The thesis deals with definitions of the crisis management (in the general level with the application into a practice - business branch), further problems of correction and solution of the crisis in the organisation. In the hard-headed part there the student suggests the optimal soltution of the crisis in the specific company.

Dissertation of Chief Fire Officer Dipl.-Ing. M. Sc. Dirk Schneider for achieving the academic degree of Dr.-Ing. of the Faculty of Forestry, Geo and Hydro Sciences of the Technical University of Dresden with the title: “Early Detection of Fires in Areas of Forests and other Vegetation” Fires threaten and destroy extensive forest and vegetation areas every year, endangering people and its settlements, leading to significant pressures on the environment and destroying considerable high value resources. The expenditures in manpower, logistics and finance for safety in general and fire suppression in particular are considerable. To minimize these varied and extensive consequences of fires, early detection is desirable, making an effective firefighting strategy possible. This early detection is particularly of importance in remote, large-scale areas and territories not under observation by the population, especially if they are subject to an increased or high vulnerability. After investigating and considering the causes, that repeatedly lead to forest fires not only in the Federal Republic of Germany but worldwide, the author describes different traditional and modern methods for early detection of fires in areas of forests and other vegetation. Furthermore the author develops a performance item catalog, basing on practical and economic experience, by which not only novel early warning systems can be developed, but the systems and methods described in the present study also are assessed and compared. The comparison of various early warning systems is guided not only by means of technical features, but also from an economic perspective. Financial calculation methods, staff costs and the peculiarities in public administration are particularly noted. The author also shows the different parameters that influence the selection of an appropriate early warning system for the detection of forest and vegetation areas. It becomes clear that it is the scene of the incident with its specific parameters that determines the most useful early warning system.:Vorwort 3 Abstract 6 Inhaltsverzeichnis 7 1 Einleitung 12 2 Ziel- und Aufgabenstellung 17 3 Vorbetrachtungen und Stand des Wissens 18 3.1 Die Waldbrandsituation 18 3.2 Brandursachen in Wäldern und Vegetationsgebieten 21 3.3 Methoden der Waldbrandfrüherkennung 27 3.3.1 Herkömmliche Methoden der Waldbrandfrüherkennung 27 3.3.1.1 Notrufmeldung durch die Öffentlichkeit 27 3.3.1.2 Feuerwachtürme 29 3.3.1.3 Luftbeobachtung 35 3.3.1.3.1 Feuerwehrflugdienst Niedersachsen 39 3.3.1.3.2 Luftrettungsstaffel Bayern 44 3.3.1.3.3 Avialesookhrana 47 3.3.2 Moderne Systeme 50 3.3.2.1 Terrestrische Systeme 51 3.3.2.1.1 Firewatch 53 3.3.2.1.2 Firehawk Forestwatch 69 3.3.2.1.3 Integriertes Waldbrand-Beobachtungssystem (IPNAS) 72 3.3.2.1.4 FireALERT 76 3.3.2.1.5 Fire Wall 83 3.3.2.1.6 Radio-Akustisches-Sondierungssystem (RASS) 87 3.3.2.1.7 Mobile Biological Sensors (MBS) 93 3.3.2.1.8 Light Detection And Ranging (LIDAR) 101 3.3.2.1.9 Golden Eye 104 3.3.2.2 Aeronautische Systeme 108 3.3.2.2.1 National Infrared Operations Program (NIROPS) 108 3.3.2.2.2 Wildfire Airborne Sensor Program (WASP) 116 3.3.2.2.3 Unmanned Aerial Vehicles (UAV) 121 3.3.2.2.4 Luftschiffe 130 3.3.2.3 Orbitale Systeme 135 3.3.2.3.1 Nomos 137 3.3.2.3.2 Bispectral Infrared Detection (BIRD) 141 3.3.2.3.3 Moderate Resolution Imaging Spectroradiometer (MODIS) 146 3.3.2.3.4 Polar Operational Environmental Satellite Project (POES) 151 4 Material und Methoden 154 4.1 Material 155 4.1.1 Fachliteratur und Forschungsberichte 155 4.1.2 Fachberichte internationaler staatlicher Dienststellen 155 4.1.3 Technische Betriebsunterlagen von Herstellern 155 4.2 Methoden 156 4.2.1 Gespräche und Interviews 156 4.2.2 Praxisorientiertes Erfahrungs- und Anwenderwissen 156 4.2.3 Vergleich zur Bewertung der technischen Leistungsfähigkeit 157 4.2.4 Wirtschaftlichkeit 159 4.2.4.1 Wirtschaftlichkeit unter betriebs- und finanzwirtschaftlicher Betrachtung 160 4.2.4.1.1 Die Wirtschaftlichkeitsanalyse 161 4.2.4.1.1.1 Wirtschaftlichkeitsrechnung 161 4.2.4.1.1.1.1 Statische Verfahren 161 4.2.4.1.1.1.1.1 Kosten- und Gewinnvergleichsrechnung 162 4.2.4.1.1.1.1.2 Rentabilitätsvergleichsrechnung 162 4.2.4.1.1.1.1.3 Amortisationsvergleichsrechnung 162 4.2.4.1.1.1.2 Dynamische Verfahren 163 4.2.4.1.1.1.2.1 Kapitalwertmethode 163 4.2.4.1.1.1.2.2 Internal Rate of Return 164 4.2.4.1.1.1.2.3 Annuitätenmethode 164 4.2.4.1.1.2 Kosten-Nutzen-Analyse 165 4.2.4.1.1.3 Nutzwertanalyse 165 4.2.4.2 Wirtschaftlichkeit in der öffentlichen Verwaltung 166 4.2.4.3 Personalkosten 170 4.2.4.4 Kostenvergleich verschiedener Früherkennungssysteme 172 5 Entwicklung eines Leistungspositionskataloges 174 5.1 Funktionale Anforderungen 176 5.1.1 Melde- und Dispositionszeiten 176 5.1.1.1 Frühzeitige Branderkennung 176 5.1.1.2 Schnelle Meldewege 177 5.1.1.3 Automatisierte Ortsbestimmung 177 5.1.2 Einsatzbereitschaft 177 5.2 Nicht-Funktionale Anforderungen 178 5.2.1 Zuverlässigkeit 178 5.2.1.1 Geringe Fehlalarm- und Detektionsverlustrate 178 5.2.1.2 Wetterunabhängigkeit 179 5.2.1.3 Temperaturunabhängigkeit 179 5.2.1.4 UV-Beständigkeit 179 5.2.1.5 Elektromagnetische Verträglichkeit 179 5.2.1.6 Reduktion von Täuschungsalarmen 180 5.2.1.7 Zwei-Linien-Abhängigkeit 180 5.2.2 Leistungsvermögen 181 5.2.2.1 Automatisches Wirken 181 5.2.2.2 Einsatzinformationsprojektion 181 5.2.3 Benutzbarkeit 181 5.2.3.1 Bedienbarkeit 181 5.2.3.2 Intuitive Erfassbarkeit 182 5.2.4 Portierung und Übertragung 182 5.2.4.1 Leitstellenaufschaltung 182 5.2.4.2 Geoinformationssystem 182 5.2.4.3 Schnittstelle für Wetterinformationen 183 5.2.4.4 Kommunikationsredundanz 183 5.2.4.5 Kompatibilität 183 5.2.4.6 Ergonomie, Design und Ästhetik 183 5.3 Sicherheitsanforderungen 184 5.3.1 Umweltsicherheit 184 5.3.1.1 Gesundheitsschutz 184 5.3.1.2 Umweltverträglichkeit 184 5.3.2 Technische Betriebssicherheit 185 5.3.2.1 Systemstabilität 185 5.3.2.2 Unabhängigkeit von Dritten 185 5.3.2.3 Zwei-Wege-Energieversorgung 185 5.3.2.4 Umweltresistenz 186 5.4 Wirtschaftlichkeit 186 5.4.1 Wartung und Instandsetzung 186 5.4.2 Erweiterbarkeit 186 5.5 Der Leistungspositionskatalog 187 6 Ergebnisse 188 6.1 Die Notwendigkeit des Einsatzes von Früherkennungssystemen 189 6.2 Grundlegende Bewertung der Leistungsfähigkeit 190 6.2.1 Public Report (Notrufmeldung durch die Öffentlichkeit) 192 6.2.2 Feuerwachtürme 193 6.2.3 Luftbeobachtung 193 6.2.4 Unmanned Aerial Vehicles (UAV) 194 6.2.5 Luftschiffe 195 6.2.6 Terrestrische CCTV-Technik 196 6.2.7 Terrestrische OSS-Videotechnik 196 6.2.8 Erdgebundene Infrarotsysteme 197 6.2.9 Erdgebundene Temperatursensoren 197 6.2.10 Light Detection And Ranging (LIDAR) 198 6.2.11 Sonic Detection and Ranging (SODAR) und Radio-Akustische-Sondierungssysteme (RASS) 199 6.2.12 Mobile biologische Sensoren (MBS) 200 6.2.13 Satellitentechnologie 201 6.2.14 Zusammenfassung der grundlegenden Bewertung 201 6.3 Bewertung nach dem Leistungspositionskatalog 204 6.3.1 Erfüllung der funktionalen Anforderungen 205 6.3.2 Erfüllung der nicht-funktionalen Anforderungen 206 6.3.3 Erfüllung der Sicherheitsanforderungen 206 6.3.4 Betrachtung der Wirtschaftlichkeit 207 6.3.5 Public Report (Notrufmeldung durch die Öffentlichkeit) 207 6.3.6 Feuerwachturm 209 6.3.7 Luftbeobachtung 212 6.3.8 Unmanned Aerial Vehicles (UAV) 213 6.3.9 Luftschiffe 216 6.3.10 CCTV-Technik 218 6.3.11 OSS-Videotechnik 220 6.3.12 Erdgebundene Infrarotsysteme 222 6.3.13 Erdgebundene Temperatursysteme 224 6.3.14 Light Detection And Ranging (LIDAR) 226 6.3.15 Sonic Detection and Ranging (SODAR) und Radio-Akustische-Sondierungssysteme (RASS) 228 6.3.16 Mobile biologische Sensoren (MBS) 229 6.3.17 Satellitentechnologie 232 6.3.18 Zusammenfassung der Bewertung nach dem Leistungspositionskatalog 235 6.4 Bewertung anhand komplexer Kriterien 243 6.5 Die Vulnerabilität von Ökosystemen 244 6.6 Kostenvergleich ausgewählter Früherkennungssysteme 246 6.7 Bewertung der betriebs- und finanzwirtschaftlichen Methoden 257 6.8 Wirtschaftlichkeit und beeinflussende Nebenaspekte 258 6.9 Die Anwendung von Analysemethoden 261 7 Diskussion 263 7.1 Grundlagen und Methoden der Waldbrandfrüherkennung 263 7.2 Die Komplexität der Findung eines geeigneten Früherkennungssystems 276 7.3 Der Kostenvergleich von Früherkennungssystemen 276 7.4 Allgemeine Wirtschaftlichkeit 278 7.5 Technische Wirtschaftlichkeit 278 7.6 Finanz- und betriebswirtschaftliche Methoden 279 8 Schlussfolgerungen 280 8.1 Lehre zur Bedeutung von Wald- und Vegetationsgebieten 280 8.2 Prävention und Aufklärung 281 8.3 Schutzbedarf feuerunabhängiger Ökosysteme 282 8.4 Notwendigkeit des Einsatzes von Früherkennungssystemen 282 8.5 Der Einfluss der Empfindlichkeit eines Ökosystems 283 8.6 Technische Weiterentwicklung des Systems Feuerwachturm 284 8.7 Erfüllung funktionaler und nicht-funktionaler Anforderungen 285 8.8 Die Gewährleistung der Umweltsicherheit 286 8.9 Unzulässigkeit der Verwendung von Tieren als Früherkennungssystem 286 8.10 Die Wirtschaftlichkeit von Früherkennungssystemen 287 8.11 Die interdisziplinäre Nutzung zur Senkung von Kosten 288 8.12 Der Leistungspositionskatalog als Werkzeug 288 8.13 Orbitaler Systemverbund für den globalen Umweltschutz 289 8.14 Minimierung von Fehlalarmen durch Zwei-Linien-Abhängigkeit 290 8.15 Kombination unterschiedlicher Methoden zum Erhalt eines Idealsystems 291 8.16 Örtliche Bedingungen bestimmen das Früherkennungssystem 292 9 Zusammenfassung 293 10 Quellen- und Literaturverzeichnis (numerisch) 296 11 Quellen- und Literaturverzeichnis (alphabetisch) 338 Anhang I: Abkürzungsverzeichnis 344 Anhang II: Bilderverzeichnis 348 Anhang III: Tabellenverzeichnis 353 Anhang IV: Index 354

In electronic warfare, one of the key technologies is radar. Radar is used to detect and identify unknown aerial, nautical or land-based objects. An attribute of of a pulsed radar signal is the Pulse Repetition Interval (PRI) which is the time interval between pulses in a pulse train. In a passive radar receiver system, the PRI can be used to recognize the emitter system. Correct classification of emitter systems is a crucial part of Electronic Support Measures (ESM) and Radar Warning Receivers (RWR) in order to deploy appropriate measures depending on the emitter system. Inaccurate predictions of emitter systems can have lethal consequences and variables such as time and confidence in the predictions are essential for an effective predictive method. Due to the classified nature of military systems and techniques, there are no industry standard systems or techniques that perform quick and accurate classifications of emitter systems based on PRI. Therefore, methods that allows for fast and accurate predictions based on PRI is highly desirable and worthy of research. This thesis explores and compares the capabilities of two machine learning methods for the task of classifying emitters based on received PRI. The first method is an attention based model which performs well throughout all levels of realistic noise and is quick to learn and even quicker to give accurate predictions. The second method is a K-Nearest Neighbor (KNN) implementation that, while performing well for noise-free PRI, finds its performance degrading as the amount of noise increases. An additional outcome of this thesis is the development of a system to generate samples in an automated fashion. The attention based model performs well, achieving a macro avarage F1-score of 63% in the 59-class recognition task whereas the performance of the KNN is lower, achieving a macro avarage F1-score of 43%. Future research could be conducted with the purpose of designing a better attention based model for producing higher and more confident predictions and designing algorithms to reduce the time complexity of the KNN implementation. / En av de viktigaste teknikerna inom telektrig är radarn. Radar används för att upptäcka och identifiera okända, luftburna, sjögående eller landbaserade förmål. En komponent av radar är Pulsrepetitionsinterval (Pulse Repetition Intervall, PRI) som beskrivs som tidsintervallet mellan två inkommande pulser. I ett radarvarnar system (Radar Warning Receiver, RWR) kan PRI användas för att identifiera radarsystem. Korrekt identifiering av radarsystem är en viktig uppgift för elektroniska understödsmedel (Electronic Support Measures, ESM) med syfte att tillsätta lämpliga medel beroende på radarsystemet i fråga. Icke tillförlitlig identifiering av radarsystem kan ha dödliga konsekvenser och variabler som tid och säkerhet i identifieringen är avgörande för ett effektivt system. Då dokumentation och specifikationer för militära system i regel är hemligstämplade är det svårt att utröna någon typ av industristandard för att utföra snabb och säker klassificering av radarsystem baserat på PRI. Därför är det av stort intresse detta område och möjligheterna för sådana lösningar utforskas. Detta examensarbete utforskar och jämför förmågorna hos två maskininlärningsmetoder i avseende att korrekt identifiera radarsändare baserat på genererat PRI. Den första metoden är ett djupt neuralt nätverk som använder sig av tekniken ”attention”. Det djupa nätverket presterar bra för alla brusnivåer och lär sig snabbt att känna igen attributen hos PRI som kännetecknar vilken radarsändare och som efter träning dessutom är snabb på att korrekt identifiera PRI. Den andra metoden är en K-Nearest Neighbor implementation som förvisso presterar bra på icke brusig data men vars förmåga försämras allt eftersom brusnivåerna ökar. Ett ytterligare resultat av arbetet är utvecklingen och implementationen av en metod för att specificera PRI och sedan generera PRI efter specifikation. Attention modellen genererar bra prediktioner för data bestående av 59 klasser, med ett F1-score snitt om 63% medan KNN-implementationen för samma uppgift har en lägre träffsäkerhet med ett F1-score snitt om 43%. Vidare forskning kan innefatta utökad utveckling av det djupa, neurala nätverket i syfte att förbättra dess förmåga för identifiering och metoder för att minimera tidsåtgången för KNN implementationen.