Evaluates changes in pixel values over time using the Continuous Change Detection and Classification (CCDC) method and generates a change analysis raster containing the model results.
للحصول على معلومات بشأن خوارزمية CCDC، راجع كيفية عمل تحليل التغييرات باستخدام CCDC.
ملاحظة:
لا يتم دعم دالة البيانات النقطية هذه إلا من خلال الاقتران بدالة اكتشاف التغيير باستخدام تحليل التغيير. استخدم الطبقة الناتجة لدالة تحليل CCDC كإدخال في دالة اكتشاف التغيير باستخدام تحليل التغيير. لإنتاج إخراج مجموعة بيانات نقطية، قم بربط دالة تحليل CCDC بدالة اكتشاف التغيير باستخدام تحليل التغيير عن طريق محرر الدوال، واحفظ هذا كقالب دالة بيانات نقطية، واستخدمه كإدخال في أداة المعالجة الجغرافية إنشاء بيانات نقطية من دالة بيانات نقطية.
ملاحظات
لا يمكن استخدام دالة البيانات النقطية هذه إلا في صورة إدخال لدالة البيانات النقطية اكتشاف التغيير باستخدام تحليل التغيير. لإنشاء إخراج البيانات النقطية، قم بربط دالة تحليل CCDC بدالة اكتشاف التغيير باستخدام تحليل التغيير في قالب دالة بيانات نقطية، واستخدم القوالب كإدخال في أداة المعالجة الجغرافية إنشاء بيانات نقطية من دالة بيانات نقطية. ينتج من ذلك بيانات نقطية تحتوي على معلومات تتعلق بالوقت الذي تغيرت فيه قيم البكسل.
The Bands for Temporal Masking parameter specifies the bands that will be used for cloud, cloud shadow, and snow masking. Because cloud shadow and snow appear dark in the shortwave infrared (SWIR) band, and clouds and snow are bright in the green band, it is recommended that you mask the band indexes for the SWIR and green bands.
The Updating Fitting Frequency (in years) parameter defines how often the time series model will be updated with new observations. Updating a model frequently can be computationally intensive and the benefit can be minimal. For example, if there are 365 slices or clear observations per year in the multidimensional raster, and the updating frequency is for every observation, the processing will be 365 times more computationally intensive compared to updating once per year, but the accuracy may not be higher.
المعلمات
| المعلمة | الوصف |
|---|---|
البيانات النقطية | طبقة البيانات النقطية المدخلة المتعددة الأبعاد. |
نطاقات اكتشاف التغيير | معرفات النطاق المراد استخدامها لاكتشاف التغيير. في حالة عدم توفر معرفات نطاق، ستُستخدم جميع النطاقات من مجموعة البيانات النقطية المدخلة. يجب أن تكون قيم المعرف أعدادًا صحيحة مفصولة بمسافات. |
نطاقات الإخفاء المؤقت | تُستخدم معرفات النطاق للنطاق الأخضر ونطاق SWIR لإخفاء السحب والظل السحابي والثلج. إذا لم يتم توفير معرفات نطاق، فلن يحدث الإخفاء. يجب أن تكون قيم المعرف أعدادًا صحيحة مفصولة بمسافات. |
حد مربع كاي لاكتشاف التغيير | حد احتمالية تغيير مربع كاي. إذا كانت الملاحظة تحتوي على احتمالية تغيير محسوبة أعلى من هذا الحد، يتم تمييزها بأنها حالة شاذة، وهو حدث تغيير محتمل. القيمة الافتراضية هي 0.99. |
الحد الأدنى للملاحظات الشاذة المتتالية | الحد الأدنى للملاحظات الشاذة المتتالية التي يجب أن تحدث قبل أن يعد الحدث تغييرًا. يجب تمييز البكسل بأنه حالة شاذة لعدد محدد من شرائح الوقت المتتالية قبل اعتباره تغييرًا حقيقيًا. القيمة الافتراضية هي 6. |
تحديث تردد الملائمة (بالسنوات) | عدد مرات تحديث نموذج السلاسل الزمنية بملاحظات جديدة. الإعداد الافتراضي هو تحديث النموذج مرة واحدة في السنة. |