Évaluer les changements des valeurs de pixels au fil du temps à l’aide de la méthode de détection des tendances en matière de perturbation et de récupération des forêts basée sur Landsat (LandTrendr), puis générer un raster d’analyse des changements contenant les résultats du modèle.
Pour en savoir plus sur l’algorithme LandTrendr, reportez-vous à la rubrique Fonctionnement de l’analyse des changements avec l’algorithme LandTrendr.
Remarque :
Cette fonction de raster est compatible uniquement avec la fonction Détecter les modifications à l’aide de l’analyse des changements. Utilisez la couche en sortie de la fonction Analyse LandTrendr comme entrée de la fonction Détecter les changements à l’aide de l’analyse des changements. Pour produire une sortie du jeu de données raster, connectez la fonction LandTrendr Analysis (Analyse LandTrendr) à la fonction Detect Changes Using Change Analysis (Détecter les changements à l’aide de l’analyse des changements) avec l’éditeur de fonctions, enregistrez-les dans un modèle de fonction raster, puis utilisez ce modèle en entrée de l’outil de géotraitement Generate Raster From Raster Function (Générer un raster à partir de la fonction raster).
Remarques
Cette fonction raster est compatible uniquement en entrée de la fonction raster Détecter les changements à l’aide de l’analyse des changements. Pour générer une sortie raster, connectez la fonction Analyse LandTrendr à la fonction Détecter les changements à l’aide de l’analyse des changements dans un modèle de fonction raster, puis utilisez ce modèle en entrée de l’outil de géotraitement Générer un raster à partir de la fonction raster. Le résultat est un raster contenant des informations concernant l’heure à laquelle les valeurs de pixel ont changé.
Cet outil extrait les changements survenus pour une entité observée, de sorte que l’imagerie multidimensionnelle en entrée idéale puisse capturer une observation cohérente au fil du temps et ne puisse pas inclure d’interférences atmosphériques ou liées au capteur, de nuages ou l’ombre des nuages. Il est préférable d’utiliser des données normalisées et pouvant être masquées à l’aide d’une bande d’assurance qualité (QA), comme les produits de réflectance de surface Landsat Collection 1 avec un masque de nuage.
L’outil effectue l’analyse sur une image par an, et le nombre de tranches annuelles doit être au moins égal à la valeur du paramètre Minimum Number of Observations (Nombre minimal d’observations). Il est recommandé de disposer d’au moins six années de données.
Si vous disposez de données mensuelles, hebdomadaires ou quotidiennes, nous vous recommandons de sélectionner plusieurs images pour chaque année (si possible à la même saison), de supprimer les nuages et leur ombre, puis d’associer ces images pour générer une image unique qui capture bien l’observation. Si des données mensuelles, hebdomadaires ou quotidiennes sont fournies comme raster multidimensionnel en entrée, l’outil identifie une tranche pour l’analyse, en fonction de la date la plus proche à celle du paramètre Snapping Date (Date de capture).
Il faut souvent un peu de temps pour qu’une entité dans un paysage récupère après un changement temporaire comme un feu de forêt ou une invasion d’insectes. Pour contrôler le taux de récupération reconnu par le modèle, définissez le paramètre Recovery Threshold (Seuil de récupération). Le taux de récupération d’un segment ne peut pas être plus rapide que la valeur 1/seuil de récupération.
La récupération après un changement dans le paysage peut se faire dans le sens positif ou négatif. Par exemple, lorsqu’un paysage subit une déforestation, une série temporelle de valeurs d’index de végétation montre une chute des valeurs d’index, et la récupération se traduit par une augmentation progressive des valeurs d’index de végétation, soit une tendance de récupération positive. Spécifiez le sens de la tendance de récupération à l’aide du paramètre Recovery Has Increasing Trend (La tendance de récupération augmente).
Paramètres
| Paramètre | Description |
|---|---|
Raster | Couche raster multidimensionnelle Landsat en entrée. |
Nom du canal de traitement | Nom de canal d’image à utiliser pour segmenter les trajectoires de valeur de pixel dans le temps. Choisissez le nom de canal qui capture le mieux les changements dans l’entité à observer. |
Snapping Date (Date de capture) | Date utilisée pour identifier une tranche pour chaque année dans le jeu de données multidimensionnelles en entrée. La tranche dont la date est la plus proche de la date de capture est utilisée. Ce paramètre est requis si le jeu de données en entrée contient des données pour des périodes inférieures aux années. |
Maximum Number of Segments (Nombre maximal de segments) | Nombre maximal de segments à associer à la série temporelle de chaque pixel. La valeur par défaut est 5. |
Vertex Count Overshoot (Dépassement du nombre de sommets) | Nombre de sommets supplémentaires au-delà de max_num_segments + 1 qui peut être utilisé pour ajuster le modèle pendant la phase initiale de l’identification des sommets. Plus tard dans le processus de modélisation, le nombre de sommets supplémentaires est réduit à max_num_segments + 1. La valeur par défaut est 2. |
Spike Threshold (Seuil de pic) | Seuil à utiliser pour amortir les pics ou les anomalies dans la trajectoire de valeur de pixel. La valeur doit être comprise entre 0 et 1, la valeur 1 signifiant qu’il n’y a pas d’amortissement. La valeur par défaut est 0,9. |
Recovery Threshold (Seuil de récupération) | Valeur du seuil de récupération en années. Si le taux de récupération d’un segment est plus rapide que la valeur 1/recovery threshold, ce segment est ignoré et n’est pas inclus dans le modèle de série chronologique. La valeur doit être comprise entre 0 et 1. La valeur par défaut est 0,25. |
Nombre minimal d'observations | Nombre minimum d’observations valides nécessaire pour effectuer l’ajustement. Le nombre d’années dans le jeu de données multidimensionnelles en entrée doit être supérieur ou égal à cette valeur. La valeur par défaut est 6. |
P-Value Threshold (Seuil de valeur p) | Seuil de valeur p à sélectionner pour un modèle. Une fois les sommets détectés à l’étape initiale d’ajustement du modèle, l’outil ajuste chaque segment et calcule la valeur p pour déterminer le niveau d’importance du modèle. À l’itération suivante, le modèle diminue le nombre de segments d’un et recalcule la valeur p. Le processus continue ainsi et, si la valeur p devient inférieure à la valeur spécifiée dans ce paramètre, le modèle est sélectionné et l’outil arrête de rechercher un meilleur modèle. Si aucun modèle n’est sélectionné, l’outil sélectionne un modèle dont la valeur p est inférieure à la valeur lowest p-value × best model proportion value. La valeur par défaut est 0,01. |
Best Model Proportion (Proportion de modèle idéale) | Meilleure valeur de proportion de modèle. Pendant le processus de sélection de modèle, l’outil calcule la valeur p pour chaque modèle et identifie le modèle qui a le plus de sommets tout en conservant la valeur p la plus petite (la plus significative) en fonction de cette valeur de proportion. La valeur 1 signifie que le modèle a la valeur p la plus basse mais n’a peut-être pas un grand nombre de sommets. La valeur par défaut est 1,25. |
Prevent One Year Recovery (Empêcher la récupération sur un an) | Indique si les segments qui présentent une récupération sur un an doivent être exclus.
|
Recovery Has Increase Trend (La tendance de récupération augmente) | Indique si la récupération présente une tendance à la hausse (positive).
|
Output Other Bands (Générer d’autres canaux) | Indique si les autres canaux sont inclus dans les résultats.
|
Vous avez un commentaire à formuler concernant cette rubrique ?