Анализировать изменения с помощью CCDC (Image Analyst)

Доступно с лицензией Image Analyst.

Краткая информация

Оценивает изменения в значениях пикселов во времени, используя метод Непрерывное обнаружение и классификация (CCDC), и создает растр анализа изменений, содержащий результаты модели.

Как работает инструмент Анализ изменений с помощью CCDC

Использование

• Алгоритм Непрерывное обнаружение и классификация изменений (CCDC) - это метод для определения изменений в значениях пикселов с течением времени. Он был изначально разработан для временных рядов многоканальных изображений Landsat и используется для обнаружения изменений и классификации почвенно-растительного покрова до и после того, как это изменение произошло. Этот инструмент можно использовать с изображениями с поддерживаемых датчиков, а также для обнаружения изменений в одноканальных растрах. Например, этот инструмент можно использовать для обнаружения изменений во временных рядах растров NDVI для выявления событий вырубки лесов.

• Результатом работы этого инструмента является информация о модели в виде растра анализа изменений, в котором каждый пиксел хранит набор информации о модели, описывающий историю изменения этого пиксела во времени. Растр анализа изменений - это многомерный растр, в котором каждый срез представляет собой многоканальный растр, состоящий из коэффициентов модели, среднеквадратичной ошибки (RMSE) и наблюдаемых изменений. Его можно использовать в качестве входных данных для инструмента Определить изменения, используя растр анализа изменений, который генерирует растр, содержащий информацию об изменениях для каждого пиксела.

  Количество срезов в выходных данных соответствует количеству срезов во входных данных.

• У входного многомерного растра должно быть как минимум 12 срезов, охватывающих временной диапазон не менее 1 года.

• Инструмент выполняет извлечение изменений в наблюдаемых объектах, поэтому идеальные входные многомерные изображения должны фиксировать постоянное наблюдение в течение времени и не должны включать атмосферные помехи или помехи от датчиков, облака или тени облаков. Лучше всего здесь использовать данные, которые были нормализованы и могут быть замаскированы при помощи канала QA, например, продукты Landsat Collection 1 Surface Reflectance с облачной маской.

• Чтобы изучить изменения, вычисленные в выходном растре анализа изменений, создайте диаграмму временного профиля. Создавайте графики для различных местоположений в растре анализа изменений, чтобы увидеть, когда произошли изменения. Для пикселов, которые изменились, график покажет разрывы в модели, где модель подгонки регрессии для значений пикселов во времени сместилась к новой модели, что указывает на изменение. Вы можете навести курсор на точки графика, чтобы определить дату изменения модели.

• Выходной растр анализа изменений также может использоваться для классификации. Запустите этот инструмент для создания растра анализа изменений. Затем создайте обучающие выборки с полем времени, чтобы обозначить время, в которое выборки представляют земельный покров. Затем запустите инструмент обучения, чтобы создать файл определения классификатора (.ecd). Наконец, запустите инструмент Классификация растра с файлом .ecd и указав растр анализа изменений как входной, чтобы получить многомерный классифицированный растр.

• Параметр Каналы для временного маскирования определяет каналы, которые будут использоваться для маскирования облаков, теней от облаков и снега. Поскольку тени от облаков и снег выглядят темными в коротком ИК диапазоне (SWIR), а облака и снег показываются очень ярко в зеленом диапазоне, рекомендуется маскировать индексы каналов для зеленого и SWIR каналов.

• Параметр Обновление частоты подгонки (в годах) определяет, как часто модель временных рядов будет обновляться новыми наблюдениями. Более частое обновление модели может оказаться достаточно затратным при небольшом практическом выигрыше. Например, если в многомерном растре имеется 365 срезов или точных наблюдений в год, а частота обновления - для каждого наблюдения, то обработка будет в 365 раз дороже в вычислительном отношении по сравнению с обновлением раз в год, при этом итоговая точность может оказаться не намного выше.

• Работа этого инструмента может занять много времени, и для хранения результатов потребуется значительное дисковое пространство. Чтобы сократить время обработки и уменьшить объем дискового пространства, рекомендуется выполнить следующие действия:

  • Отключите параметр среды Пирамидные слои. Снимите отметку Построение пирамидных слоев на панели Параметры среды или задайте для среды значение NONE в Python.
  • Установите параметр среды Сжатие как LERC, а Максимальную ошибку как 0,000001.
  • Если вы планируете запускать инструмент Выявить изменения при помощи растра анализа изменений для выходных данных этого инструмента несколько раз, рекомендуется построить многомерный транспонированный результат.

• Этот инструмент создает набор многомерных растровых данных в облачном растровом формате (CRF). Другие форматы выходных данных в настоящее время не поддерживаются.

Параметры

Диалог

Подпись	Описание	Тип данных
Входной многомерный растр	Входной набор многомерных растровых данных.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
Каналы для выявления изменений (Дополнительный)	ID каналов для выявления изменений. Если ID каналов не заданы, будут использованы все каналы входного растрового набора.	Long
Каналы для временного маскирования (Дополнительный)	ID каналов, которые используются для временного маскирования (TMask). Рекомендуется использовать зеленый канал и канал SWIR. Если ID канала не указаны, маска накладываться не будет.	Long
Порог хи-квадрата для выявления изменений (Дополнительный)	Статистика хи-квадрат меняет порог вероятности. Если наблюдение имеет рассчитанную вероятность изменения, превышающую этот порог, оно помечается как аномалия, которая является потенциальным событием изменения. Значение по умолчанию 0,99.	Double
Минимум последовательных наблюдений аномалий (Дополнительный)	Минимальное число последовательных наблюдений за аномалией, которые должны произойти до того, как событие будет считаться изменением. Пиксел должен быть помечен как аномалия для указанного числа последовательных временных срезов, прежде чем он будет считаться истинным изменением. По умолчанию это значение равно 6.	Long
Обновление частоты подгонки (в годах) (Дополнительный)	Частота, в годах, обновления модели временных рядов новыми наблюдениями. Значение по умолчанию равно 1.	Double

Возвращаемое значение

Подпись	Описание	Тип данных
Выходной растр анализа CCDC	Выходной многомерный набор растровых данных Cloud Raster Format (CRF). Выходной растр анализа изменений, содержащий информацию о модели из анализа CCDC.	Raster

Python

AnalyzeChangesUsingCCDC(in_multidimensional_raster, {bands}, {tmask_bands}, {chi_squared_threshold}, {min_anomaly_observations}, {update_frequency})

Имя	Описание	Тип данных
in_multidimensional_raster	Входной набор многомерных растровых данных.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
bands [bands,...] (Дополнительный)	ID каналов для выявления изменений. Если ID каналов не заданы, будут использованы все каналы входного растрового набора.	Long
tmask_bands [tmask_bands,...] (Дополнительный)	ID каналов, которые используются для временного маскирования (TMask). Рекомендуется использовать зеленый канал и канал SWIR. Если ID канала не указаны, маска накладываться не будет.	Long
chi_squared_threshold (Дополнительный)	Статистика хи-квадрат меняет порог вероятности. Если наблюдение имеет рассчитанную вероятность изменения, превышающую этот порог, оно помечается как аномалия, которая является потенциальным событием изменения. Значение по умолчанию 0,99.	Double
min_anomaly_observations (Дополнительный)	Минимальное число последовательных наблюдений за аномалией, которые должны произойти до того, как событие будет считаться изменением. Пиксел должен быть помечен как аномалия для указанного числа последовательных временных срезов, прежде чем он будет считаться истинным изменением. По умолчанию это значение равно 6.	Long
update_frequency (Дополнительный)	Частота, в годах, обновления модели временных рядов новыми наблюдениями. Значение по умолчанию равно 1.	Double

Возвращаемое значение

Имя	Описание	Тип данных
out_ccdc_result	Выходной многомерный набор растровых данных Cloud Raster Format (CRF). Выходной растр анализа изменений, содержащий информацию о модели из анализа CCDC.	Raster

Пример кода

AnalyzeChangesUsingCCDC, пример 1 (окно Python)

В этом примере выполняется непрерывное обнаружение изменений в течение 30 лет по ежемесячным растрам NDVI. В выявлении изменений используется только один канал, порог хи-квадрата равен 0,90.

# Import system modules
import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")


changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingCCDC(
	"Monthly_NDVI_30_years.crf", [0], [], 0.90, 6, 1); 

# Save output
changeAnalysisRaster.save(r"C:\data\NDVI_ChangeAnalysis.crf")

AnalyzeChangesUsingCCDC, пример 2 (автономный скрипт)

В этом примере выполняется непрерывное обнаружение изменений во временном ряду 7 изображений Landsat, с каналами 3 и 7 (индексированы как 2 и 6), использующимися для маскировки облаков, снега и теней.

# Import system modules
import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

# Define input parameters
in_multidimensional = r"C:\data\Landsat_time_series.crf"
change_bands = [0,1,2,3,4,5,6]
tmask_bands = [2,6]
chi_sq_threshold = 0.99
min_consecutive_observations = 3
update_frequency = 1

# Execute
changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingCCDC(
	in_multidimensional, change_bands, tmask_bands, chi_sq_threshold, 
	min_consecutive_observations, update_frequency) 

# Save output
changeAnalysisRaster.save(r"C:\data\Landsat_ChangeAnalysis.crf")

Параметры среды

Размер ячейки, Сжатие, Текущая рабочая область, Географические преобразования, NoData, Выходное ключевое слово CONFIG, Выходная система координат, Экстент, Коэффициент параллельной обработки, Пирамидные слои, Статистика растра, Метод пересчета, Временная рабочая область, Растр привязки, Размер листа