Analyze Changes Using CCDC (Image Analyst)

Disponible con licencia de Image Analyst.

Resumen

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.

Learn more about how Analyze Changes Using CCDC works

Uso

  • The Continuous Change Detection and Classification (CCDC) algorithm is a method for identifying change in pixel values over time. It was originally developed for a time series of multiband Landsat imagery and is used to detect change and classify land cover before and after the change occurred. This tool can be used with imagery from supported sensors and can also be used to detect change in single band rasters. For example, this tool can be used to detect changes in a time series of NDVI rasters to identify deforestation events.

  • La salida de esta herramienta es información del modelo en un ráster de análisis de cambios en el que cada píxel almacena un conjunto de información del modelo que describe el historial de ese píxel a lo largo del tiempo. El ráster de análisis de cambios es un ráster multidimensional donde cada división es un ráster multibanda compuesto por los coeficientes del modelo, el error cuadrático medio (RMSE) y los cambios observados. Se puede utilizar como entrada de la herramienta Detectar cambios usando el ráster de análisis de cambios, que genera un ráster que contiene información de cambio para cada píxel.

    El número de divisiones en zonas de la salida coincide con el número de divisiones en zonas de la entrada.

  • The input multidimensional raster must have at least 12 slices, spanning at least 1 year.

  • La finalidad de esta herramienta es extraer los cambios de una entidad observada, de modo que las imágenes multidimensionales de entrada ideales deben capturar una observación coherente a lo largo del tiempo y no deben incluir interferencias atmosféricas o de sensores, nubes ni sombras de nubes. La práctica recomendada es utilizar datos que se han normalizado y se pueden enmascarar con una banda QA, por ejemplo, los productos Landsat Collection 1 Surface Reflectance con una máscara de nube.

  • Para explorar los cambios calculados en el ráster de análisis de cambio de salida, cree un gráfico de perfil temporal. Genere gráficos para varias ubicaciones en el ráster de análisis de cambios para ver cuándo se han producido los cambios. Para los píxeles que han cambiado, el gráfico mostrará intervalos en los que el modelo de regresión ajustado a los valores de píxel cambió con el tiempo a un nuevo modelo, indicando un cambio. Puede desplazar el puntero sobre los puntos del gráfico para identificar la fecha en que cambió el modelo.

  • The output change analysis raster can also be used for classification. Run this tool to generate a change analysis raster. Then create training samples with a time field to indicate the time at which the sample represents land cover. Next, run a training tool to generate a classifier definition file (.ecd). Finally, run the Classify Raster tool with the .ecd file and the change analysis raster as inputs to generate a multidimensional classified raster.

  • 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.

  • This tool may take a long time to run and requires significant disk space to store the results. To improve processing time and reduce the amount of storage space, the following steps are recommended:

    • Turn off the Pyramid environment. Uncheck the Build Pyramids box in the Environment pane or set the environment to NONE in Python.
    • Set the Compression environment to LERC and set Max error to 0.000001.
    • If you expect to run the Detect Change Using Change Analysis Raster tool on the output of this tool multiple times, it is recommended that you build a multidimensional transpose on the result.

  • Esta herramienta produce un dataset ráster multidimensional en formato de ráster de nube (CRF). En este momento, no se admite ningún otro formato de salida.

Parámetros

EtiquetaExplicaciónTipo de datos
Input Multidimensional Raster

El dataset ráster multidimensional de entrada.

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
Bands for Detecting Change
(Opcional)

The band IDs to use for change detection. If no band IDs are provided, all the bands from the input raster dataset will be used.

Long
Bands for Temporal Masking
(Opcional)

The band IDs to be used in the temporal mask (Tmask). It is recommended that you use the green band and the SWIR band. If no band IDs are provided, no masking will occur.

Long
Chi-squared Threshold for Detecting Changes
(Opcional)

The chi-square statistic change probability threshold. If an observation has a calculated change probability that is above this threshold, it is flagged as an anomaly, which is a potential change event. The default value is 0.99.

Double
Minimum Consecutive Anomaly Observations
(Opcional)

The minimum number of consecutive anomaly observations that must occur before an event is considered a change. A pixel must be flagged as an anomaly for the specified number of consecutive time slices before it is considered a true change. The default value is 6.

Long
Updating Fitting Frequency (in years)
(Opcional)

The frequency, in years, at which to update the time series model with new observations. The default value is 1.

Double

Valor de retorno

EtiquetaExplicaciónTipo de datos
Output CCDC Analysis Raster

El dataset ráster multidimensional de formato de ráster de nube (CRF) de salida.

The output change analysis raster containing model information from the CCDC analysis.

Raster

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

El dataset ráster multidimensional de entrada.

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service
bands
[bands,...]
(Opcional)

The band IDs to use for change detection. If no band IDs are provided, all the bands from the input raster dataset will be used.

Long
tmask_bands
[tmask_bands,...]
(Opcional)

The band IDs to be used in the temporal mask (Tmask). It is recommended that you use the green band and the SWIR band. If no band IDs are provided, no masking will occur.

Long
chi_squared_threshold
(Opcional)

The chi-square statistic change probability threshold. If an observation has a calculated change probability that is above this threshold, it is flagged as an anomaly, which is a potential change event. The default value is 0.99.

Double
min_anomaly_observations
(Opcional)

The minimum number of consecutive anomaly observations that must occur before an event is considered a change. A pixel must be flagged as an anomaly for the specified number of consecutive time slices before it is considered a true change. The default value is 6.

Long
update_frequency
(Opcional)

The frequency, in years, at which to update the time series model with new observations. The default value is 1.

Double

Valor de retorno

NombreExplicaciónTipo de datos
out_ccdc_result

El dataset ráster multidimensional de formato de ráster de nube (CRF) de salida.

The output change analysis raster containing model information from the CCDC analysis.

Raster

Muestra de código

AnalyzeChangesUsingCCDC example 1 (Python window)

This example performs continuous change detection on 30 years of monthly NDVI rasters. Only one band is used in the change detection and the chi-squared probability threshold is 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 example 2 (stand-alone script)

This example performs continuous change detection on a time series of Landsat 7 images, with bands 3 and 7 (indexed at 2 and 6) used for a snow, cloud, and cloud shadow mask.

# 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")

Información de licenciamiento

  • Basic: Requiere Image Analyst
  • Standard: Requiere Image Analyst
  • Advanced: Requiere Image Analyst

Temas relacionados