Image Analyst 라이선스로 사용 가능합니다.
CCDC를 사용한 변경 분석 도구는 변경 분석 래스터를 사용한 변경 감지 도구와 함께 사용하여 시간 경과에 따른 픽셀 값의 변화를 식별하여 토지 사용 또는 토지 피복 변화를 나타낼 수 있습니다.
연속 변경 감지
CCDC를 사용한 변경 분석 도구는 연속 변경 감지 및 분류(CCDC) 알고리즘(Zhu and Woodcock, 2014)을 사용하여 여러 이미지에 대한 시간 경과에 따른 픽셀 값 변화를 평가합니다. 광학 영상 또는 영상 파생물의 시계열(예시: NDVI)에서 픽셀 값은 다음과 같은 몇 가지 이유로 변동될 수 있습니다.
- 계절적 변화 - 픽셀 값 변화는 계절에 따른 온도, 햇빛, 강수량의 변동으로 인한 식생 변화를 반영합니다. 예를 들어, 북반구에서는 녹색 식생의 밀도가 겨울보다 여름에 더 높게 나타납니다.
- 점진적 변화 - 픽셀 값 변화는 기후 변동성이나 장기적인 토지 관리 관행으로 인한 식생 또는 지표수의 추세를 반영합니다. 예를 들어, 장기간의 강수량 감소로 인해 나지가 서서히 늘어날 수 있습니다.
- 급격한 변화 - 픽셀 값 변화는 삼림 벌채, 도시 개발, 자연 재해 등으로 인해 갑자기 발생하는 토지 피복 변화를 반영합니다.
CCDC 알고리즘은 기본적으로 급격한 변화를 식별하기 위해 세 가지 변경 유형을 모두 식별합니다. 조화 회귀 및 추세 모델이 데이터에 사용되어 계절적 변화 및 점진적 변화를 추정하고 추세 모델의 갑작스런 편차는 급격한 변화를 나타냅니다.
입력 데이터 유형
CCDC 알고리즘은 Landsat TM, Landsat ETM+, Landsat OLI 데이터 표면 반사도 또는 밝기 온도 데이터용으로 설계되었습니다. 하지만, CCDC를 사용한 변경 분석 도구는 지원되는 모든 센서의 다중밴드 영상뿐 아니라 밴드 색인 등의 단일밴드 영상 파생물에 대한 변경도 감지합니다. 예를 들어 정규 식생 지수(NDVI) 래스터에 대한 연속 변경 감지를 수행할 수 있는데 이 경우 NDVI의 급격한 변화는 삼림 벌채 또는 기타 급격한 식생 손실을 나타낼 수 있습니다.
구름, 구름 그림자, 눈
원격탐사 영상의 시계열에 있는 구름, 구름 그림자, 눈의 존재로 인해 토지 피복 변화 감지가 복잡해질 수 있습니다. 시계열에서 이러한 영향을 받는 픽셀은 구름이나 눈에 토지 피복 변화로 플래그가 잘못 지정되는 것을 방지하기 위해 마스크되어야 합니다. SWIR(Shortwave Infrared) 밴드에서는 구름 그림자와 눈이 매우 어둡게 나타나고 Green 밴드에서는 구름과 눈이 매우 밝게 나타나기 때문에 이러한 두 밴드는 RIRLS(Robust Iteratively Reweighted Least Squares) 모델에서 이러한 현상을 마스크하는 데 사용됩니다. 이 모델은 Green 및 SWIR 밴드의 시계열 플롯을 생성하고 모델 결과를 실제 픽셀 값과 비교하여 이상치를 확인한 후 마스크한 다음 분석에서 제거합니다.
변경 감지
시간 경과에 따라 픽셀 값에 발생하는 계절적 및 점진적 변화는 OLS 회귀 분석(Ordinary Least Squares) 방법을 사용하여 영상의 각 밴드에 대해 모델링됩니다. 예측되고 모델링된 픽셀 값과 실제 픽셀 값 사이의 차이가 계산됩니다. 값 사이의 차이가 평균제곱근 오차(RMSE)보다 3배 이상 크면 해당 픽셀은 토지 피복 변화 가능성으로 플래그가 지정됩니다.
그런 다음 연속 관측 수를 기반으로 실제 변화가 있는지 잠재적 토지 피복 변화를 평가합니다. 픽셀 값이 한 번만 모델 결과와 현저하게 다른 경우 이는 이상치일 가능성이 높습니다. 픽셀 값이 주어진 연속 관측 수에 대해 모델 결과와 현저하게 다른 경우 알고리즘은 해당 픽셀이 변화한 것으로 간주합니다. 최소 연속 이상치 관측 매개변수를 사용하여 CCDC를 사용한 변경 분석 도구에서 최소 연속 관측 수를 제어할 수 있습니다.
CCDC를 사용한 변경 분석 도구의 결과는 모델 계수를 포함하는 변경 분석 래스터입니다. 이는 시각적으로 해석하기 어려울 수 있기 때문에 다음과 같은 다른 몇 가지 방법으로 데이터를 해석할 수 있습니다.
- 시계열 프로파일 차트를 생성해 시간 경과에 따른 픽셀 변화를 탐색합니다. 변경 분석 래스터는 유사한 변화 패턴이 있는 픽셀을 유사한 색상으로 표시합니다.
- 변경 분석 래스터를 사용한 변경 감지 도구에 대한 입력으로 변경 분석 래스터를 사용하여 픽셀이 토지 피복 변화로 플래그가 지정되는 경우 및 빈도를 결정합니다.
- 학습 샘플을 생성하고 변경 분석 래스터를 사용하여 이미지 분류를 수행합니다. 모델 계수 외에 변경 분석 래스터에는 토지 피복 유형을 분류하는 데 필요한 스펙트럼 정보도 포함되어 있습니다. 이 프로세스는 다음 섹션에서 자세히 설명합니다.
토지 피복 분류
CCDC 알고리즘의 마지막 단계는 다차원 데이터셋의 모든 슬라이스에 대한 토지 피복을 분류하는 것입니다. CCDC를 사용한 변경 분석 도구에서는 이 단계를 수행하지 않지만 이 도구의 결과를 학습 및 분류 도구에 대한 입력으로 사용할 수 있습니다.
변경 분석 래스터는 모델 정보뿐만 아니라 스펙트럼 정보도 통합하기 때문에 시계열 래스터에 대해 보다 나은 분류 결과를 제공할 수 있습니다. 토지 피복 클래스가 계절에 따라 변하거나 시간 경과에 따라 점진적으로 변하는 경우 조화 및 추세 모델 계수는 스펙트럼 및 시계열 데이터로 생성된 토지 피복 범주를 생성하도록 분류 프로세스에 정보를 제공합니다.
학습 샘플
변경 분석 래스터를 분류하려면 먼저 학습 샘플 관리자를 사용하여 학습 샘플을 생성해야 합니다. 변경 분석 래스터는 시각적으로 해석하기 어렵기 때문에 기존 시계열 영상을 참조로 사용하여 학습 샘플 폴리곤을 생성할 수 있습니다.
다양한 시간을 반영하기 위해 데이터셋의 다양한 슬라이스에 대한 학습 샘플을 생성합니다. 다차원 탭의 컨트롤을 사용하여 현재 표시된 슬라이스를 변경하고 학습 샘플 속성에 슬라이스의 시간을 포함하도록 현재 표시된 슬라이스에 대한 학습 샘플을 생성합니다. 예를 들어 따뜻한 달에만 존재하는 Deciduous Trees 클래스와 같이 특정 슬라이스에만 존재하는 클래스에 대한 학습 샘플을 취득하는 것이 중요합니다.
샘플의 수 및 분포는 영상, 응용 사례, 정확도 요구 사항, 시간 제약에 따라 다릅니다. 이상적으로는 각 토지 피복 클래스의 샘플 수가 비슷하고 샘플이 영상의 공간 범위 전체에 고르게 분포되어야 합니다. 래스터 영상 시계열의 경우 학습 샘플의 스펙트럼 정보가 CCDC를 사용한 변경 분석 도구로 모델링된 조화 곡선을 따라 조정될 수 있도록 데이터의 여러 슬라이스에 걸쳐 학습 샘플이 있어야 합니다. 통계적으로 유의미한 수의 학습 샘플 사용을 권장합니다.
분류
학습 샘플을 취득한 후 변경 분석 래스터를 분류할 수 있습니다. 최상의 결과를 위해 머신 러닝 분류기 지오프로세싱 도구인 랜덤 트리 분류기 정의 또는 벡터 지원 머신 분류기 정의 중 하나를 사용하여 분류 모델을 학습하는 것을 권장합니다. 입력 래스터는 CCDC를 사용한 변경 분석 도구의 변경 분석 래스터 결과입니다. 학습 샘플은 시계열 래스터 데이터셋에 대해 수집한 샘플입니다.
마지막으로 래스터 분류 도구를 사용해 변경 분석 래스터를 분류하여 다차원 데이터셋에서 토지 피복 래스터의 시계열을 생성합니다.
참조
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