Mit der Image Analyst-Lizenz verfügbar.
Übersicht
Überprüft mit der CCDC-Methode (Continuous Detection and Classification) Veränderungen von Pixelwerten im Zeitverlauf und generiert ein Veränderungsanalyse-Raster, das die Modellergebnisse enthält.
Informationen über den CCDC-Algorithmus finden Sie unter Funktionsweise von "Veränderungen mit CCDC analysieren".
Hinweis:
Diese Raster-Funktion wird nur gemeinsam mit der Funktion Veränderung mit Veränderungsanalyse erkennen unterstützt. Verwenden Sie den Ausgabe-Layer der CCDC-Analyse-Funktion als Eingabe für die Funktion "Veränderung mit Veränderungsanalyse erkennen". Um eine Raster-Ausgabe zu erzeugen, verbinden Sie die CCDC-Analyse-Funktion mit dem Funktions-Editor mit der Funktion "Veränderung mit Veränderungsanalyse erkennen", speichern Sie sie als Raster-Funktionsvorlage, und verwenden Sie sie als Eingabe für das Geoverarbeitungswerkzeug Raster über Raster-Funktion erstellen.
Hinweise
Diese Raster-Funktion kann nur als Eingabe für die Raster-Funktion Veränderung mit Veränderungsanalyse erkennen verwendet werden. Um eine Raster-Ausgabe zu erzeugen, verbinden Sie die CCDC-Analyse-Funktion in einer Raster-Funktionsvorlage mit der Funktion "Veränderung mit Veränderungsanalyse erkennen", und verwenden Sie die Vorlage als Eingabe für das Geoverarbeitungswerkzeug Raster über Raster-Funktion erstellen. Das Ergebnis ist ein Raster, das Informationen über den Zeitpunkt enthält, an dem sich Pixelwerte geändert haben.
Mit dem Parameter Bänder für zeitbezogene Maskierung werden die verwendeten Bänder für Wolken-, Wolkenschatten- und Schneemaskierung angegeben. Da Wolkenschatten und Schnee im Kurzwelleninfrarotband (SWIR) dunkel dargestellt werden und Wolken und Schnee im grünen Band 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.
Parameter
| Parameter | Beschreibung |
|---|---|
Raster | Der als Eingabe verwendete multidimensionale Raster-Layer. |
Bänder für die Erkennung von Änderungen | Die für die Änderungserkennung zu verwendenden Band-IDs. Wenn keine Band-IDs angegeben werden, werden alle Bänder aus dem Eingabe-Raster-Dataset verwendet. ID-Werte können ganze Zahlen sein, die durch Leerzeichen getrennt werden. |
Bänder für zeitbezogene Maskierung | Die Band-IDs des grünen Bandes und des SWIR-Bandes, die zur Maskierung von Wolken, Wolkenschatten und Schnee dienen. Wenn keine Band-IDs angegeben werden, erfolgt keine Maskierung. ID-Werte können ganze Zahlen sein, die durch Leerzeichen getrennt werden. |
Chi-Quadrat-Schwellenwert für die Erkennung von Änderungen | Der Schwellenwert für die Chi-Quadrat-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. |
Minimum der aufeinanderfolgenden beobachteten Abweichungen | 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. |
Anpassungshäufigkeit (in Jahren) wird aktualisiert | Die Häufigkeit, mit der das Zeitserienmodell mit neuen Beobachtungen aktualisiert werden soll. Standardmäßig wird das Modell einmal pro Jahr aktualisiert. |