New York: McGraw-
Hill.

GE (Google Earth) (Hrsg.) (2008): Google Earth 4.3.7284.3916 (beta). Redmond:

Google Earth.

GEOSUCCESS (Hrsg.) (2005): Order GlobCarbon Products.

<http://geofront.vgt.vito.be/geosuccess/relay.do?dispatch=introduction> (Stand:
2005-05-01) (Zugriff: 2010-02-01).

GIBSON. D (1988): Regeneration and fluctuation of tallgrass prairie vegetation in

response to burning frequency. In: Bulletin of the Torry Botanical Club, 115, 1-
12.

GILABERT, M., GONZÁLES-PIQUERAS, J., GARCÍA-HARO, F. & J. MELIÁ (2002): A

generalized soil-adjusted vegetation index. In: Remote Sensing of Environment,
82, 303-310.

95
GOVENDER, N., TROLLOPE, W. & B. VANWILGEN (2006): The effect of fire season,
fire frequency, rainfall and management on fire intensity in savanna vegetation in
South Africa. In: Journal of Applied Ecology, 43, 748-758.

GRÉGOIRE, J, TANSEY, K. & J. SILVA (2003): The GBA2000 initiative: Developing a

global burned area database from SPOT-VEGETATION imagery. In:
International Journal of Remote Sensing, 24, 1-8.

HARDY C. & R. BURGAN (1999): Evaluation of NDVl for Monitoring Live Moisture
in Three Vegetation Types of the Western U.S. In: Photogrammetric Engineering
and Remote Sensing, 65, 603-610.

HEMPHILL, J. (2001): On the Value of Coordinating Landsat Operations.

<http://www.geog.ucsb.edu/~jeff/projects/thesis/index.html> (Stand: 2002-05-29)
(Zugriff: 2007-07-09).

HUDAK, A. & B. BROCKETT (2004): Mapping Fire Scars in a Southern African

Savanna Using Landsat Imagery. In: International Journal of Remote Sensing, 25,
3231-3243.

ISO (International Organization for Standardization) (Hrsg.) (2004):

Stichprobenumfang nach ISO 2859. <http://www.gcubureau.org/resource/file/
pdf/9-03-annexe3_de.pdf> (Stand: 2004-01-01) (Zugriff: 2010-02-08).

ITT VIS (International Telephone & Telegraph Visual Information Solutions)

(Hrsg.) (2008): ITT. Visual Information Solutions. <http://www.ittvis.com/
ProductServices/ENVI.aspx> (Stand: 2008) (Zugriff: 2009-09-30).

JACOBS O. & R. BIGGS (2002): The status and population structure of the marula in
the Kruger National Park. In: South African Journal of Wildlife Research, 32, 1-
12.

96
JARVIS A., REUTER, H., NELSON, A. & E. GUEVARA (2008): Hole-filled seamless
SRTM data V4. International Centre for Tropical Agriculture (CIAT).
<http://srtm.csi.cgiar.org> (Stand: 2008) (Zugriff: 2008-12-01).

JENSEN, J. (2000): Remote Sensing of the Environment. An Earth Resource

Perspective. Upper Saddle River: Prentice-Hall, Inc.

JOLLIFFE, I. (1986): Principal Component Analysis. New York: Springer-Verlag.

JUSTICE, C., GIGLIO, L., BOSCHETTI, L., ROY, D., CSISZAR, I., MORISETTE, J. & Y.
KAUFMAN (2006): Algorithm Technical Background Document. MODIS Fire
Products. Version 2.3, 1 October 2006. EOS ID# 2741.
<http://modis.gsfc.nasa.gov/data/atbd/atbd_mod14.pdf> (Stand: 2006-10-06)
(Zugriff: 2008-12-18).

KAUTH, R. & G. THOMAS (1976): The tasseled Cap. A Graphic Description of the
Spectral-Temporal Development of Agricultural Crops as Seen by Landsat. In:
Proceedings of the Symposium on Machine Processing of Remotely Sensed Data,
4B, Purdue University of West Lafayette, Indiana: 41-51.

KEELEY, J. (2009): Fire Intensity, Fire Severity and Burn Severity. A Brief Review
and Suggested Usage. In: International Journal of Wildland Fire, 18, 116-126.

KENNARD, D. (2008): Types of Natural Fires. Surface Fires, Ground Fires, and
Crown Fires. <http://www.forestencyclopedia.net/p/p1464> (Stand: 2008)
(Zugriff: 2009-09-07).

KING, M. & S. PLATNICK (2006): SAFARI 2000 MODIS Airborne Simulator Data.
Southern Africa. Dry Season 2000. Data set. From Oak Ridge National
Laboratory Distributed Active Archive Center, Oak Ridge. Tennessee. U.S.A.
<http://www.daac.ornl.gov> (Stand: 2006) (Zugriff: 2009-09-16).

KOHLSTOCK, P. (2004): Karthographie. Paderborn: Ferdinand Schöningh.

97
LANDMANN, T. (2003a): Characterizing Sub-Pixel Landsat ETM+ Fire Severity on
Experimental Fires in the Kruger National Park, South Africa. In: South African
Journal of Science, 99, 357-360.

LANDMANN, T. (2003b): A case study for Skukuza: Estimating biophysical properties

of fires using EOS-MODIS satellite data. <http://webdoc.sub.gwdg.de/
diss/2003/landmann/index.html> (Stand: 2003-03-11) (Zugriff: 2009-10-05).

LEICA GEOSYSTEMS (Hrsg.) (2005): Erdas Imagine - On-Line Help. Version 9.0, CD-
ROM. Norcross: Leica Geosystems Geospatial Imaging.

LENTILE, L., HOLDEN, Z., SMITH, A., FALKOWSKI, M., HUDKA, A., MORGAN, P.,
LEWIS, S., GESSLER, P. & N. BENSON (2006): Remote sensing techniques to assess
active fire characteristics and post-fire effects. In: International Journal of
Wildland Fire, 15, 319-345.

LINDER, W. (20093): Digital Photogrammetry. A Practical Course. Berlin: Springer-

Verlag.

LOHNINGER, H. (2008): Grundlagen der Statistik. <http://www.statistics4u.info/

fundstat_germ/cc_distance_meas.html#> (Stand: 2008-04-07) (Zugriff: 2009-11-
05).

LP DAAC (Land Processes Distributed Active Archive Center) (Hrsg.) (2009):

MODIS Reprojection Tool. <https://lpdaac.usgs.gov/lpdaac/tools/
modis_reprojection_tool> (Stand: 2009-08-27) (Zugriff: 2009-09-30).

MAHALANOBIS, P. (1936): On the generalized distance in statistics. In: Proceedings

of the National Institute of Sciences of India, 12, 49-55.

MAK, B. & E. BARNARD (1996): Phone Clustering Using the Bhattacharyya Distance.
<http://www.asel.udel.edu/icslp/cdrom/vol4/281/a281.pdf> (Stand: 1996-10-29)
(Zugriff: 2010-01-10).

98
MNR (Ministry of Natural Resources) (Hrsg.) (2008): How We Fight Fire. The
Science of Fire (fire behaviour and fire ecology). <http://www.mnr.gov.on.ca/
en/Business/AFFM/2ColumnSubPage/STEL02_165767.html> (Stand: 2008-03-
08) (Zugriff: 2009-09-07).

MOREIRA, A. (2000): Effects of Fire Protection on Savanna Structure in Central

Brazil. In: Journal of Biogeography, 27, 1021-1029.

NASA (National Aeronautics and Space Administration) (Hrsg.) (2008): Landsat 7.

Science Data Users Handbook. <http://landsathandbook.gsfc.nasa.gov/handbook/
handbook_htmls/chapter1/chapter1.html> (Stand: 2008-07-17) (Zugriff: 2009-09-
01).

NASA (National Aeronautics and Space Administration) (Hrsg.) (2009a): MODIS.

<http://modis.gsfc.nasa.gov/> (Stand: 2009-07-21) (Zugriff: 2009-07-22).

NASA (National Aeronautics and Space Administration) (Hrsg.) (2009b): Terra. The
EOS Flagship. <http://terra.nasa.gov/> (Stand: 2009-08-28) (Zugriff: 2009-09-
08).

NASA (National Aeronautics and Space Administration) (Hrsg.) (2009c): MODIS

Airborne Simulator. October 2000. SAFARI 2000 Campaign.
<http://mas.arc.nasa.gov/data/srf_html/SAFARI-Oct00_srf.html> (Stand: 2009-
05-12) (Zugriff: 2009-10-26).

NETELER, M. (2005): Hauptachsentransformation. <http://www.gdf-hannover.de/

lit_html/grasshandbuch_v12/img95.png> (Stand:2005-04-14) (2009-09-29).

NOAA (National Oceanic and Atmospheric Administration) (Hrsg.) (2008): National

Fire Danger Rating System. <http://www.wrh.noaa.gov/sew/fire/olm/nfdrs.htm>
(Stand: o.S.) (Zugriff: 2009-09-07).

99
NWCG (National Wildfire Coordinating Group) (Hrsg.) (2006): Glossary of
Wildland fire terminology. <http://www.nwcg.gov/pms/pubs/glossary/index.htm>
(Stand: 2006) (Zugriff: 2009-09-06).

ORNL (Oak Ridge National Laboratory) (Hrsg.) (2009): SAFARI 2000 Project.
<http://daac.ornl.gov/S2K/safari.html> (Stand: 2009-03-03) (Zugriff: 2009-08-
30).

PAVLOV, I. (2009): 7-zip. <http://www.7-zip.org/> (Stand: 2009-08-29) (Zugriff:

2009-09-29).

PCI GEOMATICS (Hrsg.) (2001): PACE Programmer´s Tutorial. Version 8.2.

Richmond Hill: PCI Geomatics.

PCI GEOMATICS (Hrsg.) (2003): PCI Geomatica - Geomatica Prime Help 9.1.0, CD-
ROM. Richmond Hill: PCI Geomatics.

PEREIRA, J., VASCONCELOS, M. & A. SOUSA (2006): A Rule-Based System for

Burned Area Mapping in Temperate and Tropical Regions Using NOAA/AVHRR
Imagery In: Biomass Burning and its Inter-Relationships with the Climate
System, 215-232.

PLUMMER, S., ARINO, O., FIERENS, F., BORSTLAP, G., CHEN, J., DEDIEU, G., RANERA,
F. & M. SIMON (2009): The GLOBCARBON Initiative: Multi-Sensor Estimation
of Global Biophysical Products for Global Terrestrial Carbon Studies.
<http://geofront.vgt.vito.be/geosuccess/documents/plummer_globcarbon_paper_
MERIS_AATSR.pdf> (Stand: 2009-03-10) (Zugriff: 2010-02-02).

PYNE, S., ANDREWS, P. & R. LAVEN (19962): Introduction to Wildland Fire. o.O:
Crystal Dreams Pub.

QI, J, CHEHBOUNI, A., HUETE, A. & Y. KERR (1994): Modified Soil Adjusted
Vegetation Index. In: Remote Sensing of Environment, 48, 119-126.

100
RICHARDS, J. & X. JIA (2006): Remote Sensing Digital Image Analysis. An
Introduction. Berlin: Springer-Verlag.

RICHTER, R. (2005): Atmospheric / Topographic Correction for Satellite Imagery.

ATCOR-2/3 User Guide. Version 6.1. <hydrogis.geology.upatras.gr/res_net/
data/atcor23_manual.pdf> (Stand: 2005-01) (Zugriff: 2009-11-05).

RICHTER, R., SCHLÄPFER, D. & A. MÜLLER (2006): An automatic atmospheric

correction algorithm for visible/NIR imagery. In: International Journal of Remote
Sensing, 10, 2007-2085.

ROY, D., FROST, P., JUSTICE, C., LANDMANN, T., LEROUX, J., GUMBO, K.,
MAKUNGWA, S., DUNHAM, K., DETOIT, R., MHWANDAGARA, K., ZACARIAS, A.,
TACHEBA, B., DUBE, O., PEREIRA, J., MUSHOVA, P., MORISETTE, J., SANTHANA
VANNAN, S. & D. DAVIES (2005): The Southern African Fire Network (SAFNet)
Regional Burned-Area Product-Validation Protocol. In: International Journal of
Remote Sensing, 26, 4265-4292.

ROY, D., BOSCHETTI, L. & S. TRIGG (2006): Remote Sensing of Fire Severity.
Assessing the Performance of the Normalized Burn Ratio. In: Geoscience and
Remote Sensing Letters, 3, 1.2006, 112-116.

ROY, D., BOSCHETTI, L. & C. JUSTICE (2007): The Global MODIS Burned Area
Product. <http://www.fire.uni-freiburg.de/sevilla-2007/contributions/doc/cd/
SESIONES_TEMATICAS/ST4/Roy_et_al_USA.pdf> (Stand: 2007) (Zugriff:
2008-12-28).

ROY, D. & L. BOSCHETTI (2008): MODIS Collection 5 Burned Area Product.

MCD45. User’s Guide. Version 1.1. <http://modis-fire.umd.edu/documents/
MODIS_Burned_Area_Users_Guide_1.1.pdf> (Stand: 2008-09) (Zugriff: 2009-
09-09).

101
ROY, D., BOSCHETTI, L. & C. JUSTICE (2008): The Global MODIS Burnt Area
Product. <http://www.scribd.com/doc/12445639/ David-Roy-The-global-
MODIS-burned-area-product> (Stand: 2008-09-29) (Zugriff: 2010-02-15).

ROYEM, A. (2006): Aspen Regeneration along a Burn Intensity Gradient in Relation

to Pre-fire Aspen Abundance in Mixed Conifer Forests.
<http://www.fortlewis.edu/academics/school_arts_sciences/writing_program/cont
est_06_royem.pdf> (Stand: 2006-12-02) (Zugriff: 2010-02-08).

RSCC (Remote Sensing Core Curriculum) (Hrsg.) (o.J.): Volume 3. Introductory

Digital Image Processing. Modul 5. Radiometric Restoration Exercise.
<http://www.cas.sc.edu/geog/ rslab/Rscc/mod5/5-1/exercises/RADIANCE.HTM>
(Stand: o.S.) (Zugriff: 2009-09-16).

RYAN, K. & N. NOSTE (1985): Evaluating prescribed fires. In: Proceedings,

Symposium and Workshop on Wilderness Fire, 15–18 November 1983, 230–238.

SA (Science in Africa) (Hrsg.) (2008): Update on Kruger Park Fire.

<http://www.scienceinafrica.co.za/2001/september/kruger.htm> (Stand: 2008-11-
20) (Zugriff: 2009-09-07).

SANP (South African National Parks) (Hrsg.) (2007): South African National Parks.
<http://www.sanparks.org/parks/kruger/> (Stand: 2007) (Zugriff: 2008-11-22).

SAT (Siyabona Africa Travel) (Hrsg.) (o.J.): Destination Kruger Park.

<http://www.krugerpark.co.za/> (Stand: o.S.) (Zugriff: 2008-11-28).

SCHAAF, C., GAO, F, STRAHLER, A., LUCHT, W. LI, X., TSANG, T., STRUGNELL, N.,
ZHANG, X., JIN, Y., MULLER, J., LEWIS, P., BARNSLEY, M., HOBSON, P., DISNEY,
M., ROBERTS, G., DUNDERDALE, R., DEENTREMONT, P., HU, B., LIANG, S.,
PRIVETTE, J. & D. ROY (2002): First Operational BRDF Albedo and Nadir
Reflectance Products from MODIS. In: Remote Sensing of Environment, 83, 135-
148.

102
SCHOENBERG, I. (1973): Cardinal Spline Interpolation. Montpelier: Capital City
Press.

SCHOWENGERDT, R. (2007): Remote Sensing. Models and Methods for Image

Processing. San Diego: Academic Press Inc.

SHORT, N. (2009): Ratioing. <http://rst.gsfc.nasa.gov/Sect1/Sect1_15.html> (Stand:

2009-09-23) (Zugriff: 2009-10-22).

SILVA, J, PEREIRA, J., CABRAL, A., SÁ, A. & VASCONCELOS, M., BERNARDO, M. & J.
GRÉGOIRE (2003): An Estimate of the Area Burned in Southern Africa During the
2000 Dry Season Using SPOT-VEGETATION Satellite Data. In: Journal of
Geophysical Research, 108, 34-51.

SIMON, M., PLUMMER, S., FIERENS, F., HOELZEMANN, J. & O. ARINO (2004): Burnt
area detection at global scale using ATSR-2: The GLOBSCAR products and their
qualification. In: Journal of Geophysical Research, 109, 1-16.

SMITH, A. & M. WOOSTER (2004): Remote classification of head and backfire types
from MODIS fire radiative power and smoke plume observations. In:
International Journal of Wildland Fire, 14, 249–254.

SMITH, A., WOOSTER, M., DRAKE, N., DIPOTSO, F., FALKOWSKI, M. & A. HUDKA
(2005): Testing the potential of multi-spectral remote sensing for retrospectively
estimating fire severity in African savanna environments. In: Remote Sensing of
Environment, 97, 92-115.

SMITH, R. (2005): Computing radiances, reflectance and albedo from DN’s.

<http://www.yale.edu/ceo/Documentation/ComputingReflectanceFromDN.pdf>
(Stand: 2005-05-21) (Zugriff: 2009-10-19).

103
SPOT IMAGE (Hrsg.) (2002): SPOT Satellite Geometry Handbook.
<http://www.spotimage.com/automne_modules_files/standard/public/
p229_0b9c0d94a22e77aac09df2b360c73073SPOT_Geometry_Handbook.pdf>
(Stand: 2002-01-15) (Zugriff: 2009-10-28).

SPOT IMAGE (Hrsg.) (2008): SPOT Image. Ask us for the World.
<http://www.spotimage.fr/?countryCode=DE&languageCode=fr> (Stand: 2008)
(Zugriff: 2009-07-20).

STEHMAN, V. & R. CZAPLEWSKI (1998): Design and Analysis for Thematic Map
Accuracy Assessment: Fundamental Principles. In: Remote Sensing of
Environment, 64, 331-344.

STFC RAL (Science & Technology Facilities Council – Rutherford Appleton

Laboratory) (Hrsg.) (2007): The ATSR Project.
<http://www.atsr.rl.ac.uk/index.shtml> (Stand: 2007-12-04) (Zugriff: 2010-02-
01).

STÖCKLI, R. (o.J.): Estimating NDVI and LAI with simple radiometric and
photographic methods. A remote sensing tutorial for teachers and students.
<http://www.iac.ethz.ch/ staff/stockli/ndvimeasurement/ndvimeasurement.html>
(Stand: o.S.) (Zugriff: 2009-10-01).

SWAIN, P. & S. DAVIS (1978): Remote Sensing: The Quantitative Approach. New
York: McGraw-Hill.

TAN. P, STEINBACH, M. & V. KUMAR (2005): Introduction to Data Mining. München:

Addison-Wesley.

TANAKA, S., KIMURA, H. & SUGA, Y., (1983): Preparation of a 1:25.000 Landsat map
for assessment of burnt area on Etajima Island. In: International Journal of
Remote Sensing, 4, 17-31.

104
TOLLER, G., ISAACMAN, A., KUYPER, J., GENG, X. & J. XIONG (2009): MODIS Level
1B Product User’s Guide. For Level 1B Version 6.1.0 (Terra) and Version 6.1.1
(Aqua). <http://www.mcst.ssai.biz/mcstweb/documents/
M1054_RevC_PUG_022709_Update.pdf> (Stand: 2009-02-27) (Zugriff: 2009-
09-09).

TROLLOPE, W. & A. POTGIETER (1986): Estimating grass fuel loads with a disc
pasture meter in the Kruger National Park. In: Journal of the Grassland Society of
Southern Africa, 3, 148–152.

TROLLOPE, W. & L. TROLLOPE (2004): Prescribed burning in African grasslands and

savannas for wildlife management. <http://ag.arizona.edu/OALS/ALN/aln55/
trollope.html> (Stand: 2004-06) (Zugriff: 2008-11-23).

TROLLOPE, W., DEBRUNO AUSTIN, C., HELD, A., HEINE, L. & F. FAVARD (2008a):
Conservation Fire Management Course. <http://www.fire.uni-freiburg.de/
GlobalNetworks/Africa/WFTCA/Conservation%20Fire%20Management%20KN
P%202008%20-%2010%20Dec%2007.pdf> (Stand: 2008-05-05) (Zugriff: 2009-
09-07).

TROLLOPE, W., TROLLOPE, L. & C. AUSTIN (2008b): The Savanna Fire Ignition
Research Experiment. SavFIRE. A Partership between Social Upliftment and
Science. <http://www.sanparks.org/parks/kruger/conservation/scientific/
noticeboard/science_network_meeting_2008/Wednesday/ltrollope.pdf> (Stand:
2008) (Zugriff: 2009-09-07).

TUCKER, C. (1979): Red and photographic infrared linear combinations for

monitoring vegetation. In: Remote Sensing of Environments, 8, 127-150.

UNESCO (United Nations Educational, Scientific and Cultural Organization) (Hrsg.)

(2008):Bioethik. <http://www.unesco.de/bioethik.html?&L=0> (Stand: 2008)
(Zugriff: 2010-02-09).

105
USGS (United States Geological Survey) (Hrsg.) (2009): Landsat Enhanced
Thematic Mapper Plus (ETM+). <http://eros.usgs.gov/products/satellite/
landsat7.php> (Stand: 2009-04-14) (Zugriff: 2009-09-08).

VALLEY, S. (1965): Handbook of Geophysics and Space Environments. New York:

McGraw-Hill.

VAN WILGEN, B., BIGGS, H. & A. POTGIETER (1998): Fire management and research
in the Kruger National Park, with suggestions on the detection of thresholds of
potential concern. In: Koedoe, 41, 69–87.

VAN WILGEN, B., BIGGS, H., REGAN, S. & N. MARÈ (2000): A Fire History of the
Savanna Ecosystems in the Kruger National Park, South Africa, between 1941
and 1996. In: South African Journal of Science, 96, 167-178.

VAN WILGEN, B., GOVENDER, N. & S. MAC FADYEN (2008): An Assessment of the
Implementation and Outcomes of Recent Changes to Fire Management in the
Kruger National Park. In: Koedoe, 50, 22-31.

VERBESSELT, J., SOMERS, B., VANAARDT, J., JONCKHEERE, I. & P. COPPIN (2006):
Monitoring herbaceous biomass and water content with SPOT VEGETATION
time-series to improve fire risk assessment in savanna ecosystems. In: Remote
Sensing of Environment, 101, 399-414.

VERMOTE, E. & A. VERMEULEN (1999): Atmospheric Correction Algorithm: Spectral

Reflectances (MOD09). Version 4.0. <modis.gsfc.nasa.gov/data/atbd/
atbd_mod08.pdf> (Stand: 1999-04) (Zugriff: 2009-09-09).

VERMOTE, E. & S. KOTCHENOVA (2008): MOD09 (Surface Reflectance) User’s

Guide. <http://modis-sr.ltdri.org/
MAIN_SURFACE_PRODUCTAND%20USER%20GUIDE/
MOD09_UserGuide.pdf> (Stand: 2008-03) (Zugriff: 2009-09-09).

106
WHITE, J., RYAN, K., KEY, C. & S. RUNNING (1996): Remote Sensing of Forest Fire
Severity and Vegetation Recovery. In: International Journal of Wildland Fire, 6,
125 - 136.

WOODS, D., POTGIETER, A., LANDMANN, T. & GOVENDER, N. (2002): Fire Policy,
Experiments and Experience in the Kruger National Park, South Africa.
<http://www.safnet.co.za/products/pdfs/Present_WoodsEtAl2002_KNP.pdf>
(Stand: 2002) (Zugriff: 2009-09-07).

107
Anhang

Anhang 1: Topographische Karte des Kruger National Parks

108
Anhang 2: Niederschlagskarte des Kruger National Parks

109
Anhang 3: Mittlerer monatlicher und jährlicher Niederschlag in mm an ausgewählten
Standorten des Kruger National Parks (verändert nach SANP 2007: o.S)

Punda Shing- Pretorius- Mittlere Anzahl

Monat Letaba Satara Skukza
Maria wedzi kop der Regentage

Jan 112 93 85 92 96 129 7

Feb 101 97 77 100 92 111 7
Mrz 59 47 42 70 72 92 6
Apr 33 29 27 28 35 52 3
Mai 10 11 10 12 14 19 2
Jun 6 5 4 7 8 9 1
Jul 5 5 7 7 9 10 1
Aug 4 5 6 7 7 12 1
Sep 13 20 15 18 24 28 2
Okt 29 36 31 37 35 55 4
Nov 68 64 67 75 75 100 6
Dez 92 92 87 94 86 119 7
Mittlerer
jährlicher 532 504 458 547 553 746 47
Niederschlag

110
Anhang 4: Mittlere monatliche und saisonale Temperaturen an ausgewählten
Stationen des Kruger National Parks in C° (verändert nach SANP 2007: o.S)

Pretoriuskop
Punda Maria
Temperatur

Shingwedzi
Mittelwert für den Mittelwert für
Jahreszeit

Skukuza
Monat

Letaba

Satara
Kruger den Kruger
Nationalpark Nationalpark
(Monat) (Jahreszeit)

Mittleres Sep 28,8 30,5 30,3 29,1 29,3 27,9 29,3

tägliches Okt 29,7 31,2 31,1 29,6 29,8 27,9 29,9 30,1
Maximum Nov 31,5 32,7 32 31 30,6 28,5 31,1
Mittleres Sep 15,7 13,8 14,6 14,1 12,8 13,5 14,1
Frühling

tägliches Okt 17,7 17 17,3 16,5 16 15 16,6 16,4

Minimum Nov 19 19,4 19,4 18,2 18,1 16,6 18,5
Sep 22,2 22,2 22,5 21,6 21 20,7 21,7
Mittlere
Okt 23,9 24,1 24,2 23,1 22,9 21,4 23,3 23,2
Temperatur
Nov 25,3 26,1 25,7 24,6 24,3 22,6 24,8
Mittleres Dez 31,6 33,4 33,3 32,3 31,9 29,7 32
tägliches Jan 32,3 34,1 34,1 33,7 32,6 30,6 32,9 32,4
Maximum Feb 32 33,1 33,5 32,7 32 30,2 32,3
Dez 20,2 20,7 21 20 19,7 18,1 20
Sommer

Mittleres
tägliches Jan 20,8 21,4 22 21,1 20,6 19 20,8 20,4
Minimum Feb 20,7 20,7 21,5 20,8 20,4 18,5 20,4
Dez 25,9 27,1 27,2 26,1 25,8 23,9 26
Mittlere
Jan 26,6 27,8 28 27,4 26,6 24,8 26,9 26,4
Temperatur
Feb 26,3 26,9 27,5 26,7 26,2 24,3 26,3

Mittleres Mrz 31,5 32,6 32,6 31,5 31,2 29,5 31,5

tägliches Apr 29,6 30,7 30,5 29,9 29,4 27,3 29,6 29,6
Maximum Mai 27,3 28,5 28,5 28,5 27,9 26 27,8
Mittleres Mrz 19,9 19,8 20,5 19,6 19,1 18 19,5
Herbst

tägliches Apr 17,8 16,7 17,1 16,8 15,4 15,3 16,5 16,1
Minimum Mai 14,8 11,4 12 12,9 10 12 12,2
Mrz 25,7 26,2 26,5 25,5 25,2 23,7 25,5
Mittlere
Apr 23,7 23,7 23,8 23,4 22,4 21,3 23,1 22,8
Temperatur
Mai 21 20 20,3 20,7 19 19 20
Mittleres Jun 25,2 26,1 26,1 25,9 25,9 23,8 25,5
tägliches Jul 24,9 26,4 26,4 25,9 25,9 24 25,6 26,1
Maximum Aug 26,5 28,1 28,1 27,3 27,3 25,7 27,2
Mittleres Jun 12,2 7,4 7,8 9,4 5,6 9,3 8,6
Winter

tägliches Jul 12,3 7,7 8,5 10 5,7 9,5 9 9,5

Minimum Aug 13,5 10,1 10,8 11,8 8,7 11 11
Jun 18,7 16,8 17,1 17,6 15,7 16,5 17,1
Mittlere
Jul 18,6 17 17,4 18 15,8 16,7 17,3 17,8
Temperatur
Aug 20,1 19,1 19,5 19,6 18 18,4 19,1

111
Anhang 5: Mopane-Büsche (aufgenommen während der Geländearbeit im April
2009)

Anhang 6: Marula-Baum (ANONYMOUS 2008: o.S.)

112
Anhang 7: Landschaftskarte des Kruger National Parks

113
 Anhang 8: Brandblöcke des Kruger National Parks (VAN WILGEN et al. 2000: 170)

Anhang 9: Verfügbare Landsat-Szenen

Landsat-
Prozessierungs- WRS-1-
ETM+- Datum WRS-1-Row
Level Path
Szenen-Nr.
1 12.06.2000 L1T 168 77
2 15.08.2000 L1T 168 77
3 31.08.2000 L1T 168 77
4* 16.09.2000 L1T 168 77
5 02.10.2000 L1T 168 77
6 18.10.2000 L1T 168 78
7 06.01.2001 L1T 168 78
8 23.02.2001 L1T 168 78
* konnte wegen zu starker Bewölkung nicht koregistriert werden (eine weitere Bearbeitung war nicht möglich)

114
Anhang 10: Verfügbare MOD09A1-Szenen
Start- End-
MOD09A1-Szene
Aufnahmedatum Aufnahmedatum
1 03.07.2000 10.07.2000
2 11.07.2000 18.07.2000
3 19.07.2000 26.07.2000
4 27.07.2000 03.08.2000
5 04.08.2000 11.08.2000
6 12.08.2000 19.08.2000
7 20.08.2000 27.08.2000
8 28.08.2000 04.09.2000
9 05.09.2000 12.09.2000
10 13.09.2000 20.09.2000
11 21.09.2000 28.09.2000
12 29.09.2000 06.10.2000
13 07.10.2000 14.10.2000
14 15.10.2000 22.10.2000
15 23.10.2000 30.10.2000
16 31.10.2000 07.11.2000
17 08.11.2000 15.11.2000
18 16.11.2000 23.11.2000
19 24.11.2000 01.12.2000
20 02.12.2000 09.12.2000
21 10.12.2000 17.12.2000
22 18.12.2000 25.12.2000
23 26.12.2000 02.01.2001
24 01.01.2001 08.01.2001
25 09.01.2001 16.01.2001
26 17.01.2001 24.01.2001
27 25.01.2001 01.02.2001
28 02.02.2001 09.02.2001
29 10.02.2001 17.02.2001
30 18.02.2001 25.02.2001
31 26.02.2001 05.03.2001

Anhang 11: Verwendete MCD45A1-Szenen

MCD45A1- Akquisitions-
h-Wert v-Wert
Szene Zeitraum
1 01. - 31.08.2000 20 11
2 01. - 31.01.2001 20 11

115
Anhang 12: Verfügbare SPOT-Szenen
Spot- Prozessierungs-
Datum Satellit Modus K (Path) J (Row)
Szene Level
1 23.11.2000 1A SPOT-4 X (multispektral) 140 400
2 01.07.2000 1A SPOT-4 X (multispektral) 140 401
3 22.08.2000 1A SPOT-4 X (multispektral) 140 401
4 01.09.2000 1A SPOT-2 X (multispektral) 138 398
5 26.09.2000 1A SPOT-4 X (multispektral) 140 400

Anhang 13: Verwendete GLOBCARBON-1km-Szenen

GLOBCARBON- Akquisitions- Nord-Süd- Ost-West-

Szene Zeitraum Ausdehnung Ausdehnung

1 01. - 31.08.2000 22° S - 26° S 30° O - 32° O

2 01. - 31.01.2001 22° S - 26° S 30° O - 32° O

Anhang 14: Verfügbare MAS-Flugstreifen

MAS-
Flug- Bereich
Flug- Flug- Bereich geogr.
Datum und Uhrzeit streifen- geogr. Breite
streifen ID Länge in °
Nummer in °
-ID
1 147 17.08.2000 07:23 - 07:48 2 24,98 - 26,00 31,63 - 34,50
2 147 17.08.2000 09:46 - 10:01 8 26,60 - 24,97 31,78 - 31,60
3 149 22.08.2000 07:41 - 07:58 1 23,02 - 23,00 30,29 - 32,35
4 149 22.08.2000 08:07 - 08:34 2 22,84 - 25,84 32,09 - 31,55
5 153 29.08.2000 11:29 - 11:55 15 22,67 - 25,42 30,61 - 31,80
6 158 07.09.2000 08:12 - 08:29 2 23,42 - 25,19 31,47 - 31,10
7 158 07.09.2000 09:19 - 09:34 5 25,31 - 23,59 31,52 - 31,85
8 158 07.09.2000 11:18 - 11:34 12 23,55 - 25,26 31,85 - 31,53
9 158 07.09.2000 11:57 - 12:13 14 25,02 - 23,47 31,01 - 31,31
10 180 25.09.2000 12:44 - 12:53 15 25,02 - 24,99 32,35 - 31,13

116
Anhang 15: Eigenschaften der spektralen Kanäle des MODIS-Sensors (verändert
nach NASA 2009a: o.S.)
MODIS- Räumliche Spektrale Reflektanz (Sättigung)
Wellenlänge in µm
Kanal Auflösung in m in W/(m2 * µm * sr)
1 0,62 - 0,67 250 21,8
2 0,841 - 0,876 250 24,7
3 0,459 - 0,479 500 35,3
4 0,545 - 0,565 500 29
5 1,23 - 1,25 500 5,4
6 1,628 - 1,652 500 7,3
7 2,105 - 2,155 500 1
8 0,405 - 0,420 1000 44,9
9 0,438 - 0,493 1000 41,9
10 0,483 - 0,493 1000 32,1
11 0,526 - 0,536 1000 27,9
12 0,546 - 0,556 1000 21
13 0,662 - 0,672 1000 9,5
14 0,673 - 0,683 1000 8,7
15 0,743 - 0,753 1000 10,2
16 0,862 - 0,877 1000 6,2
17 0,890 - 0,920 1000 10
18 0,931 - 0,941 1000 3,6
19 0,915 - 0,965 1000 15
20 3,66 - 3,84 1000 0,45 (300 °K)
21 3,929 - 3,989 1000 2,38 (335 °K)
22 3,929 - 3,989 1000 0,67 (300 °K)
23 4,02 - 4,08 1000 0,79 (300 °K)
24 4,433 - 4,498 1000 0,17 (250 °K)
25 4,482 - 4,549 1000 0,59 (275 °K)
26 1,36 - 1,39 1000 6
27 6,535 - 6,895 1000 1,16 (240 °K)
28 7,175 - 7,475 1000 2,18 (250 °K)
29 8,4 - 8,7 1000 9,58 (300 °K)
30 9,58 - 9,88 1000 3,69 (250 °K)
31 10,78 - 11,28 1000 9,55 (300 °K)
32 11,77 - 12,27 1000 8,94 (300 °K)
33 13,185 - 13,485 1000 4,52 (260 °K)
34 13,485 - 13,785 1000 3,76 (250 °K)
35 13,785 - 14,085 1000 3,11 (240 °K)
36 14,085 - 14,385 1000 2,08 (220 °K)

117
Anhang 16: Spektrale Kanäle des MAS-Sensors (verändert nach NASA 2009c: o.S)
Zentrale Wellenlänge
Kanal
in nm
1 472,2
2 555,5
3 662,1
4 709,3
5 750,8
6 832,5
7 873,9
8 913,6
9 953,6
10 1613
11 1668
12 1723
13 1776,3
14 1829,7
15 1880,3
16 1930,7
17 1981,3
18 2031,5
19 2082,4
20 2131,9
21 2180,2
22 2230,1
23 2280,0
24 2330,4
25 2379,6
26 3182,8
27 3325,3
28 3482,1
29 3636,8
30 3774,5
31 3939,8
32 4098,8
33 4214,6
34 4364,6
35 4551,1
36 4703,0
37 4855,2
38 5000,2
39 5145,2
40 5293,2
41 5381,2
42 8544,4
43 9681,7
44 10464,4
45 10951,5
46 11946,0
47 12809,2
48 13192,4

118
Anhang 16 Fortsetzung
Zentrale Wellenlänge
Kanal
in nm
49 13730,2
50 14178,0

Anhang 17: Bedeutung der Bit-Kodierung des VALUE-Kanals der GLOBCARBON-1km-

Daten(verändert nach ESA 2008: 17)
Bit Bit
Position Bit 8 Bit 7 Bit 6 Bit 3 Bit 2 Bit 1
5 4
Universi- Inter- Global
Tropical
World dade national Burnt
Bedeut- Fire- Rainfall
Fire - - Técnical de Forest Surface
ung* M3 Measuring
Atlas Lisboa (UTL) Institute (IFI) (GBS)
Mission
Algorithmus Algorithmus Algorithmus
*Ist die Ausprägung des Bit 0, bedeutet dies, dass der jeweilige Algorithmus beziehungsweise das Produkt keinen Brand
detektiert hat. Ist die Ausprägung 1, wurde ein Brand detektiert. Bit 4 und 5 haben immer den Wert 0.

Anhang 18: Solare Einstrahlung bezogen auf die spektralen Kanäle des ETM+
(verändert nach ESE 2007: 5)
ETM+- Solare Einstrahlung
Kanal (ESUNλ) in W/(m² * μm)
1 1969
2 1840
3 1551
4 1044
5 225,7
6 -
7 82,07
8 1368

119
Anhang 19: Distanz zwischen Erde und Sonne in Astronomischen Einheiten (AE) an
ausgewählten julianischen Tagen (verändert nach ESE 2007: 5)
Julianischer Distanz Erde – Sonne in
Tag Astronomischen Einheiten (AE)
1 0,9832
15 0,9836
32 0,9853
46 0,9878
60 0,9909
74 0,9945
91 0,9993
106 1,0033
121 1,0076
135 1,0109
152 1,014
166 1,0158
182 1,0167
196 1,0165
213 1,0149
227 1,0128
242 1,0092
258 1,0057
274 1,0011
288 0,9972
305 0,9925
319 0,9892
335 0,986
349 0,843
365 0,833

120
Anhang 20: Wolkenklassifikation nach Durchführung des Verschneidungsprozesses
sowie Wolkenschattenklassifikation

121
Anhang 21: Landsat-TM-Profil durch eine
Wolke (ca. 2600 – 3900 Meter) und ihren
Schatten (circa 800 – 1800 Meter) (rechts)
(links: Kanalkombination rot: TM 3, grün:
TM 2, blau: TM 1 mit Profilverlauf)

122
Anhang 22: Wolken- und Wolkenschatten-Klassifikation (gemäß Abschnitt 6.3.2.1)
im Definiens Developer

Anhang 23: Wolkenmasken Konfusions-Tabellen

Referenzklassifkation

Wolken (-schatten) andere Summe User Accuracy

Wolken
Kartierte

155 19 174 0,890804598

fkation
Klassi-

(-schatten)
andere 17 294 311 0,945337621
Summe 172 313 485
Producer
0,901162791 0,93929712 0,925773196*
Accuracy
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,8383)

123
Anhang 24: Mittelwert und Standartabweichung ausgewählter Landbedeckungs- und
Brandflächenklassen in allen verwendbaren spektralen Kanälen und deren
Ableitungen (für Landsat-ETM+-Szene 3 (Anhang 9))
Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-
klasse grün ung grün rot ung rot
Brandfläche 1* 0,039846 0,005025 0,064024 0,008027
Brandfläche 2** 0,049785 0,004962 0,078191 0,009075
Landschaft 1*** 0,076438 0,005721 0,128269 0,010763
Landschaft 2 **** 0,097011 0,007210 0,168773 0,011401
grüne Vegetation 0,017230 0,004485 0,028871 0,005701

Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-

klasse NIR ung NIR SWIR ung SWIR
Brandfläche 1* 0,128392 0,022525 0,085000 0,016705
Brandfläche 2** 0,176678 0,028987 0,122945 0,019559
Landschaft 1*** 0,361343 0,019185 0,247436 0,018555
Landschaft 2 **** 0,462156 0,020199 0,298712 0,014106
grüne Vegetation 0,632510 0,055880 0,294597 0,012697

Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-

klasse NDVI ung NDVI 2.MSAVI ung 2.MSAVI
Brandfläche 1* 0,331732 0,038600 0,274462 0,062241
Brandfläche 2** 0,382905 0,042232 0,405979 0,084488
Landschaft 1*** 0,476462 0,025422 0,959382 0,060739
Landschaft 2 **** 0,465163 0,025306 1,270054 0,073088
grüne Vegetation 0,912498 0,016590 2,293581 0,221843

Landbedeckungs- Mittelwert Standardabweich- Mittlerwert Standardabweich-

klasse GEMI ung GEMI PCT 1 ung PCT 1
Brandfläche 1* 0,414150 0,038522 -0,112888 0,013223
Brandfläche 2** 0,498642 0,048360 -0,141305 0,016564
Landschaft 1*** 0,759087 0,022312 -0,247884 0,011614
Landschaft 2 **** 0,857984 0,022545 -0,309127 0,011793
grüne Vegetation 1,064809 0,032398 -0,361878 0,029063

Mittelwert Standardabweichung
Landbedeckungsklasse
PCT 2 PCT 2
Brandfläche 1* -0,211572 0,019875
Brandfläche 2** -0,168871 0,025016
Landschaft 1*** -0,008136 0,017337
Landschaft 2 **** 0,083405 0,017688
grüne Vegetation 0,175281 0,044680
* 21 Tage alt, mittlere Feuerintensität, Basalt
** 42 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

124
Anhang 25: Mittelwert und Standartabweichung ausgewählter Landbedeckungs- und
Brandflächenklassen in allen verwendbaren spektralen Kanälen und deren
Ableitungen (für SPOT-HRVIR-Szene 6 (Anhang 12))
Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-
klasse grün ung grün rot ung rot
Brandfläche 1* 0,014817 0,001204 0,011933 0,001667
Brandfläche 2** 0,017522 0,002337 0,015844 0,003456
Landschaft 1*** 0,022646 0,001530 0,023323 0,002253
Landschaft 2 **** 0,027217 0,002071 0,031553 0,002700

Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-

klasse NIR ung NIR SWIR ung SWIR
Brandfläche 1* 0,092916 0,015620 0,080740 0,009164
Brandfläche 2** 0,122988 0,026889 0,106993 0,012248
Landschaft 1*** 0,157908 0,009979 0,147907 0,008968
Landschaft 2 **** 0,204904 0,010638 0,165983 0,008048

Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-

klasse NDVI ung NDVI 2.MSAVI ung 2.MSAVI
Brandfläche 1* 0,770947 0,016701 0,268041 0,048767
Brandfläche 2** 0,770023 0,028176 0,360308 0,086556
Landschaft 1*** 0,742695 0,017550 0,461253 0,031884
Landschaft 2 **** 0,732954 0,020952 0,606438 0,037505

Landbedeckungs- Mittelwert Standardabweich- Mittlerwert Standardabweich-

klasse GEMI ung GEMI PCT 1 ung PCT 1
Brandfläche 1* 0,367111 0,034970 -0,024114 0,017581
Brandfläche 2** 0,431688 0,055380 0,016009 0,027545
Landschaft 1*** 0,501958 0,019035 0,069439 0,011829
Landschaft 2 **** 0,586150 0,018913 0,118411 0,010276

Mittelwert Standardabweichung
Landbedeckungsklasse
PCT 2 PCT 2
Brandfläche 1* 0,007179 0,004660
Brandfläche 2** 0,009298 0,011285
Landschaft 1*** 0,020242 0,006745
Landschaft 2 **** 0,006091 0,008849
* 48 Tage alt, mittlere Feuerintensität, Basalt
** 69 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

125
Anhang 26: Mittelwert und Standartabweichung ausgewählter Landbedeckungs- und
Brandflächenklassen in allen verwendbaren spektralen Kanälen und deren
Ableitungen (für MOD09A1-Szene 8 (Anhang 10))
Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-
klasse grün ung grün rot ung rot
Brandfläche 1* 0,03868 0,00351 0,04236 0,00456
Brandfläche 2** 0,03916 0,00184 0,04627 0,00290
Landschaft 1*** 0,07085 0,00235 0,09160 0,00388
Landschaft 2 **** 0,09033 0,00480 0,11991 0,00559

Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-

klasse NIR ung NIR SWIR ung SWIR
Brandfläche 1* 0,06641 0,00987 0,10469 0,01306
Brandfläche 2** 0,08435 0,00855 0,13690 0,01000
Landschaft 1*** 0,19757 0,00531 0,29918 0,01053
Landschaft 2 **** 0,24325 0,00105 0,35170 0,00781

Landbedeckungs- Mittelwert Standardabweich- Mittelwert Standardabweich-

klasse NDVI ung NDVI 2.MSAVI ung 2.MSAVI
Brandfläche 1* 0,218847 0,024942 0,121778 0,024796
Brandfläche 2** 0,289928 0,024464 0,173422 0,025350
Landschaft 1*** 0,366621 0,011768 0,445400 0,012459
Landschaft 2 **** 0,339559 0,019266 0,567207 0,016942

Landbedeckungs- Mittelwert Standardabweich- Mittlerwert Standardabweich-

klasse GEMI ung GEMI PCT 1 ung PCT 1
Brandfläche 1* 0,293519 0,022402 1,121263 0,015599
Brandfläche 2** 0,335921 0,020468 1,151340 0,013283
Landschaft 1*** 0,525326 0,007005 1,322986 0,007942
Landschaft 2 **** 0,589288 0,008422 1,406136 0,007196

Mittelwert Standardabweichung
Landbedeckungsklasse
PCT 2 PCT 2
Brandfläche 1* -0,106653 0,007370
Brandfläche 2** -0,081881 0,006745
Landschaft 1*** 0,007618 0,005553
Landschaft 2 **** 0,027008 0,004725
* 19 Tage alt, mittlere Feuerintensität, Basalt
** 40 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

126
Anhang 27: Trennbarkeit (Bhattacharyya Distanz) ausgewählter
Landbedeckungsklassen in spektralen Kanälen und ihren Ableitungen (für Landsat-
ETM+-Szene 3 (Anhang 9))
Brandfläche Brandfläche Landschaft Landschaft grüne
grüner Kanal
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,78118 -
Landschaft 1 *** 1,99381 1,91004 -
Landschaft 2 **** 1,99995 1,99867 1,43400 -
grüne Vegetation 1,88103 1,99466 2,00000 2,00000 -

Brandfläche Brandfläche Landschaft Landschaft grüne

roter Kanal
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,58442 -
Landschaft 1 *** 1,99360 1,91604 -
Landschaft 2 **** 2,00000 1,99987 1,62326 -
grüne Vegetation 1,91974 1,99047 2,00000 2,00000 -

Brandfläche Brandfläche Landschaft Landschaft grüne

NIR
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,72254 -
Landschaft 1 *** 2,00000 1,99835 -
Landschaft 2 **** 2,00000 2,00000 1,92434 -
grüne Vegetation 2,00000 2,00000 1,99191 1,79514 -

Brandfläche Brandfläche Landschaft Landschaft grüne

SWIR
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,84637 -
Landschaft 1 *** 1,99995 1,99032 -
Landschaft 2 **** 2,00000 2,00000 1,41452 -
grüne Vegetation 2,00000 2,00000 1,99998 1,95388 -

Brandfläche Brandfläche Landschaft Landschaft grüne

NDVI
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,36583 -
Landschaft 1 *** 1,83481 1,23604 -
Landschaft 2 **** 1,76295 1,06538 0,04901 -
grüne Vegetation 2,00000 2,00000 2,00000 2,00000 -
* 21 Tage alt, mittlere Feuerintensität, Basalt
** 42 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

127
Anhang 27 Fortsetzung
Brandfläche Brandfläche Landschaft Landschaft grüne
2. MSAVI
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,68020 -
Landschaft 1 *** 2,00000 1,99835 -
Landschaft 2 **** 2,00000 2,00000 1,86292 -
grüne Vegetation 2,00000 2,00000 1,99968 1,98732 -

Brandfläche Brandfläche Landschaft Landschaft grüne

GEMI
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,76206 -
Landschaft 1 *** 2,00000 1,99558 -
Landschaft 2 **** 2,00000 1,99998 1,82400 -
grüne Vegetation 2,00000 2,00000 2,00000 1,99798 -

Brandfläche Brandfläche Landschaft Landschaft 2 grüne

PCT 1
1* 2** 1 *** **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,73995 -
Landschaft 1 *** 2,00000 1,99812 -
Landschaft 2 **** 2,00000 2,00000 1,93475 -
grüne Vegetation 2,00000 1,99996 1,93977 1,17686 -

Brandfläche Brandfläche Landschaft Landschaft grüne

PCT 2
1* 2** 1 *** 2 **** Vegetation
Brandfläche 1* -
Brandfläche 2** 0,73701 -
Landschaft 1 *** 2,00000 1,99819 -
Landschaft 2 **** 2,00000 2,00000 1,93425 -
grüne Vegetation 2,00000 1,99998 1,95780 1,33652 -
* 21 Tage alt, mittlere Feuerintensität, Basalt
** 42 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

128
Anhang 28: Trennbarkeit (Bhattacharyya Distanz) ausgewählter
Landbedeckungsklassen in spektralen Kanälen und ihren Ableitungen (für SPOT-
HRVIR-Szene 6 (Anhang 12))
Brandfläche Brandfläche Landschaft Landschaft
grüner Kanal
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,63547 -
Landschaft 1 *** 1,96854 1,15885 -
Landschaft 2 **** 1,99987 1,92032 1,49576 -

Brandfläche Brandfläche Landschaft Landschaft

roter Kanal
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,63547 -
Landschaft 1 *** 1,96854 1,15885 -
Landschaft 2 **** 1,99987 1,92032 1,49576 -

Brandfläche Brandfläche Landschaft Landschaft

NIR
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,52457 -
Landschaft 1 *** 1,91189 0,88485 -
Landschaft 2 **** 1,99970 1,77749 1,85094 -

Brandfläche Brandfläche Landschaft Landschaft

SWIR
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 1,06199 -
Landschaft 1 *** 1,99790 1,68236 -
Landschaft 2 **** 1,99999 1,96663 0,86389 -

Brandfläche Brandfläche Landschaft Landschaft

NDVI
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,12714 -
Landschaft 1 *** 0,57732 0,40056 -
Landschaft 2 **** 0,80553 0,51878 0,07758 -

Brandfläche Brandfläche Landschaft Landschaft

2. MSAVI
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,50910 -
Landschaft 1 *** 1,87752 0,80594 -
Landschaft 2 **** 1,99898 1,68852 1,77419 -
* 48 Tage alt, mittlere Feuerintensität, Basalt
** 69 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

129
Anhang 28 Fortsetzung
Brandfläche Brandfläche Landschaft Landschaft
GEMI
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,50960 -
Landschaft 1 *** 1,89584 0,90590 -
Landschaft 2 **** 1,99907 1,72591 1,82933 -

Brandfläche Brandfläche Landschaft Landschaft

PCT 1
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,69336 -
Landschaft 1 *** 1,98527 1,23027 -
Landschaft 2 **** 1,99999 1,92203 1,82688 -

Brandfläche Brandfläche Landschaft Landschaft

PCT 2
1* 2** 1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,33265 -
Landschaft 1 *** 0,97477 0,42157 -
Landschaft 2 **** 0,18924 0,05357 0,68937 -
* 48 Tage alt, mittlere Feuerintensität, Basalt
** 69 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

Anhang 29: Trennbarkeit (Bhattacharyya Distanz) ausgewählter

Landbedeckungsklassen in spektralen Kanälen und ihren Ableitungen (für
MOD09A1-Szene 8 (Anhang 10))
Landschaft Landschaft
grüner Kanal Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,19253 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,97418 -

Landschaft Landschaft
roter Kanal Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,33044 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,97441 -
* 48 Tage alt, mittlere Feuerintensität, Basalt
** 69 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

130
Anhang 29 Fortsetzung
Landschaft Landschaft
NIR Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,75844 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,95836

Landschaft Landschaft
SWIR Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 1,24665 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,96471 -

Landschaft Landschaft
NDVI Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 1,28952 -
Landschaft 1 *** 1,94976 0,95509 -
Landschaft 2 **** 1,99866 1,75963 0,68285 -

Landschaft Landschaft
2. MSAVI Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,82322 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,99955 -

Landschaft Landschaft
GEMI Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,77498 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,99961 -

Landschaft Landschaft
PCT 1 Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 0,84055 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 2,00000 -
* 19 Tage alt, mittlere Feuerintensität, Basalt
** 40 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

131
Anhang 29 Fortsetzung
Landschaft Landschaft
PCT 2 Brandfläche 1* Brandfläche 2**
1 *** 2 ****
Brandfläche 1* -
Brandfläche 2** 1,57082 -
Landschaft 1 *** 2,00000 2,00000 -
Landschaft 2 **** 2,00000 2,00000 1,66080 -
* 19 Tage alt, mittlere Feuerintensität, Basalt
** 40 Tage alt, mittlere-hohe Feuerintensität, Granit
*** Granitisches Ausgangsgestein, Buschweiden (Combretum apiculatum)
**** Basaltisches Ausgangsgestein, Zwergakazien (Acacia nigrescens)

Anhang 30: Abdeckung der MAS-Daten

132
Anhang 31: Links: Error of Commission (oben) und Error of Omission (unten) am
Rand von Brandflächen in den SANParks-Shape-Daten, Rechts: Error of
Commission innerhalb einer Brandfläche in den SANParks-Shape-Daten

Anhang 32: Konfusions-Tabelle der Genauigkeitsanalyse der Landsat-ETM+-Szene

vom 16.08.2000
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 132 0 132 1
Kartierte

fikation
Klassi-

verbrannt 6 12 18 0,666666667
Summe 138 12 150
Producer Accuracy 0,956521739 1 0,96*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,78)

Anhang 33: Konfusions-Tabelle der Genauigkeitsanalyse der Landsat-ETM+-Szene

vom 31.08.2000
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 140 0,978571429
Kartierte

137 3
fikation
Klassi-

verbrannt 0 10 10 1
Summe 137 13 150
Producer Accuracy 1 0,76923077 0,98*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,86)

133
Anhang 34: Konfusions-Tabelle der Genauigkeitsanalyse der Landsat-ETM+-Szenen
insgesamt
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 272 0,988970588
Kartierte

fikation 269 3
Klassi-

verbrannt 6 22 28 0,785714286
Summe 275 25 300
Producer Accuracy 0,978181818 0,88 0,97*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,81)

Anhang 35: Konfusions-Tabelle der Genauigkeitsanalyse der SPOT-HRVIR-Szene

vom 26.09.2000
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 103 0,980582524
Kartierte

101 2
fikation
Klassi-

verbrannt 15 32 47 0,680851064
Summe 116 34 150
Producer Accuracy 0,870689655 0,94117647 0,886666667*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,72)

Anhang 36: Konfusions-Tabelle der Genauigkeitsanalyse der SPOT-HRVIR-Szene

vom 22.08.2000
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 127 0,976377953
Kartierte

124 3
fikation
Klassi-

verbrannt 0 23 23 1
Summe 124 26 150
Producer Accuracy 1 0,88461538 0,98*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,93)

134
Anhang 37: Konfusions-Tabelle der Genauigkeitsanalyse der SPOT-HRVIR-Szenen
insgesamt
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 230 0,97826087
Kartierte

fikation 225 5
Klassi-

verbrannt 15 55 70 0,785714286
Summe 240 60 300
Producer Accuracy 0,9375 0,91666667 0,933333333*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,80)

Anhang 38: Konfusions-Tabelle der Genauigkeitsanalyse der MOD09A1-Szene vom

01.01.2001 – 08.01.2001
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 129 0,875968992
Kartierte

113 16
fikation
Klassi-

verbrannt 2 19 21 0,904761905
Summe 115 35 150
Producer Accuracy 0,982608696 0,54285714 0,88*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,61)

Anhang 39: Konfusions-Tabelle der Genauigkeitsanalyse der MOD09A1-Szene vom

13.09.2000 – 20.09.2000
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 116 0,939655172
Kartierte

109 7
fikation
Klassi-

verbrannt 6 28 34 0,823529412
Summe 115 35 150
Producer Accuracy 0,947826087 0,8 0,913333333*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,76)

135
Anhang 40: Konfusions-Tabelle der Genauigkeitsanalyse der MOD09A1-Szenen
insgesamt
Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 245 0,906122449
Kartierte

fikation 222 23
Klassi-

verbrannt 8 47 55 0,854545455
Summe 230 70 300
Producer Accuracy 0,965217391 0,67142857 0,896666667*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,69)

Anhang 41: Konfusions-Tabelle der Genauigkeitsanalyse des Polygon-Datensatzes

Referenzklassifikation
unverbrannt verbrannt Summe User Accuracy
unverbrannt 30 13 43 0,697674419
fikation
Shape-
Klassi-

verbrannt 6 251 257 0,976653696

Summe 36 264 300
Producer Accuracy 0,83333333 0,95075758 0,936666667*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,72)

Anhang 42: Konfusions-Tabelle des Vergleichs der eigenen Klassifikation mit

GLOBCARBON (August 2000)
GLOBCARBON
unverbrannt verbrannt Summe User Accuracy
unverbrannt 60 0,95
Kartierte

57 3
fikation
Klassi-

verbrannt 21 19 40 0,475
Summe 78 22 100
Producer Accuracy 0,73076923 0,86363636 0,76*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,46)

136
Anhang 43: Konfusions-Tabelle des Vergleichs der eigenen Klassifikation mit
GLOBCARBON (Januar 2001)
GLOBCARBON
unverbrannt verbrannt Summe User Accuracy
unverbrannt 85 1
Kartierte

fikation 85 0
Klassi-

verbrannt 15 0 15 0
Summe 100 0 100
Producer Accuracy 0,85 - 0,85*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0)

Anhang 44: Konfusions-Tabelle des Vergleichs der eigenen Klassifikation mit

MCD45A1 (August 2000)
MCD45A1
unverbrannt verbrannt Summe User Accuracy
unverbrannt 64 0,984375
Kartierte

63 1
fikation
Klassi-

verbrannt 4 32 36 0,888888889
Summe 67 33 100
Producer Accuracy 0,94029851 0,96969697 0,95*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,89)

Anhang 45: Konfusions-Tabelle des Vergleichs der eigenen Klassifikation mit

MCD45A1 (Januar 2001)
MCD45A1
unverbrannt verbrannt Summe User Accuracy
unverbrannt 84 1
Kartierte

84 0
fikation
Klassi-

verbrannt 8 8 16 0,5
Summe 92 8 100
Producer Accuracy 0,91304348 1 0,92*
*Gesamtgenauigkeit (Overall Accuracy) (Kappa = 0,63)

137