Mit der Image Analyst-Lizenz verfügbar.
Zusammenfassung
Überprüft mit der Landsat-Methode zur Erkennung von Störungs- und Regenerationstendenzen (LandTrendr) Veränderungen von Pixelwerten im Zeitverlauf und generiert ein Veränderungsanalyse-Raster, das die Modellergebnisse enthält.
Verwendung
Der LandTrendr-Algorithmus ist eine Methode zum Identifizieren von Veränderungen in Pixelwerten im Zeitverlauf. Er wurde für eine Zeitserie von Multiband-Landsat-Bilddaten entwickelt und wird verwendet, um Veränderungen der Landbedeckung zu erkennen und die Bedeckung 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.
Der LandTrendr-Algorithmus extrahiert den Zeitreihenverlauf für jedes Pixel im Zeitverlauf, wobei die Pixelwertinformationen aus einem einzelnen Spektralband oder Spektralindex verwendet werden. Der Verlauf wird dann segmentiert, um Perioden ohne Veränderungen, mit Veränderungen oder mit Regeneration nach Veränderungen zu erfassen.
Bei der Ausgabe dieses Werkzeugs handelt es sich um Modellinformationen in einem Veränderungsanalyse-Raster, in dem jedes Pixel eine Reihe von Modellinformationen speichert, die den Verlauf dieses Pixels im Laufe der Zeit beschreiben. Das Veränderungsanalyse-Raster ist ein multidimensionales Raster, bei dem jeder Ausschnitt ein Multiband-Raster ist, das aus den Modellkoeffizienten, dem RMS-Fehler (Root Mean Square, quadratisches Mittel) und den beobachteten Veränderungen besteht. 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.
Die Analyse enthält einen Abschnitt für jedes Jahr.Der Zweck dieses Werkzeugs besteht darin, Veränderungen an einem beobachteten Feature zu extrahieren, sodass die optimalen multidimensionalen Eingabe-Bilddaten im Zeitverlauf eine konsistente Beobachtung erfassen und keine atmosphärischen oder Sensorstörungen, Wolken bzw. Wolkenschatten enthalten sollten. Es hat sich bewährt, Daten zu verwenden, die normalisiert wurden und mit einem QA-Band maskiert werden können, z. B. Landsat-Produkte der 1. Sammlung zur Oberflächenreflexion mit einer Wolkenmaskierung.
Das Werkzeug führt die Analyse von einem Bild pro Jahr aus, und die Anzahl der Jahresabschnitte muss gleich oder größer sein als der im Parameter Minimale Anzahl der Beobachtungen angegebene Wert. Es wird empfohlen, Daten aus mindestens sechs Jahren zu verwenden.
Wenn Sie über monatliche, wöchentliche oder tägliche Daten verfügen, sollten Sie aus jedem Jahr mehrere Bilder auswählen (vorzugsweise aus der gleichen Jahreszeit), Wolken und Wolkenschatten entfernen und durch Kombinieren der Bilder ein einzelnes Bild generieren, das die Beobachtung gut erfasst. Sofern monatliche, wöchentliche oder tägliche Daten als multidimensionales Eingabe-Raster bereitgestellt werden, ermittelt das Werkzeug einen Abschnitt für die Analyse auf der Grundlage des Datums, das dem im Parameter Fangdatum angegebenen Datum am nächsten liegt.
Ein Feature in einer Landschaft braucht häufig einige Zeit, bis es sich von einer nicht dauerhaften Änderung wie einem Waldbrand oder einem Insektenbefall erholt hat. Legen Sie den Parameter Wiederherstellungsschwellenwert fest, um die vom Modell erkannte Wiederherstellungsrate zu steuern. Ein eindeutiges Segment kann keine schnellere Wiederherstellungsrate als 1/Wiederherstellungsschwellenwert aufweisen.
Die Regeneration nach einer Veränderung in einer Landschaft kann in positiver oder negativer Richtung erfolgen. Erleidet eine Landschaft z. B. Waldverlust, zeigt eine Zeitserie von Vegetationsindexwerten einen Rückgang der Indexwerte, und die Regeneration zeigt einen allmählichen Anstieg der Vegetationsindexwerte oder einen positiven Regenerationstrend. Geben Sie die Richtung des Regenerationstrends mit dem Parameter Wiederherstellung mit zunehmendem Trend an.
Um die im ausgegebenen Veränderungsanalyse-Raster berechneten Veränderungen zu erkunden, erstellen Sie ein zeitliches Profildiagramm. Generieren Sie Diagramme für verschiedene Standorte im Veränderungsanalyse-Raster mit dem Band "Angepasster Wert" oder dem Band "Neigung", um zu überprüfen, wo Veränderungen stattgefunden haben. Sie können den Mauszeiger über die Punkte im Diagramm bewegen, um das Datum der Veränderung zu bestimmen.
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, erstellen Sie aus dem Ergebnis eine mehrdimensionale Umgruppierung.
Dieses Werkzeug generiert ein multidimensionales Raster-Dataset im Cloud-Raster-Format (CRF). Aktuell werden keine anderen Ausgabeformate unterstützt.
Syntax
AnalyzeChangesUsingLandTrendr(in_multidimensional_raster, {processing_band}, {snapping_date}, {max_num_segments}, {vertex_count_overshoot}, {spike_threshold}, {recovery_threshold}, {prevent_one_year_recovery}, {recovery_trend}, {min_num_observations}, {best_model_proportion}, pvalue_threshold, {output_other_bands})
Parameter | Erklärung | Datentyp |
in_multidimensional_raster | Das als Eingabe verwendete multidimensionale Raster-Dataset. | Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; File |
processing_band (optional) | Das Band, das für die Segmentierung der Pixelwertverläufe im Zeitverlauf verwendet werden muss. Wählen Sie das Band aus, das die Veränderungen des zu beobachtenden Features am besten erfasst. Wird kein Bandwert angegeben und handelt es sich bei der Eingabe um Multiband-Bilddaten, wird das erste Band im Multiband-Bild verwendet. | String |
snapping_date (optional) | Das Datum, das zur Auswahl eines Abschnitts für jedes Jahr im multidimensionalen Eingabe-Dataset verwendet wird. Es wird der Abschnitt mit dem Datum ausgewählt, das dem Fangdatum am nächsten liegt. Dieser Parameter ist erforderlich, wenn das Eingabe-Dataset Daten für kleinere Zeitabschnitte als Jahre enthält. Standardmäßig wird der 30.06 bzw. der 30. Juni verwendet, etwa die Mitte des Kalenderjahres. | String |
max_num_segments (optional) | Die maximale Anzahl von Segmenten, die für jedes Pixel an die Zeitreihe anzupassen sind. Die Standardeinstellung ist 5. | Long |
vertex_count_overshoot (optional) | Die Anzahl der zusätzlichen Stützpunkte, die über max_num_segments + 1 hinausgehen und während der ersten Phase der Identifizierung von Stützpunkten zur Anpassung an das Modell verwendet werden können. Zu einem späteren Zeitpunkt im Modellierungsprozess wird die Anzahl der zusätzlichen Stützpunkte auf max_num_segments + 1 reduziert. Die Standardeinstellung ist 2. | Long |
spike_threshold (optional) | Der Schwellenwert, der zum Dämpfen von Spikes oder Abweichungen im Pixelwertverlauf verwendet wird. Der Wert muss im Bereich von 0 bis 1 liegen, wobei 1 angibt, dass keine Dämpfung erfolgt. Der Standardwert ist 0,9. | Double |
recovery_threshold (optional) | Der Wiederherstellungsschwellenwert in Jahren. Wenn ein Segment eine schnellere Wiederherstellungsrate als 1/recovery threshold aufweist, wird das Segment verworfen und nicht in das Zeitserienmodell aufgenommen. Der Wert muss zwischen 0 und 1 liegen. Der Standardwert ist 0,25. | Double |
prevent_one_year_recovery (optional) | Gibt an, ob Segmente, die eine einjährige Wiederherstellung aufweisen, ausgeschlossen werden.
| Boolean |
recovery_trend (optional) | Gibt an, ob die Wiederherstellung einen zunehmenden (positiven) Trend aufweist.
| Boolean |
min_num_observations (optional) | Die Mindestanzahl gültiger Beobachtungen, die zur Durchführung der Anpassung erforderlich ist. Die Anzahl an Jahren im multidimensionalen Eingabe-Dataset muss gleich oder größer als dieser Wert sein. Der Standardwert ist 6. | Long |
best_model_proportion (optional) | Der beste Proportionswert des Modells. Während der Modellauswahl berechnet das Werkzeug den p-Wert für jedes Modell und wählt ein Modell aus, das die meisten Stützpunkte enthält, wobei gleichzeitig der kleinste (signifikanteste) p-Wert basierend auf diesem Proportionswert beibehalten wird. Der Wert 1 bedeutet, dass das Modell den niedrigsten p-Wert aufweist, aber möglicherweise nicht viele Stützpunkte enthält. Der Standardwert ist 1,25. | Double |
pvalue_threshold | Der Schwellenwert für p-Werte, bei dem ein Modell ausgewählt werden kann. Nachdem die Stützpunkte in der ersten Phase der Modellanpassung erkannt wurden, passt das Werkzeug jedes Segment an und berechnet den p-Wert, um die Signifikanz des Modells zu ermitteln. Bei der nächsten Iteration verringert das Modell die Anzahl der Segmente um eins und berechnet den p-Wert neu. Diese Vorgehensweise wird fortgesetzt. Wenn der p-Wert kleiner ist als der in diesem Parameter angegebene Wert, wird das Modell ausgewählt, und das Werkzeug hört auf, nach einem besseren Modell zu suchen. Falls kein solches Modell ausgewählt wird, wählt das Werkzeug ein Modell mit einem p-Wert aus, der kleiner ist als der lowest p-value × best model proportion value. Der Standardwert ist 0,01. | Double |
output_other_bands (optional) | Gibt an, ob andere Bänder in den Segmentierungsprozess einbezogen werden.
| Boolean |
Rückgabewert
Name | Erklärung | Datentyp |
out_multidimensional_raster | Das multidimensionale Ausgabe-Raster-Dataset im Cloud Raster Format (CRF). Das ausgegebene Veränderungsanalyse-Raster, das Modellinformationen aus der LandTrendr-Analyse enthält. | Raster |
Codebeispiel
In diesem Beispiel wird der LandTrendr-Algorithmus für die Änderungserkennung für eine Zeitserie von NDVI-Daten ausgeführt.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingLandTrendr(
"Monthly_NDVI_30_years.crf","","",10,3,0.9,0.25, 'PREVENT_ONE_YEAR_RECOVERY',
'INCREASING_TREND',10,1.25,0.05, 'EXCLUDE_OTHER_BANDS')
# Save output
changeAnalysisRaster.save(r"C:\data\NDVI_ChangeAnalysis.crf")
In diesem Beispiel wird die kontinuierliche Änderungserkennung für eine Zeitserie von Landsat-Bilddaten ausgeführt.
# 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"
processing_band = "Band_4"
snapping_date = ""
max_num_segments = 10
vertex_count_overshoot = 3
spike_threshold = 0.9
recovery_threshold = 0.25
prevent_one_year_recovery = "PREVENT_ONE_YEAR_RECOVERY"
recovery_trend = "INCREASING_TREND"
min_num_observations = 6
best_model_proportion = 1.25
pvalue_threshold = 0.01
output_other_bands = "EXCLUDE_OTHER_BANDS"
# Execute
changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingCCDC(
in_multidimensional, processing_band, snapping_date, max_num_segments,
vertex_count_overshoot, spike_threshold, recovery_threshold, prevent_one_year_recovery,
recovery_trend, min_num_observations, best_model_proportion, pvalue_threshold, output_other_bands)
# Save output
changeAnalysisRaster.save(r"C:\data\Landsat_ChangeAnalysis.crf")
Umgebungen
Lizenzinformationen
- Basic: Erfordert Image Analyst
- Standard: Erfordert Image Analyst
- Advanced: Erfordert Image Analyst