Mit der Image Analyst-Lizenz verfügbar.
Zusammenfassung
Überprüft mit der CCDC-Methode (Continuous Detection and Classification) Änderungen von Pixelwerten im Zeitverlauf und generiert ein multidimensionales Raster, das die Modellergebnisse enthält.
Weitere Informationen über die Funktionsweise von "Veränderungen mit CCDC analysieren"
Verwendung
Der CCDC-Algorithmus (Continuous Change Detection and Classification) ist eine Methode zum Identifizieren von Veränderungen in Pixelwerten im Zeitverlauf. Er wurde ursprünglich für eine Zeitserie von Multiband-Landsat-Bilddaten entwickelt und wird verwendet, um Veränderungen der Landbedeckung zu erkennen und sie vor und nach der Veränderung zu klassifizieren. Dieses Werkzeug kann mit Bilddaten von unterstützten Sensoren verwendet werden. Es kann zudem zum Erkennen von Veränderungen in Einzelband-Rastern eingesetzt werden. Dieses Werkzeug kann beispielsweise verwendet werden, um Veränderungen in einer Zeitserie von NDVI-Rastern zu erkennen, um Abholzungen zu identifizieren.
Das multidimensionale Eingabe-Raster muss mindestens 12 Abschnitte aufweisen, die mindestens 1 Jahr abdecken.
Es wird empfohlen, Wolken- und Wolkenschattenmaskierungen mit einem QA-Band zu entfernen, bevor Sie dieses Werkzeug ausführen.
Um die im ausgegebenen Veränderungsanalyse-Raster berechneten Veränderungen zu erkunden, erstellen Sie ein zeitliches Profildiagramm. Erstellen Sie Diagramme für verschiedene Standorte im Veränderungsanalyse-Raster, um festzustellen, wo die Veränderungen aufgetreten sind. Für veränderte Pixel zeigt das Diagramm Teilungspunkte im Modell, bei denen das harmonische Regressionsmodell für die Pixelwerte mit der Zeit auf ein neues Modell übertragen wurde, was eine Veränderung kennzeichnet. Sie können den Mauszeiger über die Punkte im Diagramm bewegen, um das Datum der Modelländerung zu bestimmen.
Das ausgegebene Veränderungsanalyse-Raster ist ein multidimensionales Raster, bei dem jeder Ausschnitt ein Multiband-Raster ist, das aus den Zeitserien-Modellkoeffizienten, dem RMS-Fehler (Root Mean Square, quadratisches Mittel) und den beobachteten Veränderungen besteht. Die Anzahl der Ausschnitte in der Ausgabe und Eingabe stimmen überein. Sie kann als Eingabe für das Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen verwendet werden, mit dem ein Raster generiert wird, das Änderungsinformationen für jedes Pixel enthält.
Das ausgegebene Veränderungsanalyse-Raster kann auch für die Klassifizierung verwendet werden. Führen Sie dieses Werkzeug aus, um ein Veränderungsanalyse-Raster zu generieren. Erstellen Sie dann Trainingsgebiete mit einem Zeitfeld, um die Zeit anzugeben, zu der das Gebiet Landbedeckung darstellt. Führen Sie anschließend ein Trainingswerkzeug aus, um eine Classifier Definition-Datei (.ecd) zu erstellen. Führen Sie abschließend das Werkzeug Raster klassifizieren mit der .ecd-Datei und dem Veränderungsanalyse-Raster als Eingaben aus, um ein multidimensionales klassifiziertes Raster zu generieren.
Mit dem Parameter Bänder für zeitbezogene Maskierung werden die zu verwendenden Bänder für Wolken-, Wolkenschatten- und Schneemaskierung angegeben. Da Wolkenschatten und Schnee im Kurzwelleninfrarotband (SWIR) sehr dunkel dargestellt werden und Wolken und Schnee im grünen Band sehr hell sind, empfiehlt es sich, die Bandindizes für die SWIR- und grünen Bänder zu maskieren.
Mit dem Parameter Anpassungshäufigkeit (in Jahren) wird aktualisiert wird definiert, wie häufig das Zeitserienmodell mit neuen Beobachtungen aktualisiert wird. Eine häufige Aktualisierung eines Modells kann rechenintensiv sein, während der Nutzen nur minimal ist. Beispiel: Wenn es im multidimensionalen Raster 365 Ausschnitte oder eindeutige Beobachtungen pro Jahr gibt und die Aktualisierungshäufigkeit pro Beobachtung festgelegt ist, ist die Verarbeitung 365 Mal rechenintensiver als eine einmalige Aktualisierung pro Jahr, aber die Genauigkeit ist möglicherweise nicht höher.
Die Ausführung dieses Werkzeugs kann lange dauern und erfordert beträchtlichen Speicherplatz auf der Festplatte für die Ergebnisse. Um die Verarbeitungszeit und die benötigte Menge an Speicherplatz zu reduzieren, werden folgende Schritte empfohlen:
- Deaktivieren Sie die Umgebung Pyramide. Deaktivieren Sie im Bereich Umgebung das Kontrollkästchen Pyramiden berechnen, oder legen Sie in Python NONE als Umgebung fest.
- Legen Sie die Umgebung Komprimierung auf LERC und Max-Fehler auf "0,000001" fest.
- Wenn Sie das Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen mehrmals auf die Ausgabe dieses Werkzeugs anwenden möchten, empfiehlt es sich, aus dem Ergebnis eine mehrdimensionale Umgruppierung zu erstellen.
Dieses Werkzeug generiert ein multidimensionales Raster-Dataset im Cloud-Raster-Format (CRF). Aktuell werden keine anderen Ausgabeformate unterstützt.
Syntax
AnalyzeChangesUsingCCDC(in_multidimensional_raster, {bands}, {tmask_bands}, {chi_squared_threshold}, {min_anomaly_observations}, {update_frequency})| Parameter | Erklärung | Datentyp |
in_multidimensional_raster | Das als Eingabe verwendete multidimensionale Raster-Dataset. | Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service |
bands [bands,...] (optional) | Die für die Änderungserkennung zu verwendenden Band-IDs. Wenn keine Band-IDs angegeben werden, werden alle Bänder aus dem Eingabe-Raster-Dataset verwendet. | Long |
tmask_bands [tmask_bands,...] (optional) | Die für die zeitbezogene Maskierung (Tmask) zu verwendenden Band-IDs. Es wird empfohlen, das grüne und das SWIR-Band zu verwenden. Wenn keine Band-IDs angegeben werden, erfolgt keine Maskierung. | Long |
chi_squared_threshold (optional) | Die Chi-Quadrat-Statistik für den Schwellenwert der Veränderungswahrscheinlichkeit. Wenn eine Beobachtung eine berechnete Veränderungswahrscheinlichkeit über diesem Schwellenwert aufweist, wird sie als Abweichung gekennzeichnet und stellt ein mögliches Veränderungsereignis dar. Der Standardwert ist 0,99. | Double |
min_anomaly_observations (optional) | Die minimale Anzahl der aufeinanderfolgenden beobachteten Abweichungen, die eingetreten sein muss, bevor ein Ereignis als Veränderung angesehen wird. Ein Pixel muss für die angegeben Anzahl von aufeinanderfolgenden Zeitintervallen als Abweichung gekennzeichnet werden, bevor es als wahre Veränderung betrachtet wird. Der Standardwert ist 6. | Long |
update_frequency (optional) | Die Häufigkeit in Jahren, mit der das Zeitserienmodell mit neuen Beobachtungen aktualisiert werden soll. Der Standardwert ist 1. | Double |
Rückgabewert
| Name | Erklärung | Datentyp |
| out_ccdc_result | Das multidimensionale Ausgabe-Raster-Dataset im Cloud Raster Format (CRF). Das ausgegebene Veränderungsanalyse-Raster, das Modellinformationen aus der CCDC-Analyse enthält. | Raster |
Codebeispiel
Mit diesem Beispiel wird eine kontinuierliche Änderungserkennung für 30 Jahre von NDVI-Monats-Rastern durchgeführt. Für die Änderungserkennung wird nur ein Band verwendet, und der Chi-Quadrat-Wahrscheinlichkeitsschwellenwert ist 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")Mit diesem Beispiel wird eine kontinuierliche Änderungserkennung für eine Zeitserie von Landsat 7-Bildern durchgeführt. Die Bänder 3 und 7 (indiziert bei 2 und 6) werden dabei für eine Maskierung von Schnee, Wolken und Wolkenschatten verwendet.
# 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")Umgebungen
Lizenzinformationen
- Basic: Erfordert Image Analyst
- Standard: Erfordert Image Analyst
- Advanced: Erfordert Image Analyst