Disponible con licencia de Image Analyst.
La herramienta Analizar cambios usando CCDC, junto con la herramienta Detectar cambios usando el ráster de análisis de cambios, se puede utilizar para identificar los cambios en los valores de píxel a lo largo del tiempo para indicar cambios en el uso del suelo o la cobertura del suelo.
Detección de cambios continua
La herramienta Analizar cambios usando CCDC utiliza el algoritmo de clasificación y detección de cambios continuas (CCDC) (Zhu y Woodcock, 2014) para evaluar los cambios en los valores de píxel a lo largo del tiempo para una pila de imágenes. En una serie temporal de imágenes ópticas o derivados de imágenes (por ejemplo, NDVI), los valores de píxel pueden fluctuar por diversos motivos:
- Cambio estacional: los cambios de valor de píxel reflejan cambios en la vegetación debido a la variabilidad estacional de la temperatura, la luz solar y las precipitaciones. En el hemisferio norte, por ejemplo, es normal que haya mayor densidad de vegetación verde en verano en comparación con el invierno.
- Cambio gradual: los cambios de valor de píxel reflejan las tendencias de la vegetación o del agua superficial debido a la variabilidad climática o a prácticas de gestión del suelo a largo plazo. Por ejemplo, el área de suelo desnudo podría aumentar gradualmente debido a una disminución a largo plazo de las precipitaciones.
- Cambio abrupto: los cambios de valor de píxel reflejan los cambios de la cobertura del suelo que ocurren repentinamente debido a la deforestación, al desarrollo urbanístico, a catástrofes naturales, etc.
El algoritmo CCDC identifica los tres tipos de cambio con el fin principal de identificar un cambio abrupto. Los modelos de tendencia y regresión armónicas se ajustan a los datos para estimar un cambio estacional o gradual, y las desviaciones repentinas de los modelos de tendencia son indicaciones de un cambio abrupto.
Tipos de datos de entrada
El algoritmo CCDC se diseñó para datos de Temperatura de brillo o Reflectancia de superficie de datos de Landsat TM, Landsat ETM+ y Landsat OLI. Sin embargo, la herramienta Analizar cambios usando CCDC detectará cambios en las imágenes multibanda de cualquier sensor admitido, así como derivados de imágenes de una sola banda como índices de banda. Por ejemplo, puede realizar una detección de cambios continua en un ráster de índice de vegetación de diferencia normalizada (NDVI), porque los cambios abruptos en un NDVI pueden ser indicio de deforestación o de otra pérdida repentina de vegetación.
Nube, sombra de nubes y nieve
La detección de cambios en la cobertura del suelo puede ser complicada por la presencia de nubes, sombras de nubes y nieve en una serie temporal de imágenes de teledetección. Estos píxeles afectados de la serie temporal se deben enmascarar para evitar la indicación incorrecta de una nube o un parche de nieve cuando se produce un cambio en la cobertura del suelo. Dado que la sombra de la nubes y la nieve parecen muy oscuras en la banda infrarroja de onda corta (SWIR), y que las nubes y la nieve aparecen muy brillantes en la banda verde, estas dos bandas se usan en un modelo sólido de mínimos cuadrados ponderados iterativamente (RIRLS) para enmascarar estos fenómenos. El modelo genera gráficos de serie temporal de las bandas verde y SWIR, y los resultados del modelo se comparan con valores de píxel reales para determinar los valores atípicos, que, a continuación, se enmascaran y eliminan del análisis.
Detección de cambios
Los cambios estacionales y graduales que se producen en los valores de píxel a lo largo del tiempo se modelan para cada banda de las imágenes usando el método de mínimos cuadrados ordinarios (OLS). Se calcula la diferencia entre el valor de píxel modelado previsto y el valor de píxel verdadero. Cuando la diferencia entre los valores es tres veces mayor que el error cuadrático medio (RMSE), ese píxel se marca para indicar la posibilidad de un cambio en la cobertura del suelo.
A continuación, se evalúa si el posible cambio en la cobertura del suelo es un cambio verdadero en función del número de observaciones consecutivas. Si el valor de un píxel es claramente diferente de los resultados del modelo una sola vez, es probable que sea un valor atípico. Si el valor del píxel es claramente distinto de los resultados del modelo durante un número determinado de observaciones consecutivas, el algoritmo considera que ese píxel ha cambiado. El número mínimo de observaciones consecutivas se puede controlar en la herramienta Analizar cambios usando CCDC con el parámetro Observaciones de anomalías mínimas consecutivas.
La salida de la herramienta Analizar cambios usando CCDC es un ráster de análisis de cambios que contiene los coeficientes del modelo. Esto puede ser difícil de interpretar visualmente, por lo que hay otras maneras de interpretar los datos:
- Cree un gráfico de perfil temporal para explorar los cambios de píxel a lo largo del tiempo. El ráster de análisis de cambios mostrará píxeles con colores similares si tienen patrones de cambio similares.
- Utilice el ráster de análisis de cambios como entrada de la herramienta Detectar cambios usando el ráster de análisis de cambios para determinar cuándo y con qué frecuencia se marcó un píxel en relación con el cambio en la cobertura del suelo.
- Cree muestras de entrenamiento y utilice el ráster de análisis de cambios para realizar la clasificación de imágenes. Además de los coeficientes del modelo, el ráster de análisis de cambios también contiene la información espectral necesaria para clasificar los tipos de cobertura del suelo. En la sección siguiente se describe este proceso de forma más detallada.
Clasificación de cobertura de suelo
El último paso del algoritmo CCDC es clasificar la cobertura del suelo de todos los segmentos de su dataset multidimensional. La herramienta Analizar cambios usando CCDC no realiza este paso, pero la salida de la herramienta se puede utilizar como entrada para las herramientas de entrenamiento y clasificación.
El ráster de análisis de cambios puede proporcionar mejores resultados de clasificación para rásteres de serie temporal porque incorpora información espectral, además de la información del modelo. Cuando las clases de cobertura del suelo varían estacional o gradualmente a lo largo del tiempo, los coeficientes armónicos y de modelo de tendencia informan al proceso de clasificación para producir categorías de cobertura del suelo generadas con datos espectrales y temporales.
Muestras de entrenamiento
Para clasificar el ráster de análisis de cambios, primero debe generar muestras de entrenamiento utilizando el Administrador de muestras de entrenamiento. Los polígonos de muestra de entrenamiento se pueden crear usando las imágenes de serie temporal originales como referencia, ya que el ráster de análisis de cambios es difícil de interpretar visualmente.
Genere muestras de entrenamiento para diferentes segmentos del dataset para reflejar diferentes horas. Cambie el segmento que se muestra actualmente con los controles de la pestaña Multidimensional y cree una muestra de entrenamiento para el segmento visualizado actualmente para incluir el tiempo del segmento en los atributos de muestra de entrenamiento. Es importante capturar muestras de entrenamiento para clases que solo existen en determinados segmentos, por ejemplo, una clase Deciduous Trees que solo exista en los meses más cálidos.
El número y la distribución de muestras dependen de sus imágenes, aplicación, requisitos de precisión y restricciones de tiempo. Lo ideal sería que hubiera un número similar de muestras en cada clase de cobertura del suelo y las muestras deberían distribuirse uniformemente por toda la extensión espacial de las imágenes. Para una serie temporal de imágenes ráster, debe haber muestras de entrenamiento en varios segmentos de los datos para que la información espectral de las muestras de entrenamiento se pueda ajustar a lo largo de las curvas armónicas modeladas mediante la herramienta Analizar cambios usando CCDC. Se recomienda un número estadísticamente significativo de muestras de entrenamiento.
Clasificación
Después de capturar muestras de entrenamiento, se puede clasificar el ráster de análisis de cambios. Para obtener los mejores resultados, se recomienda utilizar una de las herramientas de geoprocesamiento de clasificador de aprendizaje automático, ya sea Preparar clasificador de árboles aleatorios o Preparar clasificador de máquina de vectores de soporte para preparar el modelo de clasificación. El ráster de entrada será la salida del ráster de análisis de cambios de la herramienta Analizar cambios usando CCDC. Las muestras de entrenamiento serán las que adquirió para el dataset ráster de serie temporal.
Por último, utilice la herramienta Clasificar ráster para clasificar el ráster de análisis de cambios, lo que da como resultado una serie temporal de rásteres de cobertura del suelo en un dataset multidimensional.
Referencias
Zhu, Zhe y Curtis. E. Woodcock. "Continuous change detection and classification of land cover using all available Landsat data." Remote Sensing of Environment 144 (2014) 152-171.
Zhu, Zhe, Junxue Zhang, Zhiqiang Yang, Amal H. Aljaddani, Warren B. Cohen, Shi Qiu, and Congliang Zhou. "Continuous monitoring of land disturbance based on Landsat time series." Remote Sensing of Environment 238 (2020): 111116