Disponible con licencia de Image Analyst.
Información general
Evalúa los cambios en los valores de píxel a lo largo del tiempo utilizando el método Clasificación y detección de cambios continuas (CCDC) y genera un ráster de análisis de cambios que contiene los resultados del modelo.
Para obtener información sobre el algoritmo CCDC, consulte Cómo funciona Analizar cambios usando CCDC.
Nota:
Esta función ráster solo se admite junto con la función Detectar cambios con análisis de cambios. Utilice la capa de salida de la función Análisis CCDC como entrada para la función Detectar cambios con análisis de cambios. Para producir una salida de dataset ráster, conecte la función Análisis CCDC con la función Detectar cambios con análisis de cambios mediante el Editor de función, guarde esto como una plantilla de función ráster y utilícela como entrada para la herramienta de geoprocesamiento Generar ráster a partir de la función Ráster.
Notes
Esta función ráster solo se puede utilizar como entrada para la función ráster Detectar cambios con análisis de cambios. Para generar una salida de ráster, conecte la función Análisis CCDC con la función Detectar cambios con análisis de cambios en una plantilla de función ráster y utilice la plantilla como entrada en la herramienta de geoprocesamiento Generar ráster a partir de la función Ráster. El resultado es un ráster que contiene información sobre el momento en el que cambiaron los valores de píxel.
El parámetro Bandas de enmascaramiento temporal especifica las bandas que se van a utilizar en el enmascaramiento de nubes, sombras de nubes y nieve. Como las sombras de las nubes y la nieve se muestran muy oscuras en la banda infrarroja de onda corta (SWIR), y las nubes y la nieve aparecen muy brillantes en la banda verde, es recomendable que enmascare los índices de banda correspondientes a las bandas SWIR y verde.
El parámetro Actualizando la frecuencia de ajuste (en años) define la frecuencia con la que se actualiza el modelo de serie temporal con nuevas observaciones. Una actualización frecuente del modelo puede suponer un coste informático y reportar muy pocos beneficios. Por ejemplo, si hay 365 divisiones u observaciones claras al año en un ráster multidimensional y se actualiza con cada observación, el procesamiento será 365 veces más costoso desde el punto de vista informático que la actualización anual; además, la precisión podría no ser mayor.
Parámetros
| Parámetro | Description |
|---|---|
Ráster | La capa ráster multidimensional de entrada. |
Bandas para detectar cambios | Los Id. de banda que se utilizarán para la detección de cambios. Si no se proporciona ningún Id. de banda, se utilizarán todas las bandas del dataset ráster de entrada. Los valores de los Id. deberían ser enteros separados por espacios. |
Bandas para enmascaramiento temporal | Los Id. de banda de la banda verde y la banda SWIR que se utilizarán para la máscara de nubes, sombra de nubes y nieve. Si no se proporciona ningún Id. de banda, no se producirá el enmascaramiento. Los valores de los Id. deberían ser enteros separados por espacios. |
Umbral de chi cuadrado para detectar cambios | El umbral de probabilidad de cambio de chi cuadrado. Si una observación tiene calculada una probabilidad de cambio superior a este umbral, se marca como anomalía, lo cual es un evento de cambio potencial. El valor predeterminado es 0,99. |
Observaciones de anomalías consecutivas mínimas | La cantidad mínima de observaciones consecutivas de anomalías que deben producirse antes de que un evento se considere un cambio. Un píxel se debe marcar como anomalía en la cantidad especificada de periodos de tiempo consecutivos para que se considere un cambio real. El valor predeterminado es 6. |
Frecuencia de ajuste de actualización (en años) | La frecuencia a la que se debe actualizar el modelo de serie temporal con las observaciones nuevas. La opción predeterminada es actualizar el modelo una vez al año. |