كيفية عمل تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC)

تتوفر مع رخصة محلل الصور.

يمكن استخدام أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC)، بالاقتران مع أداة اكتشاف التغيير باستخدام البيانات النقطية لتحليل التغيير، لتحديد التغييرات في قيم البكسل بمرور الوقت للإشارة إلى استخدام الأراضي أو تغيرات الغطاء الأرضي.

اكتشاف التغيير المستمر

تستخدم أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC) خوارزمية اكتشاف التغيير المستمر والتصنيف (CCDC) (تشو وودكوك، 2014) لتقييم التغييرات في قيم البكسل بمرور الوقت لمجموعة من الصور. في سلسلة زمنية من الصور البصرية أو مشتقات الصور (مثل مؤشر NDVI)، يمكن أن تتغير قيم البكسل لعدة أسباب:

• التغيير الموسمي—تعكس التغيرات التي تطرأ على قيم البكسل التغيرات في الغطاء النباتي نتيجة التفاوتات الموسمية في درجة الحرارة ومعدل وضوء الشمس هطول الأمطار. في نصف الكرة الشمالي، على سبيل المثال، نتوقع رؤية غطاء نباتي أكثر كثافة في فصل الصيف مقارنة بفصل الشتاء؛ 2.
• التغير التدريجي—تعكس التغيرات في قيمة البكسل الاتجاهات السائدة في الغطاء النباتي أو المياه السطحية بسبب التقلبات المناخية أو ممارسات إدارة الأراضي طويلة الأمد. على سبيل المثال، قد يزداد معدل تعرية التربة تدريجيًا في المنطقة نتيجة انخفاض معدل هطول الأمطار على المدى الطويل.
• التغيير المفاجئ—تعكس تغييرات قيمة البكسل التغييرات التي تطرأ فجأة على الغطاء الأرضي نتيجة إزالة الغابات، والتنمية العمرانية، والكوارث الطبيعية، وما إلى ذلك.

تحدد خوارزمية CCDC جميع أنواع التغيير الثلاثة بغرض أساسي يتمثل في تحديد التغييرات المفاجئة. تضاف نماذج الانحدار والاتجاه التوافقية إلى البيانات لتقييم التغيير الموسمي والتدريجي، وتشير الانحرافات المفاجئة عن نماذج الاتجاه إلى التغيير المفاجئ.

أنواع بيانات الإدخال

صُممت خوارزمية CCDC لبيانات معامل الانعكاس السطحي أو بيانات درجة حرارة السطوع لـ Landsat TM وLandsat ETM+ وLandsat OLI. ومع ذلك، ستكتشف أداة تحليل التغييرات باستخدام اكتشاف التغيير المستمر والتصنيف (CCDC) التغيير للصور متعددة النطاقات من أي مستشعر مدعوم، بالإضافة إلى مشتقات الصور أحادية النطاق مثل فهارس النطاق. على سبيل المثال، يمكنك إجراء عملية الاكتشاف المستمر للتغيير على البيانات النقطية لمؤشر التغير الطبيعي للغطاء النباتي (NDVI)، لأن التغييرات المفاجئة في مؤشر NDVI قد تشير إلى إزالة الغابات أو فقدان الغطاء النباتي المفاجئ.

سحابة وظل سحابي وثلج

يمكن أن يكون اكتشاف تغير الغطاء الأرضي معقدًا بسبب وجود السحب والظل السحابي والثلوج في سلسلة زمنية من صور الاستشعار عن بُعد. يجب إخفاء وحدات البكسل هذه المتأثرة في السلسلة الزمنية لمنع الإبلاغ غير الصحيح عن سحابة أو رقعة من الثلج كتغيير للغطاء الأرضي. نظرًا لأن ظلال السحب والثلوج تظهر مظلمة جدًا في نطاق الأشعة تحت الحمراء قصيرة الموجة (SWIR)، وتظهر السحب والثلوج ساطعة جدًا في النطاق الأخضر، يتم استخدام هذين النطاقين في نموذج قوي للمربعات الصغرى المعاد ترجيحها بشكل متكرر (RIRLS) لإخفاء هذه الظواهر. يولد النموذج مخططات متسلسلة زمنية للنطاقات الخضراء ونطاقات SWIR، وتتم مقارنة نتائج النموذج بقيم البكسل الحقيقية لتحديد القيم المتطرفة، والتي يتم بعد ذلك إخفاؤها وإزالتها من التحليل.

اكتشاف التغيير

تتم نمذجة التغييرات الموسمية والتدريجية التي تحدث لقيم البكسل بمرور الوقت لكل نطاق في الصور باستخدام طريقة المربعات الصغرى العادية (OLS). يُحسب الفرق بين قيمة البكسل المتوقعة والمنمذجة وقيمة البكسل الحقيقية. عندما يكون الفرق بين القيم أكبر بثلاث مرات من الخطأ التربيعي لمتوسط الجذر (RMSE)، توضع علامة على هذا البكسل كإمكانية لتغيير الغطاء الأرضي.

ثم يجري تقييم التغير المحتمل في الغطاء الأرضي من أجل التغيير الحقيقي بناءً على عدد الملاحظات المتتالية. إذا كانت قيمة البكسل مختلفة بشكل ملحوظ عن نتائج النموذج مرة واحدة فقط، فمن المحتمل أن يكون هذا متطرفًا. إذا كانت قيمة البكسل مختلفة بشكل ملحوظ عن نتائج النموذج لعدد معين من الملاحظات المتتالية، فإن الخوارزمية تعتبر أن البكسل قد تغير. يمكن التحكم بالحد الأدنى للملاحظات الشاذة المتتالية في أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC) ضمن معلمة الحد الأدنى لملاحظات الانحراف المتتابعة.

الناتج من أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC) هو البيانات النقطية لتحليل التغيير التي تحتوي على معاملات النموذج. قد يكون من الصعب تفسير ذلك بصريًا، لذلك هناك عدة طرق أخرى لتفسير البيانات:

• أنشئ مخططًا زمنيًا لملف التعريف لاستكشاف تغييرات البكسل بمرور الوقت. ستعرض البيانات النقطية لتحليل التغيير وحدات بكسل بألوان مماثلة إذا كان لديها أنماط تغيير مماثلة.
• استخدم البيانات النقطية لتحليل التغيير كإدخال لأداة اكتشاف التغيير باستخدام البيانات النقطية لتحليل التغيير لتحديد متى وعدد المرات التي تم فيها وضع علامة على بكسل لتغيير الغطاء الأرضي.
• أنشئ عينات تدريب واستخدم البيانات النقطية لتحليل التغيير لإجراء تصنيف الصور. بالإضافة إلى معاملات النموذج، تحتوي البيانات النقطية لتحليل التغير أيضًا على المعلومات الطيفية اللازمة لتصنيف أنواع الغطاء الأرضي. يصف القسم التالي هذه العملية بمزيد من التفصيل.

تصنيف تغطية الأراضي

الخطوة الأخيرة في خوارزمية "اكتشاف التغيير المستمر والتصنيف" (CCDC) هي تصنيف الغطاء الأرضي لجميع الشرائح في مجموعة البيانات متعددة الأبعاد الخاصة بك. لا تنفذ أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC) هذه الخطوة، ولكن يمكن استخدام إخراج الأداة كإدخال لأدوات التدريب والتصنيف.

يمكن أن توفر البيانات النقطية لتحليل التغيير نتائج تصنيف أفضل للبيانات النقطية للسلاسل الزمنية لأنها تتضمن معلومات طيفية بالإضافة إلى معلومات النموذج. عندما تختلف فئات الغطاء الأرضي موسميًا أو تدريجيًا بمرور الوقت، فإن معاملات النموذج التوافقي ونموذج الاتجاه تسترشد بها عملية التصنيف لإنتاج فئات الغطاء الأرضي التي تم إنشاؤها باستخدام البيانات الطيفية والمؤقتة.

عينات التدريب

لتصنيف البيانات النقطية لتحليل التغيير، يجب عليك أولاً إنشاء عينات تدريب باستخدام مدير عينات التدريب "Training Samples Manager". يمكن إنشاء مضلعات عينة التدريب باستخدام صور السلاسل الزمنية الأصلية كمرجع، حيث يصعب تفسير البيانات النقطية لتحليل التغيير بصريًا.

توليد عينات تدريبية لشرائح مختلفة في مجموعة البيانات لتعكس أوقاتًا مختلفة. غيّر الشريحة المعروضة حاليًا باستخدام عناصر التحكم في علامة التبويب متعدد الأبعاد، وأنشئ عينة تدريب للشريحة المعروضة حاليًا لتضمين وقت الشريحة في سمات عينة التدريب. من المهم التقاط عينات التدريب للفصول التي توجد فقط في شرائح معينة، على سبيل المثال، تصنيف Deciduous Trees موجودة فقط في الأشهر الأكثر دفئًا.

يعتمد عدد العينات وتوزيعها على الصور والتطبيق ومتطلبات الدقة والقيود الزمنية. من الناحية المثالية، يجب أن يكون هناك عدد مماثل من العينات في كل تصنيف من تصنيفات الغطاء الأرضي ويجب توزيع العينات بالتساوي في جميع أنحاء النطاق المكاني للصور. فيما يتعلق بسلسلة زمنية من صور البيانات النقطية، يجب أن تكون هناك عينات تدريب على عدة شرائح في البيانات بحيث يمكن تركيب المعلومات الطيفية لعينات التدريب على طول المنحنيات التوافقية التي تم نمذجتها بواسطة أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC). يوصى بعدد كبير إحصائيًا من عينات التدريب.

التصنيف

بعد التقاط عينات التدريب، يمكن تصنيف البيانات النقطية لتحليل التغيير. للحصول على أفضل النتائج، يوصى باستخدام إحدى أدوات المعالجة الجيولوجية لمصنف التعلم الآلي، إما مُصنف التدريب على التسلسلات العشوائية أو مُصنف جهاز البيانات الاتجاهية لدعم التدريب لتدريب نموذج التصنيف. ستكون البيانات النقطية للإدخال هو إخراج البيانات النقطية لتحليل التغيير من أداة تحليل التغييرات باستخدام "اكتشاف التغيير المستمر والتصنيف" (CCDC). ستكون عينات التدريب هي تلك التي جمعتها لمجموعة بيانات نقطية للسلسلة الزمنية.

أخيرًا، استخدم أداة تصنيف البيانات النقطية لتصنيف البيانات النقطية لتحليل التغيير، مما يؤدي إلى سلسلة زمنية من البيانات النقطية للغطاء الأرضي في مجموعة بيانات متعددة الأبعاد.

‏‏مراجع

Zhu, Zhe, and Curtis. E. Woodcock. "Continuous change detection and classification of land cover using all available Landsat data." Remote Sensing of Environment 144 (2014) 152-171.

Zhu, Zhe, Junxue Zhang, Zhiqiang Yang, Amal H. Aljaddani, Warren B. Cohen, Shi Qiu, and Congliang Zhou. "Continuous monitoring of land disturbance based on Landsat time series." Remote Sensing of Environment 238 (2020): 111116