Función Análisis LandTrendr

Disponible con licencia de Image Analyst.

Información general

Evalúa los cambios en los valores de píxel a lo largo del tiempo utilizando el método de detección de tendencias de perturbación y recuperación basado en Landsat (LandTrendr) y genera un ráster de análisis de cambios que contiene los resultados del modelo.

Para obtener información sobre el algoritmo LandTrendr, consulte Cómo funciona Analizar cambios usando LandTrendr.

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 LandTrendr como entrada para la función Detectar cambios con análisis de cambios. Para producir una salida de dataset ráster, conecte la función Análisis LandTrendr 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.

Notas

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 LandTrendr 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.

Esta herramienta extra 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.

La herramienta realiza el análisis de una imagen por año y el número de divisiones anuales debe ser igual o mayor que el valor especificado en el parámetro Número mínimo de observaciones. Se recomienda tener seis años de datos como mínimo.

Si tiene datos mensuales, semanales o diarios, se recomienda seleccionar varias imágenes de cada año (preferentemente de la misma estación), eliminar las nubes y las sombras de nubes y combinar las imágenes para generar una sola imagen que capture bien la observación. Si se proporcionan datos mensuales, semanales o diarios como ráster multidimensional de entrada, la herramienta identificará una división para el análisis en función de la fecha más cercana a la proporcionada en el parámetro Fecha de ajuste.

Una entidad en un paisaje a menudo tardará un tiempo en recuperarse de un cambio no permanente, como un incendio forestal o una plaga de insectos. Para controlar la tasa de recuperación que reconoce el modelo, establezca el parámetro Umbral de recuperación. Un segmento distinto no puede tener una tasa de recuperación que sea más rápida que el umbral de 1/recuperación.

La recuperación de un cambio en el paisaje puede producirse en la dirección positiva o negativa. Por ejemplo, cuando un paisaje experimenta pérdida de bosque, una serie temporal de valores de índice de vegetación muestra una caída en los valores de índice y la recuperación muestra un aumento gradual de los valores de índice de vegetación o una tendencia de recuperación positiva. Especifique la dirección de la tendencia de recuperación con el parámetro Recuperación con tendencia creciente.

Parámetros

Parámetro	Descripción
Ráster	La capa ráster multidimensional Landsat de entrada.
Nombre de la banda de procesamiento	El nombre de la banda de imagen que se utilizará para segmentar las trayectorias de valores de píxel a lo largo del tiempo. Elija el nombre de la banda que capturará mejor los cambios en la entidad que desea observar.
Fecha de ajuste	La fecha utilizada para identificar una división para cada año en el dataset multidimensional de entrada. Se utilizará la división con la fecha más cercana a la fecha de ajuste. Este parámetro es obligatorio si el dataset de entrada contiene datos subanuales.
Número máximo de segmentos	Número máximo de segmentos que se ajustarán a la serie temporal para cada píxel. El valor predeterminado es 5.
Arco colgante de recuento de vértices	El número de vértices adicionales por encima de max_num_segments + 1 que se puede utilizar para ajustar el modelo durante la etapa inicial de identificación de vértices. Más adelante en el proceso de modelado, el número de vértices adicionales se reducirá a max_num_segments + 1. El valor predeterminado es 2.
Umbral pico	Umbral que se va a utilizar para atenuar picos o anomalías en la trayectoria del valor de píxel. El valor debe estar entre 0 y 1, donde 1 significa que no hay atenuación. El valor predeterminado es 0,9.
Umbral de recuperación	Valor del umbral de recuperación en años. Si un segmento presenta una tasa de recuperación más rápida que 1/recovery threshold, el segmento se descarta y no se incluye en el modelo de serie temporal. El valor debe estar comprendido entre 0 y 1. El valor predeterminado es 0,25.
Cantidad mínima de observaciones	Número mínimo de observaciones válidas necesarias para realizar el ajuste. El número de años del dataset multidimensional de entrada debe ser igual o mayor que este valor. El valor predeterminado es 6.
Umbral de valor p	Umbral de valor p correspondiente a un modelo que se va a seleccionar. Una vez detectados los vértices en la etapa inicial del ajuste del modelo, la herramienta ajustará cada segmento y calculará el valor p para determinar la importancia del modelo. En la siguiente iteración, el modelo disminuirá el número de segmentos en uno y volverá a calcular el valor p. Esto continuará y, si el valor p es menor que el valor especificado en este parámetro, el modelo se seleccionará y la herramienta dejará de buscar un modelo mejor. Si no se selecciona ningún modelo, la herramienta seleccionará un modelo con un valor p menor que el lowest p-value × best model proportion value. El valor predeterminado es 0,01.
Mejor proporción de modelo	El mejor valor de proporción de modelo. Durante el proceso de selección del modelo, la herramienta calculará el valor p para cada modelo e identificará un modelo que tenga el mayor número de vértices manteniendo el valor p más pequeño (más significativo) basado en este valor de proporción. Un valor de 1 significa que el modelo tiene el valor p más bajo, pero es posible que no tenga un número elevado de vértices. El valor predeterminado es 1,25.
Evitar la recuperación de un año	Especifica si se excluirán los segmentos que presentan una recuperación de un año. Activado: se excluirán los segmentos que presenten una recuperación de un año. Esta es la opción predeterminada. Desactivado: no se excluirán los segmentos que presenten una recuperación de un año.
La recuperación ha aumentado la tendencia	Especifica si la recuperación tiene una tendencia creciente (positivo). Activado: la recuperación tiene una tendencia creciente. Esta es la opción predeterminada. Desactivado: la recuperación tiene una tendencia decreciente.
Otras bandas de salida	Especifica si se incluirán otras bandas en los resultados. Activado: se incluirán otras bandas en los resultados. La información de segmentación y vértices de la banda de segmentación inicial especificada en el parámetro Banda de procesamiento también se ajustará a las bandas restantes de las imágenes multibanda. Los resultados del modelo incluirán primero la banda de segmentación y, a continuación, las bandas restantes. Desactivado: no se incluirán otras bandas en los resultados. Esta es la opción predeterminada.