Disponibile con la licenza Image Analyst.
Lo strumento Analizza modifiche con CCDC, in combinazione con lo strumento Individua modifiche utilizzando il raster di analisi delle modifiche, può essere utilizzato per identificare le modifiche nei valori dei pixel nel tempo per indicare i cambiamenti dell'uso del suolo o della copertura del suolo.
Rilevamento modifiche continuo
Lo strumento Analizza modifiche con CCDC utilizza l'algoritmo Rilevamento modifiche continuo e classificazione (CCDC) (Zhu and Woodcock, 2014) per valutare le variazioni dei valori dei pixel nel tempo per una pila di immagini. In una serie temporale di immagini ottiche o derivati di immagine (ad esempio, NDVI), i valori dei pixel possono fluttuare per varie ragioni:
- Variazione stagionale: le variazioni dei valori dei pixel riflettono le variazioni della vegetazione a causa della variabilità stagionale di temperature e precipitazioni. Nell'emisfero settentrionale, ad esempio, si prevede una maggiore densità di vegetazione verde in estate rispetto all'inverno.
- Variazione graduale: le variazioni dei valori dei pixel rispecchiano le tendenze nella vegetazione o nelle acque di superficie a causa della variabilità climatica o delle pratiche di gestione del suolo a lungo termine. Ad esempio, il suolo nudo potrebbe estendersi gradualmente a causa della riduzione delle precipitazioni a lungo termine.
- Variazione brusca: le variazioni dei valori dei pixel rispecchiano le variazioni della copertura del suolo che accadono improvvisamente a causa di deforestazione, sviluppo urbano, calamità naturali, e così via.
L'algoritmo CCDC identifica tutti e tre i tipi di variazione con lo scopo primario di identificare la variazione brusca. I modelli di tendenza e regressione armonica sono adattati ai dati per stimare la variazione stagionale e graduale, e le deviazioni improvvise dai modelli di tendenza sono indicatori di una variazione brusca.
Tipo dati di input
L'algoritmo CCDC è stato concepito per dati Landsat TM, Landsat ETM+ e Landsat OLI, dati di riflettanza della superficie e temperatura di luminosità. Tuttavia, lo strumento Analizza modifiche con CCDC rileverà il cambiamento per le immagini multibanda da qualsiasi sensore supportato, nonché i derivati delle immagini a banda singola come gli indici di banda. Ad esempio, è possibile eseguire un rilevamento modifiche su un raster Indice di vegetazione della differenza normalizzata (NDVI), perché le variazioni brusche nell'NDVI possono essere indicative di deforestazione o altra perdita di vegetazione improvvisa.
Nuvola, ombra nuvola e neve
Il rilevamento del cambiamento della copertura del suolo può essere complicato dalla presenza di nuvole, ombre nuvolose e neve in una serie temporale di immagini di telerilevamento. Questi pixel interessati nelle serie temporali devono essere mascherati per impedire la segnalazione errata di una nuvola o di una chiazza di neve come cambiamento della copertura del suolo. Dal momento che l'ombra della nuvola e la neve appaiono molto scure nella banda dell'infrarosso a onde corte (SWIR) e che le nuvole e la neve sono molto luminose nella banda verde, queste due bande sono usate in un robusto modello dei minimi quadrati ripesati in modo iterativo (RIRLS) per mascherare questi fenomeni. Il modello genera grafici di serie temporali delle bande verde e SWIR e i risultati del modello vengono confrontati con i valori dei pixel reali per determinare i valori anomali, che vengono quindi mascherati e rimossi dall'analisi.
Rilevamento modifiche
I cambiamenti stagionali e graduali che si verificano per i valori dei pixel nel tempo sono modellati per ogni banda nelle immagini utilizzando il metodo dei minimi quadrati ordinari (OLS). Viene calcolata la differenza tra il valore in pixel previsto e modellato e il valore in pixel effettivo. Quando la differenza tra i valori è tre volte maggiore dell'errore quadratico medio (RMSE), quel pixel viene contrassegnato come una possibilità di cambiamento della copertura del suolo.
Il potenziale cambiamento della copertura del suolo viene quindi valutato per il vero cambiamento in base al numero di osservazioni consecutive. Se il valore di un pixel è notevolmente diverso dai risultati del modello solo una volta, si tratta probabilmente di un valore anomalo. Se il valore del pixel è notevolmente diverso dai risultati del modello per un dato numero di osservazioni consecutive, l'algoritmo considera che quel pixel è cambiato. Il numero minimo di osservazioni consecutive può essere controllato nello strumento Analizza modifiche utilizzando CCDC con il parametro Osservazioni di anomalie consecutive minime.
L'output dello strumento Analizza modifiche con CCDC è un raster di analisi delle modifiche contenente i coefficienti del modello. Questo può essere difficile da interpretare visivamente, quindi ci sono molti altri modi per interpretare i dati:
- Crea un grafico del profilo temporale per esplorare le modifiche pixel nel tempo. Il raster di analisi delle modifiche visualizzerà i pixel con colori simili se hanno schemi di modifica simili.
- Utilizzare il raster di analisi delle modifiche come input per lo strumento Rileva modifiche utilizzando l'analisi raster delle modifiche per determinare quando e con quale frequenza un pixel è stato contrassegnato per la modifica della copertura del suolo.
- Crea campioni di addestramento e utilizza il raster di analisi delle modifiche per eseguire la classificazione delle immagini. Oltre ai coefficienti del modello, il raster di analisi delle modifiche contiene anche le informazioni spettrali necessarie per classificare i tipi di copertura del suolo. La sezione successiva descrive questo processo in modo più dettagliato.
Classificazione copertura del suolo
Il passaggio finale dell'algoritmo CCDC consiste nel classificare la copertura del suolo per tutte le sezioni nel dataset multidimensionale. Lo strumento Analizza modifiche utilizzando CCDC non esegue questo passaggio, ma l'output dello strumento può essere utilizzato come input per gli strumenti di formazione e classificazione.
Il raster di analisi delle modifiche può fornire risultati di classificazione migliori per i raster di serie temporali poiché incorpora informazioni spettrali oltre alle informazioni sul modello. Quando le classi di copertura del suolo variano stagionalmente o gradualmente nel tempo, i coefficienti del modello armonico e di tendenza informano il processo di classificazione per produrre categorie di copertura del suolo che sono state generate con dati spettrali e temporali.
Campioni di addestramento
Per classificare il raster dell'analisi delle modifiche, devi prima generare campioni di addestramento utilizzando Gestione campioni di formazione. I poligoni campione di addestramento possono essere creati utilizzando le immagini della serie temporale originale come riferimento, poiché il raster dell'analisi delle modifiche è difficile da interpretare visivamente.
Genera campioni di addestramento per sezioni diverse nel set di dati per riflettere tempi diversi. Modificare la sezione attualmente visualizzata utilizzando i controlli nella scheda Multidimensionale e creare un campione di addestramento per la sezione attualmente visualizzata per includere il tempo della sezione negli attributi del campione di addestramento. È importante acquisire campioni di formazione per le classi che esistono solo in determinate sezioni, ad esempio una classe Deciduous Trees che esiste solo nei mesi più caldi.
Il numero e la distribuzione dei campioni dipendono dalle immagini, dall'applicazione, dai requisiti di precisione e dai limiti di tempo. Idealmente, dovrebbe esserci un numero simile di campioni in ogni classe di copertura del suolo e i campioni dovrebbero essere distribuiti uniformemente nell'estensione spaziale delle immagini. Per una serie temporale di immagini raster, dovrebbero esserci campioni di addestramento su più sezioni nei dati in modo che le informazioni spettrali dei campioni di addestramento possano essere adattate lungo le curve armoniche modellate dallo strumento Analizza modifiche utilizzando CCDC. Si raccomanda un numero statisticamente significativo di campioni di addestramento.
Classificazione
Dopo aver acquisito i campioni di addestramento, è possibile classificare il raster di analisi delle modifiche. Per ottenere risultati ottimali, si consiglia di utilizzare uno degli strumenti di geoprocessing del classificatore di machine learning, Train Random Trees Classifier o Train Support Vector Machine Classifier per addestrare il modello di classificazione. Il raster di input sarà l'output raster dell'analisi delle modifiche dallo strumento Analizza modifiche utilizzando CCDC. I campioni di addestramento saranno quelli raccolti per il dataset raster delle serie temporali.
Infine, utilizzare lo strumento Classifica raster per classificare il raster di analisi delle modifiche, ottenendo una serie temporale di raster di copertura del suolo in un set di dati multidimensionale.
Riferimenti
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