Disponível com licença do Image Analyst.
A ferramenta Analisar Alterações Utilizando CCDC, em conjunto com a ferramenta Detectar Alterações Usando Raster da Análise de Alterações, pode ser usada para identificar mudanças nos valores de pixel ao longo do tempo para indicar mudanças no uso ou cobertura do solo.
Detecção de mudança contínua
A ferramenta Analisar Alterações Utilizando CCDC utiliza o algoritmo (Zhu e Woodstock 2014) Detectar Alteração Contínua e Classificação (CCDC) para avaliar alterações em valores de pixels com o passar do tempo para uma pilha de imagens. Em uma série de tempo de imagens ópticas ou derivados de imagens (por exemplo, NDVI), os valores de pixels podem flutuar por diversas razões:
- Alterações sazonais—As alterações de valores do pixel refletem mudanças na vegetação devido à variabilidade sazonal de temperatura e precipitação. No hemisfério Norte, por exemplo, espera-se uma maior densidade de vegetação verde no verão em relação ao inverno.
- Alteração gradual—As alterações de valores do pixel refletem tendências em vegetação ou água de superfície, devido à variabilidade de clima ou práticas de gerenciamento de solo a longo prazo. Por exemplo, o solo bruto pode aumentar gradualmente na área devido ao declínio a longo prazo em precipitação.
- Alteração abrupta—As alterações de valores do pixel refletem mudanças de cobertura do solo que ocorre de repente devido ao desmatamento, desenvolvimento urbano, desastre natural e assim por diante.
O algoritmo de CCDC identifica todos os três tipos de alteração com o propósito primário de identificar a alteração abrupta. A regressão e modelos de tendência harmônicos são ajustados aos dados para estimar alteração sazonal e gradual, e divergências súbitas a partir de modelos de tendências modelos que são indicações de alteração abrupta.
Tipos de dados de entrada
O algoritmo CCDC foi projetado para dados Landsat TM, Landsat ETM+ e Landsat OLI, dados de Refletância da Superfície ou Temperatura do Brilho. No entanto, a ferramenta Analisar Alterações Usando CCDC detectará alterações nas imagens de múltiplas bandas de qualquer sensor suportado, como também, derivados de imagens de banda única, como índices de banda. Por exemplo, você pode executar detecção de mudança contínua em um raster do índice de vegetação de diferença normalizada (NDVI), pois mudanças abruptas no NDVI podem ser indicativas de desmatamento ou outra perda repentina de vegetação.
Nuvem, sombra de nuvem e neve
A detecção de mudanças na cobertura do solo pode ser complicada pela presença de nuvens, sombra de nuvens e neve em uma série temporal de imagens de sensoriamento remoto. Esses pixels afetados na série temporal devem ser mascarados para evitar a sinalização incorreta de uma nuvem ou um pedaço de neve como uma mudança na cobertura do solo. Como a sombra das nuvens e a neve aparecem muito escuras na banda infravermelha de ondas curtas (SWIR), e as nuvens e a neve aparecem muito brilhantes na banda verde, essas duas bandas são usadas em um modelo robusto de mínimos quadrados iterativamente reponderados (RIRLS) para mascarar esses fenômenos. O modelo gera plotagens de séries temporais das bandas verde e SWIR, e os resultados do modelo são comparados aos valores de pixel reais para determinar valores discrepantes, que são então mascarados e removidos da análise.
Detecção de mudança
As mudanças sazonais e graduais que ocorrem nos valores de pixel ao longo do tempo são modeladas para cada banda nas imagens usando o método de mínimos quadrados ordinários (OLS). A diferença entre o valor de pixel modelado previsto e o valor de pixel real é calculada. Quando a diferença entre os valores é três vezes maior que a raiz do erro quadrado médio (RMSE), esse pixel é sinalizado como uma possibilidade de mudança na cobertura do solo.
A potencial mudança da cobertura do solo é então avaliada quanto à mudança real com base no número de observações consecutivas. Se o valor de um pixel for significativamente diferente dos resultados do modelo apenas uma vez, provavelmente é um valor atípico. Se o valor do pixel for muito diferente dos resultados do modelo para um determinado número de observações consecutivas, o algoritmo considera que o pixel mudou. O número mínimo de observações consecutivas pode ser controlado na ferramenta Analisar Alterações Usando CCDC com o parâmetro Observações Consecutivas Mínimas de Anomalias.
A saída da ferramenta Analisar Alterações Utilizando CCDC é um raster de análise de alteração contendo os coeficientes do modelo. Isso pode ser difícil de interpretar visualmente, então existem várias outras maneiras de interpretar os dados:
- Crie um gráfico de perfil temporal para explorar as mudanças de pixel ao longo do tempo. O raster de análise de alteração exibirá pixels com cores semelhantes se tiverem padrões de alteração semelhantes.
- Use o raster de análise de alteração como a entrada para a ferramenta Detectar Alterações Usando Raster de Análise de Alterações para determinar quando e com que frequência um pixel foi sinalizado para mudança de cobertura do solo.
- Crie amostras de treinamento e use o raster de análise de alteração para executar a classificação de imagem. Além dos coeficientes do modelo, o raster de análise de alteração também contém as informações espectrais necessárias para classificar os tipos de cobertura do solo. A próxima seção descreve esse processo com mais detalhes.
Classificação de cobertura do solo
A etapa final no algoritmo CCDC é classificar a cobertura do solo para todas as partes em seu conjunto de dados multidimensional. A ferramenta Analisar Alterações Utilizando CCDC não executa esta etapa, mas a saída da ferramenta pode ser usada como entrada para as ferramentas de treinamento e classificação.
O raster de análise de alteração pode fornecer melhores resultados de classificação para rasters da série temporal, pois incorpora informações espectrais além das informações do modelo. Quando as classes de cobertura do solo variam sazonalmente ou gradualmente ao longo do tempo, os coeficientes do modelo harmônico e de tendência informam o processo de classificação para produzir categorias de cobertura do solo que foram geradas com dados espectrais e temporais.
Amostras de treinamento
Para classificar o raster de análise de alteração, você deve primeiro gerar amostras de treinamento usando o Gerenciador de Amostras de Treinamento. Os polígonos de amostra de treinamento podem ser criados usando as imagens originais da série temporal como referência, uma vez que o raster da análise de alteração é difícil de interpretar visualmente.
Gere amostras de treinamento para diferentes partes no conjunto de dados para refletir diferentes tempos. Altere a parte exibida atualmente usando os controles na guia Multidimensional e crie uma amostra de treinamento para a parte exibida atualmente para incluir o tempo da parte nos atributos da amostra de treinamento. É importante capturar amostras de treinamento para classes que existem apenas em determinadas partes, por exemplo, uma classe Deciduous Trees que existe apenas nos meses mais quentes.
O número e a distribuição de amostras dependem de suas imagens, aplicativo, requisitos de precisão e restrições de tempo. Idealmente, deve haver um número semelhante de amostras em cada classe de cobertura do solo e as amostras devem ser distribuídas uniformemente por toda a extensão espacial das imagens. Para uma série temporal de imagens raster, deve haver amostras de treinamento em várias parte nos dados para que as informações espectrais das amostras de treinamento possam ser ajustadas ao longo das curvas harmônicas modeladas pela ferramenta Analisar Alterações Utilizando CCDC. Um número estatisticamente significativo de amostras de treinamento é recomendado.
Classificação
Após capturar amostras de treinamento, o raster de análise de alteração poderá ser classificado. Para obter melhores resultados, é recomendado usar uma das ferramentas de geoprocessamento do classificador de aprendizagem automática, Treinar Classificador de Árvores Aleatórias ou Treinar Classificador de Máquina Vetorial de Suporte para treinar o modelo de classificação. O raster de entrada será a saída do raster de análise de alteração da ferramenta Analisar Alterações Utilizando CCDC. As amostras de treinamento serão aquelas coletadas para o conjunto de dados raster da série temporal.
Por fim, use a ferramenta Classificar Raster para classificar o raster de análise de alteração, resultando em uma série temporal de rasters de cobertura do solo em um conjunto de dados multidimensional.
Referências
Zhu, Zhe, and Curtis. E. Woodcock. "Detecção de mudança contínua e classificação de cobertura do solo usando todos os dados Landsat disponíveis." Sensoriamento Remoto do Ambiente 144 (2014) 152-171.
Zhu, Zhe, Junxue Zhang, Zhiqiang Yang, Amal H. Aljaddani, Warren B. Cohen, Shi Qiu e Congliang Zhou. "Monitoramento contínuo da perturbação do solo com base na série temporal do Landsat." Sensoriamento Remoto do Ambiente 238 (2020): 111116