Analizar cambios usando CCDC (Image Analyst)

Disponible con licencia de Image Analyst.

Resumen

Evalúa los cambios en los valores de píxel a lo largo del tiempo utilizando el método Clasificación y detección de cambios continuas (CCDC) y genera un ráster de análisis de cambios que contiene los resultados del modelo.

Más información sobre cómo funciona Analizar cambios usando CCDC

Uso

  • El algoritmo de clasificación y detección de cambios continuas (CCDC) es un método para identificar cambios en los valores de píxel a lo largo del tiempo. Se desarrolló inicialmente para una serie temporal de imágenes Landsat multibanda y se utiliza para detectar el cambio y clasificar la cobertura de suelo antes y después de que se produzca el cambio. Esta herramienta se puede utilizar con imágenes de sensores compatibles y también puede servir para detectar cambios en rásteres de banda única. Por ejemplo, esta herramienta se puede utilizar para detectar cambios en una serie temporal de rásteres NDVI con el fin de identificar eventos de deforestación.

  • La salida de esta herramienta es información del modelo en un ráster de análisis de cambios en el que cada píxel almacena un conjunto de información del modelo que describe el historial de ese píxel a lo largo del tiempo. El ráster de análisis de cambios es un ráster multidimensional donde cada división es un ráster multibanda compuesto por los coeficientes del modelo, el error cuadrático medio (RMSE) y los cambios observados. Se puede utilizar como entrada de la herramienta Detectar cambios usando el ráster de análisis de cambios, que genera un ráster que contiene información de cambio para cada píxel.

    El número de divisiones en zonas de la salida coincide con el número de divisiones en zonas de la entrada.

  • El ráster multidimensional de entrada debe tener al menos 12 segmentos que abarquen al menos 1 año.

  • Esta herramienta extra los cambios de una entidad observada, de modo que las imágenes multidimensionales de entrada ideales deben capturar una observación coherente a lo largo del tiempo y no deben incluir interferencias atmosféricas o de sensores, nubes ni sombras de nubes. La práctica recomendada es utilizar datos que se han normalizado y se pueden enmascarar con una banda QA, por ejemplo, los productos Landsat Collection 1 Surface Reflectance con una máscara de nube.

  • Para explorar los cambios calculados en el ráster de análisis de cambio de salida, cree un gráfico de perfil temporal. Genere gráficos para varias ubicaciones en el ráster de análisis de cambios para ver cuándo se han producido los cambios. Para los píxeles que han cambiado, el gráfico mostrará intervalos en los que el modelo de regresión ajustado a los valores de píxel cambió con el tiempo a un nuevo modelo, indicando un cambio. Puede desplazar el puntero sobre los puntos del gráfico para identificar la fecha en que cambió el modelo.

  • El ráster de análisis de cambios de salida también se puede utilizar para la clasificación. Ejecute esta herramienta para generar un ráster de análisis de cambios. A continuación, cree muestras de entrenamiento con un campo de tiempo para indicar la hora en la que la muestra representa la cobertura de suelo. A continuación, ejecute una herramienta de entrenamiento para generar un archivo de definición de clasificador (.ecd). Por último, ejecute la herramienta Clasificar ráster con el archivo .ecd y el ráster de análisis de cambios como entradas para generar un ráster clasificado multidimensional.

  • El parámetro Bandas de enmascaramiento temporal especifica las bandas que se utilizarán en el enmascaramiento de nubes, sombras de nubes y nieve. Como las sombras de las nubes y la nieve aparecen oscuras en la banda infrarroja de onda corta (SWIR), y las nubes y la nieve aparecen brillantes en la banda verde, es recomendable que enmascare los índices de banda correspondientes a las bandas SWIR y verde.

  • El parámetro Actualizando la frecuencia de ajuste (en años) define la frecuencia con la que se actualiza el modelo de serie temporal con nuevas observaciones. Una actualización frecuente del modelo puede suponer una gran carga informática y reportar muy pocos beneficios. Por ejemplo, si hay 365 divisiones u observaciones claras al año en un ráster multidimensional y se actualiza con cada observación, el procesamiento será 365 veces más intensivo desde el punto de vista informático que la actualización anual; además, la precisión podría no ser mayor.

  • Esta herramienta puede tardar mucho tiempo en ejecutarse y requiere espacio en disco significativo para almacenar los resultados. Para mejorar el tiempo de procesamiento y reducir la cantidad de espacio de almacenamiento, se recomiendan los siguientes pasos:

    • Desactive el entorno Pirámide. Desactive la casilla de verificación Crear pirámides del panel Entorno o defina el entorno como NONE en Python.
    • Establezca el entorno Compresión en LERC y cambie el valor de Error máximo a 0,000001.
    • Si espera ejecutar la herramienta Detectar cambios usando el ráster de análisis de cambios en la salida de esta herramienta varias veces, se recomienda crear una transposición multidimensional en el resultado.

  • Esta herramienta produce un dataset ráster multidimensional en formato de ráster de nube (CRF). En este momento, no se admite ningún otro formato de salida.

Parámetros

EtiquetaExplicaciónTipo de datos
Ráster multidimensional de entrada

El dataset ráster multidimensional de entrada.

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
Bandas para detectar cambios
(Opcional)

Los Id. de banda que se utilizarán para la detección de cambios. Si no se proporciona ningún Id. de banda, se utilizarán todas las bandas del dataset ráster de entrada.

Long
Bandas de enmascaramiento temporal
(Opcional)

Id. de banda que se van a utilizar en la máscara temporal (Tmask). Le recomendamos utilizar la banda verde y la banda SWIR. Si no se proporciona ningún Id. de banda, no se producirá el enmascaramiento.

Long
Umbral de valor de chi cuadrado para detectar cambios
(Opcional)

Umbral de probabilidad de cambio de la estadística del chi cuadrado. Si una observación tiene calculada una probabilidad de cambio superior a este umbral, se marca como anomalía, lo cual es un evento de cambio potencial. El valor predeterminado es 0,99.

Double
Observaciones de anomalías consecutivas mínimas
(Opcional)

La cantidad mínima de observaciones consecutivas de anomalías que deben producirse antes de que un evento se considere un cambio. Un píxel se debe marcar como anomalía en la cantidad especificada de periodos de tiempo consecutivos para que se considere un cambio real. El valor predeterminado es 6.

Long
Actualizando la frecuencia de ajuste (en años)
(Opcional)

La frecuencia en años a la que se debe actualizar el modelo de serie temporal con las observaciones nuevas. El valor predeterminado es 1.

Double

Valor de retorno

EtiquetaExplicaciónTipo de datos
Ráster de análisis CCDC de salida

El dataset ráster multidimensional de formato de ráster de nube (CRF) de salida.

Ráster de análisis de cambios de salida que contiene información del modelo del análisis CCDC.

Raster

AnalyzeChangesUsingCCDC(in_multidimensional_raster, {bands}, {tmask_bands}, {chi_squared_threshold}, {min_anomaly_observations}, {update_frequency})
NombreExplicaciónTipo de datos
in_multidimensional_raster

El dataset ráster multidimensional de entrada.

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
bands
[bands,...]
(Opcional)

Los Id. de banda que se utilizarán para la detección de cambios. Si no se proporciona ningún Id. de banda, se utilizarán todas las bandas del dataset ráster de entrada.

Long
tmask_bands
[tmask_bands,...]
(Opcional)

Id. de banda que se van a utilizar en la máscara temporal (Tmask). Le recomendamos utilizar la banda verde y la banda SWIR. Si no se proporciona ningún Id. de banda, no se producirá el enmascaramiento.

Long
chi_squared_threshold
(Opcional)

Umbral de probabilidad de cambio de la estadística del chi cuadrado. Si una observación tiene calculada una probabilidad de cambio superior a este umbral, se marca como anomalía, lo cual es un evento de cambio potencial. El valor predeterminado es 0,99.

Double
min_anomaly_observations
(Opcional)

La cantidad mínima de observaciones consecutivas de anomalías que deben producirse antes de que un evento se considere un cambio. Un píxel se debe marcar como anomalía en la cantidad especificada de periodos de tiempo consecutivos para que se considere un cambio real. El valor predeterminado es 6.

Long
update_frequency
(Opcional)

La frecuencia en años a la que se debe actualizar el modelo de serie temporal con las observaciones nuevas. El valor predeterminado es 1.

Double

Valor de retorno

NombreExplicaciónTipo de datos
out_ccdc_result

El dataset ráster multidimensional de formato de ráster de nube (CRF) de salida.

Ráster de análisis de cambios de salida que contiene información del modelo del análisis CCDC.

Raster

Muestra de código

Ejemplo 1 de AnalyzeChangesUsingCCDC (ventana de Python)

Este ejemplo realiza una detección de cambios continua en 30 años de rásteres NDVI mensuales. Solo se utiliza una banda en la detección de cambios y el umbral de probabilidad de chi cuadrado es 0,90.

# Import system modules
import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")


changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingCCDC(
	"Monthly_NDVI_30_years.crf", [0], [], 0.90, 6, 1); 

# Save output
changeAnalysisRaster.save(r"C:\data\NDVI_ChangeAnalysis.crf")
Ejemplo 2 de AnalyzeChangesUsingCCDC (script independiente)

Este ejemplo realiza una detección de cambios continua en una serie temporal de imágenes de Landsat 7, con las bandas 3 y 7 (indexadas en 2 y 6) utilizadas para una máscara de nieve, nube y sombra de nube.

# Import system modules
import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

# Define input parameters
in_multidimensional = r"C:\data\Landsat_time_series.crf"
change_bands = [0,1,2,3,4,5,6]
tmask_bands = [2,6]
chi_sq_threshold = 0.99
min_consecutive_observations = 3
update_frequency = 1

# Execute
changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingCCDC(
	in_multidimensional, change_bands, tmask_bands, chi_sq_threshold, 
	min_consecutive_observations, update_frequency) 

# Save output
changeAnalysisRaster.save(r"C:\data\Landsat_ChangeAnalysis.crf")

Temas relacionados