Mit der Image Analyst-Lizenz verfügbar.
Das Werkzeug Veränderungen mit CCDC analysieren kann in Kombination mit dem Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen verwendet werden, um Pixeländerungen im Zeitverlauf zu identifizieren und dadurch Änderungen der Landnutzung oder Landbedeckung zu ermitteln.
Continuous Change Detection (Kontinuierliche Änderungserkennung)
Mit dem Werkzeug Veränderungen mit CCDC analysieren werden Pixelwertänderungen für eine Reihe von Bildern mithilfe des CCDC-Algorithmus (Continuous Change Detection and Classification) (Zhu und Woodcock, 2014) im Zeitverlauf ausgewertet. In einer Zeitserie von optischen Bilddaten oder abgeleiteten Bilddaten (z. B. NDVI) können Pixelwerte aus mehreren Gründen schwanken:
- Jahreszeitliche Veränderungen: Die Änderungen an Pixelwerten spiegeln Veränderungen in der Vegetation aufgrund jahreszeitlicher Schwankungen von Temperatur, Sonnenlicht und Niederschlägen wider. In der nördlichen Hemisphäre etwa ist die grüne Vegetation in der Regel im Sommer dichter als im Winter.
- Allmähliche Veränderungen: Die Änderungen an Pixelwerten spiegeln Trends bei der Vegetation oder bei Oberflächenwasser aufgrund klimatischer Schwankungen oder langfristiger Landbewirtschaftungspraktiken wider. Beispielsweise kann der Anteil von nackter Erde in einem Gebiet allmählich zunehmen, wenn die Niederschlagsmenge langfristig abnimmt.
- Abrupte Veränderungen: Die Änderungen an Pixelwerten spiegeln Veränderungen bei der Landbedeckung wider, die beispielsweise aufgrund von Abholzungen, Stadtausdehnung und Naturkatastrophen usw. auftreten.
Der CCDC-Algorithmus identifiziert alle drei Veränderungstypen mit dem primären Zweck, abrupte Veränderungen zu erkennen. Harmonische Regressions- und Trendmodelle werden auf die Daten eingepasst, um jahreszeitliche und allmähliche Veränderungen abzuschätzen. Plötzliche Abweichungen von den Trendmodellen weisen auf abrupte Veränderungen hin.
Eingabedatentypen
Der CCDC-Algorithmus wurde für Oberflächenreflektions- und Strahlungstemperaturdaten von Landsat TM, Landsat ETM+ und Landsat OLI entwickelt. Das Werkzeug Veränderungen mit CCDC analysieren erkennt jedoch Veränderungen in Multiband-Bilddaten von allen unterstützten Sensoren sowie in Ableitungen von Einzelband-Bilddaten wie Bandindizes. Sie können beispielsweise eine kontinuierliche Veränderungserkennung für ein NDVI-Raster (Normalisierter differenzierter Vegetationsindex) durchführen, da abrupte Änderungen beim NDVI auf eine Abholzung oder einen anderen plötzlichen Vegetationsverlust hindeuten können.
Wolken, Wolkenschatten und Schnee
Die Erkennung von Änderungen der Landbedeckung kann erschwert werden, wenn Wolken, Wolkenschatten oder Schnee in einer Zeitserie von Fernerkundungsbildern vorhanden sind. Diese betroffenen Pixel in der Zeitserie müssen daher maskiert werden, um zu verhindern, dass eine Wolke oder ein Schneefleck fälschlicherweise als Änderung der Landbedeckung erkannt wird. Da Wolkenschatten und Schnee im Kurzwelleninfrarotband (SWIR) sehr dunkel dargestellt werden und Wolken und Schnee im grünen Band sehr hell sind, werden diese beiden Bänder in einem RIRLS-Modell verwendet (Robust Iteratively Reweighted Least Squares, Robuste, iterativ-gewichtete Kleinste-Quadrate-Schätzung), um diese Phänomene zu maskieren. Das Modell generiert Zeitserienplots des grünen und des SWIR-Bandes, und die Modellergebnisse werden mit realen Pixelwerten verglichen, um Ausreißer zu bestimmen, die dann maskiert und aus der Analyse entfernt werden.
Änderungserkennung
Die jahreszeitlichen und allmählichen Veränderungen, die für Pixelwerte im Laufe der Zeit auftreten, werden für jedes Band in den Bilddaten mit der Methode der kleinsten Quadrate (Ordinary Least Squares, OLS) modelliert. Die Differenz zwischen dem vorhergesagten, modellierten Pixelwert und dem tatsächlichen Pixelwert wird berechnet. Wenn die Differenz zwischen den Werten dreimal größer ist als die Wurzel aus der mittleren quadratischen Abweichung (Root Mean Square Error, RMSE), wird dieses Pixel als mögliche Landbedeckungsänderung markiert.
Die potenzielle Veränderung der Landbedeckung wird dann auf Grundlage der Anzahl von aufeinanderfolgenden Beobachtungen auf eine tatsächliche Veränderung bewertet. Wenn sich der Wert eines Pixels nur einmal deutlich von den Modellergebnissen unterscheidet, ist es wahrscheinlich ein Ausreißer. Wenn der Wert des Pixels für eine bestimmte Anzahl aufeinanderfolgender Beobachtungen deutlich von den Modellergebnissen abweicht, wird davon ausgegangen, dass sich das Pixel tatsächlich verändert hat. Die minimale Anzahl der aufeinanderfolgenden Beobachtungen kann im Werkzeug Veränderungen mit CCDC analysieren mit dem Parameter Minimum der aufeinanderfolgenden beobachteten Abweichungen gesteuert werden.
Die Ausgabe des Werkzeugs Veränderungen mit CCDC analysieren ist ein Veränderungsanalyse-Raster, das die Modellkoeffizienten enthält. Dies kann visuell schwer zu interpretieren sein, daher gibt es verschiedene andere Möglichkeiten, die Daten zu interpretieren:
- Erstellen eines zeitlichen Profildiagramms, um Pixeländerungen im Zeitverlauf zu untersuchen. Im Veränderungsanalyse-Raster werden Pixel in ähnlichen Farben dargestellt, wenn sie ähnliche Veränderungsmuster aufweisen.
- Verwenden Sie das Veränderungsanalyse-Raster als Eingabe im Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen, um zu bestimmen, wann und wie oft ein Pixel als Landbedeckungsänderung markiert wurde.
- Erstellen Sie Trainingsgebiete und verwenden Sie das Veränderungsanalyse-Raster für die Bildklassifizierung. Zusätzlich zu den Modellkoeffizienten enthält das Veränderungsanalyse-Raster auch die Spektralinformationen, die zur Klassifizierung der Landbedeckungstypen benötigt werden. Im folgenden Abschnitt wird dieser Prozess genauer erläutert.
Landnutzungsklassifizierung
Der letzte Schritt des CCDC-Algorithmus besteht darin, die Landbedeckung für alle Zeitabschnitte im multidimensionalen Dataset zu klassifizieren. Mit dem Werkzeug Veränderungen mit CCDC analysieren kann dieser Schritt nicht durchgeführt werden, aber die Ausgabe des Werkzeugs kann als Eingabe für die Schulungs- und Klassifizierungswerkzeuge verwendet werden.
Das Veränderungsanalyse-Raster kann bessere Klassifizierungsergebnisse für Zeitserien-Raster liefern, da es zusätzlich zu den Modellinformationen auch Spektralinformationen enthält. Wenn die Landbedeckungsklassen saisonal oder allmählich im Zeitverlauf variieren, werden im Rahmen des Klassifizierungsprozesses Landbedeckungskategorien gemäß den Koeffizienten des harmonischen und Trendmodells und auf Grundlage von Spektral- und Zeitdaten erzeugt.
Trainingsgebiete
Zur Klassifizierung des Veränderungsanalyse-Rasters müssen Sie zunächst Trainingsgebiete mithilfe des Trainingsgebiet-Managers generieren. Trainingsgebiet-Polygone können mit den ursprünglichen Zeitserien-Bilddaten als Referenz erstellt werden, da das Veränderungsanalyse-Raster visuell schwer zu interpretieren ist.
Generieren Sie Trainingsgebiete für verschiedene Zeitabschnitte des Datasets, um unterschiedliche Zeiträume widerzuspiegeln. Ändern Sie den aktuell angezeigten Zeitabschnitt mit den Steuerelementen auf der Registerkarte Multidimensional, und erstellen Sie ein Trainingsgebiet für den aktuell angezeigten Zeitabschnitt, um ihn in die Attribute des Trainingsgebiets aufzunehmen. Es ist wichtig, Trainingsgebiete für Klassen zu erfassen, die nur in bestimmten Zeitabschnitten vorkommen, z. B. eine Deciduous Trees-Klasse, die es nur in wärmeren Monaten gibt.
Die Anzahl und Verteilung der Gebiete hängt von den Bilddaten, der Anwendung, den Genauigkeitsanforderungen und zeitlichen Einschränkungen ab. Im Idealfall sollte es in jeder Landbedeckungsklasse eine ähnliche Anzahl von Gebieten geben, und die Gebiete sollten gleichmäßig über die räumliche Ausdehnung der Bilddaten verteilt sein. Für eine Zeitserie von Raster-Bildern sollten Trainingsgebiete mehrerer Zeitabschnitte in den Daten vorhanden sein, damit die Spektralinformationen der Trainingsgebiete an die harmonischen Kurven angepasst werden können, die mit dem Werkzeug Veränderungen mit CCDC analysieren modelliert wurden. Eine statistisch signifikante Anzahl von Trainingsgebieten wird empfohlen.
Klassifizierung
Nach der Erfassung von Trainingsgebieten kann das Veränderungsanalyse-Raster klassifiziert werden. Um beste Ergebnisse zu erzielen, wird empfohlen, eines der Klassifizierungs-Geoverarbeitungswerkzeuge einzusetzen, bei denen maschinelles Lernen zum Einsatz kommt, entweder Random Trees-Klassifikator trainieren oder Support Vector Machine-Klassifikator trainieren, und damit das Klassifizierungsmodell zu trainieren. Das Eingabe-Raster besteht in der Ausgabe des Werkzeugs Veränderungen mit CCDC analysieren (Veränderungsanalyse-Raster). Als Trainingsgebiete werden diejenigen verwendet, die Sie für das Zeitserien-Raster-Dataset erfasst haben.
Nutzen Sie abschließend das Werkzeug Raster klassifizieren, um das Veränderungsanalyse-Raster zu klassifizieren und eine Zeitserie mit Landbedeckungs-Rastern in einem multidimensionalen Dataset als Ergebnis zu erhalten.
Referenzen
Zhu, Zhe und 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 und Congliang Zhou. "Continuous monitoring of land disturbance based on Landsat time series." Remote Sensing of Environment 238 (2020): 111116.