Veränderungen mit CCDC analysieren (Image Analyst)

Mit der Image Analyst-Lizenz verfügbar.

Zusammenfassung

Überprüft mit der CCDC-Methode (Continuous Detection and Classification) Veränderungen von Pixelwerten im Zeitverlauf und generiert ein Veränderungsanalyse-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.

• 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 Anzahl der Ausschnitte in der Ausgabe und Eingabe stimmen überein.

• Das multidimensionale Eingabe-Raster muss mindestens 12 Abschnitte aufweisen, die mindestens 1 Jahr abdecken.

• 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.

• 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, an denen das angepasste Regressionsmodell für die Pixelwerte im Zeitverlauf 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 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, dass Sie die Bandindizes für die SWIR- und grünen Bänder 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.

Parameter

Dialogfeld

Beschriftung	Erläuterung	Datentyp
Multidimensionales Eingabe-Raster	Das als Eingabe verwendete multidimensionale Raster-Dataset.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
Bänder für die Erkennung von Änderungen (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
Bänder für zeitbezogene Maskierung (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-Quadrat-Schwellenwert für die Erkennung von Änderungen (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
Minimum der aufeinanderfolgenden beobachteten Abweichungen (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
Anpassungshäufigkeit (in Jahren) wird aktualisiert (optional)	Die Häufigkeit in Jahren, mit der das Zeitserienmodell mit neuen Beobachtungen aktualisiert werden soll. Der Standardwert ist 1.	Double

Rückgabewert

Beschriftung	Erläuterung	Datentyp
CCDC-Analyse-Ausgabe-Raster	Das multidimensionale Ausgabe-Raster-Dataset im Cloud Raster Format (CRF). Das ausgegebene Veränderungsanalyse-Raster, das Modellinformationen aus der CCDC-Analyse enthält.	Raster

Python

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

Name	Erläuterung	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	Erläuterung	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

AnalyzeChangesUsingCCDC – Beispiel 1 (Python-Fenster)

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")

AnalyzeChangesUsingCCDC – Beispiel 2 (eigenständiges Skript)

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

Zellengröße, Komprimierung, Aktueller Workspace, Geographische Transformationen, NoData, Ausgabe-CONFIG-Schlüsselwort, Ausgabe-Koordinatensystem, Ausdehnung, Faktor für parallele Verarbeitung, Pyramide, Raster-Statistiken, Resampling-Methode, Scratch-Workspace, Fang-Raster, Kachelgröße

Sonderfälle

Lizenzinformationen

• Basic: Erfordert Image Analyst
• Standard: Erfordert Image Analyst
• Advanced: Erfordert Image Analyst