Una serie temporal de imágenes o rásteres se compone de datos recopilados a lo largo del tiempo, normalmente a intervalos regulares, a menudo para analizar los cambios en la superficie de la tierra. En ArcGIS AllSource, una serie temporal de datos ráster se puede organizar en un dataset ráster multidimensional o en un dataset de mosaico multidimensional, y se pueden usar herramientas para extraer información sobre el historial de un píxel a lo largo del tiempo.
Normalmente, el propósito de modelar el historial de un píxel en decenas o cientos de imágenes es encontrar la fecha en la que se produjo algún tipo de cambio.
La función de ráster Análisis CCDC y la función de ráster Análisis LandTrendr se pueden encadenar junto con la función de ráster Detectar cambios mediante análisis de cambio para extraer la fecha de la información del cambio de un ráster multidimensional.
Es posible usar la herramienta Analizar cambios utilizando LandTrendr o la herramienta Analizar cambios utilizando CCDC, junto con la herramienta Detectar cambios utilizando el ráster de análisis de cambios, para identificar los cambios en los valores de píxel a lo largo del tiempo para indicar cambios en el uso del suelo o cambios en la cobertura de suelo.
El Asistente de detección de cambios combina las herramientas y funciones disponibles para guiarle a través del proceso de extracción de fecha de cambio de información de una serie temporal de imágenes o rásteres. La salida del asistente es un ráster en el que cada píxel tiene un valor de fecha correspondiente a la hora en que se realizó un tipo de cambio en particular.
En la siguiente sección se proporcionan detalles sobre cada panel del Asistente para detección de cambios cuando se realiza detección de cambios de serie temporal.
Asistente de detección de cambios
Configurar
El primer panel del Asistente para detección de cambios es el panel Configurar, donde puede seleccionar la opción Método de detección de cambios que desee utilizar. Para extraer la fecha del cambio de un ráster multidimensional, establezca el Método de detección de cambios en Detección de cambios de serie temporal.
| Parámetro | Descripción |
|---|---|
| Ráster de entrada | El dataset ráster multidimensional de entrada que se analizará. Entre las entradas admitidas se incluyen archivos multidimensionales en formato de ráster en la nube (.crf), datasets de mosaico multidimensionales o servicios de imágenes multidimensionales. 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. Si ya ha generado un ráster de análisis de cambios utilizando las herramientas Analizar cambios utilizando LandTrendr o Analizar cambios utilizando CCDC, puede proporcionar el resultado como ráster de entrada en el asistente y el siguiente panel se omitirá. |
Extensión de procesamiento | La extensión de procesamiento para el ráster de cambio de salida. |
Analizar serie temporal
El panel Analizar serie temporal le permite especificar el tipo de modelo que se debe ejecutar para realizar análisis de serie temporal y configurar el modelo. Este panel no aparecerá si introdujo un ráster de análisis de cambios existente en el panel Configurar.
Los parámetros visibles en este panel dependen de la opción de modelado seleccionada en el parámetro Método de análisis de cambios:
- CCDC: el algoritmo de clasificación y detección de cambios continuos (CCDC) se usará para evaluar cambios en los valores de píxel a lo largo del tiempo. Para usar esta opción, el ráster multidimensional de entrada debe tener al menos 12 segmentos que abarquen al menos 1 año. Para obtener información el algoritmo y los parámetros, consulte Cómo funciona Analizar cambios usando CCDC.
- LandTrendr: el algoritmo de detección basada en Landsat de tendencias en las alteraciones y la recuperación (LandTrendr) se utilizará para evaluar los cambios en los valores de los píxeles a lo largo del tiempo. Para obtener más información sobre el algoritmo y los parámetros, consulte Cómo funciona la herramienta Analizar cambios con LandTrendr.
Parámetros de análisis de cambios de CCDC
| Parámetro | Descripción |
|---|---|
| Bandas para detectar cambios | Las bandas espectrales a analizar para detectar cambios. El valor predeterminado es utilizar todas las bandas. |
| Bandas de enmascaramiento temporal | Las bandas que se deben utilizar para el enmascaramiento de nubes, sombra de nubes y nieve. Dado que las sombras de las nubes y la nieve son muy oscuras en la banda infrarroja de onda corta (SWIR), y las nubes y la nieve aparecen muy brillantes en la banda verde, se recomienda que use los índices de banda correspondientes a las bandas SWIR y verde para el enmascaramiento. Si no se selecciona ninguna banda, no se producirá enmascaramiento. |
| Umbral de chi cuadrado para detectar cambios | 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. |
| Observaciones de anomalías consecutivas mínimas | 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. |
| Actualizando la frecuencia de ajuste (en años) | La frecuencia en años a la que se debe actualizar el modelo de serie temporal con las observaciones nuevas. Una actualización frecuente del modelo puede suponer un coste informático 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 costoso desde el punto de vista informático que la actualización anual; además, la precisión podría no ser mayor. El valor predeterminado es 1. |
Parámetros de análisis de cambios de LandTrendr
| Parámetro | Descripción |
|---|---|
| Banda de procesamiento | El nombre de la banda de imagen que se utilizará para segmentar las trayectorias de valores de píxel a lo largo del tiempo. Elija el nombre de la banda que capturará mejor los cambios en la entidad que desea observar. El valor predeterminado es la primera banda. |
| Fecha de ajuste | La fecha utilizada para identificar una división para cada año en el dataset multidimensional de entrada. Se utilizará la división con la fecha más cercana a la fecha de ajuste. Este parámetro es obligatorio si el dataset de entrada contiene datos subanuales. El valor predeterminado es el 06-30, es decir, el 30 de junio, que es aproximadamente la mitad del año natural. |
| Número máximo de segmentos | Número máximo de segmentos que se ajustarán a la serie temporal para cada píxel. El valor predeterminado es 5. |
| Arco colgante de recuento de vértices | El número de vértices adicionales por encima de maximum number of segments + 1 que se puede utilizar para ajustar el modelo durante la etapa inicial de identificación de vértices. Más adelante en el proceso de modelado, el número de vértices adicionales se reducirá a maximum number of segments + 1. El valor predeterminado es 2. |
| Umbral pico | Umbral que se va a utilizar para atenuar picos o anomalías en la trayectoria del valor de píxel. El valor debe estar entre 0 y 1, donde 1 significa que no hay atenuación. El valor predeterminado es 0,9. |
| Umbral de recuperación | Valor del umbral de recuperación, en años. Una entidad en un paisaje a menudo tardará un tiempo en recuperarse de un cambio no permanente, como un incendio forestal o una plaga de insectos. Use este parámetro para controlar la tasa de recuperación reconocida por el modelo. Si un segmento presenta una tasa de recuperación más rápida que 1/recovery threshold, el segmento se descarta y no se incluye en el modelo de serie temporal. El valor debe estar comprendido entre 0 y 1. El valor predeterminado es 0,25. |
| Cantidad mínima de observaciones | Número mínimo de observaciones válidas necesarias para realizar el ajuste. El número de años del dataset multidimensional de entrada debe ser igual o mayor que este valor. El valor predeterminado es 6. |
| Umbral de valor p | Umbral de valor p correspondiente a un modelo que se va a seleccionar. Una vez detectados los vértices en la etapa inicial del ajuste del modelo, la herramienta ajustará cada segmento y calculará el valor p para determinar la importancia del modelo. En la siguiente iteración, el modelo disminuirá el número de segmentos en uno y volverá a calcular el valor p. Esto continuará y, si el valor p es menor que el valor especificado en este parámetro, el modelo se seleccionará y la herramienta dejará de buscar un modelo mejor. Si no se selecciona ningún modelo, la herramienta seleccionará un modelo con un valor p menor que el lowest p-value × best model proportion value. El valor predeterminado es 0,01. |
| Mejor proporción de modelo | El mejor valor de proporción de modelo. Durante el proceso de selección del modelo, la herramienta calculará el valor p para cada modelo e identificará un modelo que tenga el mayor número de vértices manteniendo el valor p más pequeño (más significativo) basado en este valor de proporción. Un valor de 1 significa que el modelo tiene el valor p más bajo, pero es posible que no tenga un número elevado de vértices. El valor predeterminado es 1,25. |
| Evitar la recuperación de un año | Especifica si se excluirán los segmentos que presentan una recuperación de un año.
|
| Recuperación con tendencia creciente | Especifica si la recuperación tiene una tendencia creciente (positivo).
La recuperación de un cambio en el paisaje puede producirse en la dirección positiva o negativa. Por ejemplo, cuando un paisaje experimenta pérdida de bosque, una serie temporal de valores de índice de vegetación muestra una caída en los valores de índice y la recuperación muestra un aumento gradual de los valores de índice de vegetación o una tendencia de recuperación positiva. |
| Otras bandas de salida | Especifica si se incluirán otras bandas en los resultados.
|
Detectar fecha de cambio
El panel Detectar fecha de cambio proporciona los parámetros para que especifique la información de fecha de cambio que desea extraer del modelo.
| Parámetro | Descripción |
|---|---|
| Cambiar tipo | Especifica la información de cambio que se va a calcular para cada píxel. Cuando utilice el método de análisis de cambios CCDC, puede elegir entre las siguientes opciones:
Cuando se utiliza el método de análisis de cambios LandTrendr, están disponibles las siguientes opciones adicionales:
|
| Número máximo de cambios | El número máximo de cambios por píxel que se calculará. Este número corresponde al número de bandas del ráster de salida. El valor predeterminado es 1, lo cual significa que solamente se calculará una fecha de cambio y que el ráster de salida contendrá una sola banda. Este parámetro no se aplica si el parámetro Tipo de cambio tiene el valor Número de cambios. |
| Fecha de segmento | Especifica si la fecha se extrae al principio de un segmento de cambio o al final. Este parámetro solo está disponible cuando se utiliza el método de análisis de cambios LandTrendr. |
| Cambiar dirección | Especifica la dirección del cambio que se incluirá en el análisis.
Este parámetro solo está disponible cuando se utiliza el método de análisis de cambios LandTrendr. |
| Filtrar por año | Especifica si la salida se filtrará por un rango de años.
Este parámetro solo está disponible cuando se utiliza el método de análisis de cambios LandTrendr. Use este parámetro para identificar los cambios que se produjeron en un periodo de tiempo específico, por ejemplo, si está buscando cambios que se produjeron en un paisaje durante cinco años de sequía. Si la casilla está marcada, debe introducir los años mínimo y máximo que se utilizarán para filtrar los resultados. |
| Filtrar por duración | Especifica si los resultados se filtrarán por la duración del cambio.
Este parámetro solo está disponible cuando se utiliza el método de análisis de cambios LandTrendr. Use este parámetro para identificar los cambios que se produjeron a lo largo de un intervalo determinado de años, por ejemplo, si solo está buscando cambios abruptos que se produjeran en 1 o 2 años. Puede calcular la duración que le interese con la fórmula end year - start year +1. Se incluirán los huecos en las series temporales. Si la casilla está marcada, debe introducir los valores de duración mínima y máxima que se utilizarán para filtrar los resultados. |
| Filtrar por magnitud | Especifica si los resultados se filtrarán por magnitud de cambio.
Este parámetro solo está disponible cuando se utiliza el método de análisis de cambios LandTrendr. Use este parámetro para identificar los cambios de una magnitud determinada, por ejemplo, si solo está buscando cambios grandes en el índice de vegetación NDVI. La magnitud es un valor absoluto, por lo que los valores mínimo y máximo no pueden ser negativos. Para especificar el cambio direccional, utilice el parámetro Cambiar dirección. Si la casilla está marcada, debe introducir los valores de magnitud mínimo y máximo que se utilizarán para filtrar los resultados. |
| Fecha de salida del ráster de cambio | El dataset de salida. La salida es un ráster multibanda en el que cada banda contiene información de cambios en función del tipo de cambio seleccionado y del número máximo de cambios especificado. Por ejemplo, si el parámetro Tipo de cambio está definido como Hora del cambio más temprano y el parámetro Número máximo de cambios está definido como 2, la herramienta calcula las dos fechas más tempranas en las que se produjeron cambios durante toda la serie temporal para cada píxel. El resultado es un ráster en el que la primera banda contiene las fechas del cambio más temprano por píxel y la segunda banda contiene las fechas del segundo cambio más temprano por píxel. |
Extraer datos de una serie temporal
El siguiente ejemplo extrae la fecha del cambio más rápido de una serie temporal de rásteres de NDVI anuales entre 2000 y 2019.
- Agregue el dataset ráster NDVI multidimensional al mapa.
- Con la capa seleccionada en el panel Contenido, abra el Asistente de detección de cambio en la pestaña Imágenes del grupo Análisis.
- En el panel Configurar, establezca el Método de detección de cambios en Cambio de serie temporal y asegúrese de que el Ráster de entrada esté establecido en el ráster NDVI multidimensional. Haga clic en Siguiente.
- En el panel Analizar serie temporal, configure los parámetros para realizar el modelado LandTrendr.
- Establezca el parámetro Método de análisis de cambios en LandTrendr.
- Establezca el parámetro Número máximo de segmentos en 10.
- Mantenga el resto de valores predeterminados.
- Haga clic en Siguiente.
- En el panel Detectar cambios, configure los parámetros para extraer el comienzo del cambio más rápido y más negativo (pérdida de NDVI) de la serie.
- Configure Cambiar tipo en Tiempo del cambio más rápido.
- Configure Dirección del cambio en Disminución.
- Marque la casilla de verificación Filtrar por magnitud.
- Establezca la magnitud mínima en 0,5 y la magnitud máxima en 2.
- En Fecha de salida del ráster de cambio, escriba FastestNDVILoss.crf.
- Haga clic en Ejecutar.