Dostępne z licencją Image Analyst.
Narzędzia Analiza zmian z użyciem algorytmu CCDC, w połączeniu z narzędziem Wykrywaj zmiany przy użyciu rastra analizy zmian, można używać do identyfikowania zmian wartości pikseli w czasie w celu wskazania zmian użytkowania gruntów lub pokrycia terenu.
Ciągłe wykrywanie zmian
W narzędziu Analiza zmian z użyciem algorytmu CCDC stosowany jest algorytm ciągłego wykrywania i klasyfikacji zmian (Continuous Change Detection and Classification — CCDC) (Zhu i Woodcock, 2014) do przeprowadzania oceny zachodzących z biegiem czasu zmian wartości pikseli w zbiorze obrazów. W przypadku uporządkowanych zbiorów zobrazowań optycznych wykonanych w różnym czasie lub instrumentów pochodnych zobrazowań (na przykład NDVI), wartości pikseli mogą zmieniać się z kilku powodów:
- Zmiany sezonowe — zmiany wartości pikseli odzwierciedlają zmiany stanu roślinności spowodowane sezonową zmiennością temperatur, nasłonecznienia i opadów. Na przykład na półkuli północnej latem można spodziewać się gęstszej roślinności zielonej niż zimą.
- Zmiany stopniowe — zmiany wartości pikseli odzwierciedlają trendy dotyczące szaty roślinnej lub wód powierzchniowych, które są związane ze zmiennością klimatu lub długoterminowymi zmianami zagospodarowania terenu. Na przykład w wyniku długoterminowego zmniejszania się ilości opadów obszary nieporośnięte roślinnością mogą się stopniowo powiększać.
- Zmiany nagłe — zmiany wartości pikseli odzwierciedlają szybko zachodzące zmiany powierzchni terenu, których przyczyną może być wylesianie, rozwój miast, katastrofy naturalne i tak dalej.
Algorytm CCDC pozwala identyfikować wszystkie trzy typy zmian, ze szczególnym naciskiem na zmiany nagłe. Podczas przeprowadzania oceny zmian sezonowych i stopniowych do danych jest dopasowywana regresja harmoniczna i modele trendów. Nagłe odchylenia od modeli trendów wskazują na zmiany nagłe.
Typy danych wejściowych
Algorytm CCDC został zaprojektowany dla danych temperaturowych związanych ze współczynnikiem odbicia i jasności powierzchni, takich jak Landsat TM, Landsat ETM+ i Landsat OLI. Jednak narzędzie Analiza zmian z użyciem algorytmu CCDC wykryje zmiany zobrazowań wielopasmowych z dowolnych obsługiwanych czujników, a także jednopasmowych zobrazowań pochodnych, takich jak indeksy pasm. Można na przykład przeprowadzić ciągłe wykrywanie zmian na rastrze znormalizowanego różnicowego wskaźnika roślinności (Normalize Difference Vegetation Index — NDVI), ponieważ nagłe zmiany wskaźnika NDVI mogą świadczyć o wylesieniu lub innej nagłej utracie roślinności.
Chmura, cień chmury i śnieg
Wykrywanie zmian pokrycia terenu może być skomplikowane ze względu na obecność chmur, cieni chmur i śniegu w szeregu czasowym zobrazowań teledetekcji. Zaburzone piksele w szeregu czasowym należy zamaskować, aby zapobiec niepoprawnemu oznaczeniu chmury lub plamy śniegu jako zmiany pokrycia terenu. Ponieważ cienie chmur i śnieg są bardzo ciemne w krótkofalowym paśmie podczerwieni (SWIR), a chmury i śnieg są bardzo jasne w paśmie zieleni, te dwa pasma są używane do zamaskowania tego zjawiska z użyciem modelu niezawodnego iteracyjnego wielokrotnego ważenia najmniejszych kwadratów (robust iteratively reweighted least squares — RIRLS). Model ten generuje wykresy szeregów czasowych pasm zieleni i SWIR, a wyniki modelu są porównywane z rzeczywistymi wartościami pikseli w celu określenia elementów odstających, które są następnie maskowane i usuwane z analizy.
Wykrywanie zmian
Sezonowe i stopniowe zmiany wartości pikseli występujące w czasie są modelowane dla każdego pasma zobrazowania z użyciem zwykłej metody najmniejszych kwadratów (ordinary least squares — OLS). Obliczana jest różnica między prognozowaną, modelowaną wartością piksela, a jego wartością rzeczywistą. Gdy różnica między wartościami jest trzy razy większa, niż wynosi średni błąd kwadratowy (RMSE), piksel zostaje oznaczony jako możliwa zmiana w pokryciu terenu.
Potencjalna zmiana pokrycia terenu jest następnie oceniana jako rzeczywista na podstawie pewnej liczby kolejnych obserwacji. Jeśli wartość piksela jest wyraźnie inna niż wyniki modelu tylko raz, prawdopodobnie jest to element odstający. Jeśli wartość piksela wyraźnie różni się od wyników modelu dla podanej liczby kolejnych obserwacji, algorytm uznaje, że piksel uległ zmianie. Minimalną liczbą kolejnych obserwacji można sterować w narzędziu Analiza zmian z użyciem algorytmu CCDC za pomocą parametru Minimalna liczba kolejnych obserwacji anomalii.
Wynikiem działania narzędzia Analiza zmian z użyciem algorytmu CCDC jest raster analizy zmian zawierający współczynniki modelu. Może to być trudne do interpretacji wizualnej, dlatego istnieje kilka innych sposobów interpretowania danych:
- Aby eksplorować zmiany pikseli w czasie, należy utworzyć diagram profilu czasowego. Raster analizy zmian wyświetla piksele w podobnych kolorach, jeśli mają one podobne wzorce zmian.
- Można użyć rastra analizy zmian jako danych wejściowych dla narzędzia Wykrywaj zmiany przy użyciu rastra analizy zmian do określenia, kiedy i jak często piksel był oznaczany jako zmiana pokrycia terenu.
- W celu przeprowadzenia klasyfikacji obrazów można utworzyć próbki treningowe i użyć rastra analizy zmian. Oprócz współczynników modelu raster analizy zmian zawiera również informacje spektralne potrzebne do klasyfikowania typów pokrycia terenu. W następnej sekcji opisano ten proces bardziej szczegółowo.
Klasyfikacja pokrycia terenu
Ostatnim krokiem algorytmu CCDC jest sklasyfikowanie pokrycia terenu dla wszystkich przekrojów w wielowymiarowym zestawie danych. Narzędzie Analiza zmian z użyciem algorytmu CCDC nie wykonuje tego kroku, ale danych wynikowych narzędzia można użyć jako danych wejściowych dla narzędzi do trenowania i klasyfikowania.
Raster analizy zmian może udostępniać lepsze wyniki klasyfikacji dla rastrów szeregów czasowych, ponieważ oprócz informacji o modelu obejmuje informacje spektralne. Jeśli klasy pokrycia terenu zmieniają się sezonowo lub stopniowo w miarę upływu czasu, współczynniki modelu harmonicznego i modelu trendu informują proces klasyfikacji, że należy wyprowadzić kategorie pokrycia terenu, które zostały wygenerowane z użyciem danych spektralnych i czasowych.
Próbki treningowe
W celu sklasyfikowania rastra analizy zmian należy najpierw wygenerować próbki treningowe za pomocą Menedżera próbek treningowych. Poligony próbek treningowych można utworzyć za pomocą oryginalnego zobrazowania szeregów czasowych jako danych odniesienia, ponieważ raster analizy zmian jest trudny do interpretacji wizualnej.
Należy wygenerować próbki treningowe dla różnych przekrojów w zestawie danych w celu odzwierciedlenia różnych czasów. Do zmiany przekroju, który jest aktualnie wyświetlany, można używać elementów sterujących na karcie Wielowymiarowe, a następnie można utworzyć próbkę treningową dla aktualnie wyświetlanego przekroju w celu uwzględnienia czasu przekroju w atrybutach próbki treningowej. Ważne jest, aby zarejestrować próbki treningowe dla klas, które istnieją tylko w niektórych przekrojach, na przykład dla klasy Deciduous Trees, która występuje tylko w cieplejszych miesiącach.
Liczba i rozkład próbek zależą od zobrazowania, zastosowania, wymaganej dokładności oraz ograniczeń czasowych. W sytuacji idealnej dla każdej klasy pokrycia terenu powinna być podobna liczba próbek i próbki powinny być równomiernie rozłożone w całym zasięgu przestrzennym zobrazowania. Dla szeregu czasowego zobrazowania rastrowego powinny istnieć próbki treningowe obejmujące kilka przekrojów w danych, aby informacje spektralne dotyczące próbki treningowej można było dopasować do krzywych harmonicznych modelowanych przez narzędzie Analiza zmian z użyciem algorytmu CCDC. Zalecana jest statystycznie istotna liczba próbek treningowych.
Klasyfikacja
Po zarejestrowaniu próbek treningowych można sklasyfikować raster analizy zmian. W celu uzyskania najlepszych wyników do trenowania modelu klasyfikacji zaleca się użycie jednego z narzędzi geoprzetwarzania do klasyfikowania opartego na systemach uczących się: Trenuj klasyfikator drzew losowych albo Trenuj klasyfikator maszyny wektorów nośnych. Rastrem wejściowym będzie raster analizy zmian utworzony przez narzędzie Analiza zmian z użyciem algorytmu CCDC. Próbkami treningowymi będą próbki zebrane na potrzeby zestawu danych rastrowych szeregów czasowych.
Na koniec należy użyć narzędzia Klasyfikuj raster w celu sklasyfikowania rastra analizy zmian, czego wynikiem będzie szereg czasowy rastrów pokrycia terenu w wielowymiarowym zestawie danych.
Odniesienia
Zhu, Zhe i 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 i Congliang Zhou. „Continuous monitoring of land disturbance based on Landsat time series”. Remote Sensing of Environment 238 (2020): 111116