Analyze Changes Using CCDC (Image Analyst)

Disponible avec une licence Image Analyst.

Synthèse

Évaluer les changements des valeurs de pixels au fil du temps à l’aide de la méthode CCDC (Continuous Change Detection and Classification) et générer un raster d’analyse des changements contenant les résultats du modèle.

Learn more about how Analyze Changes Using CCDC works

Utilisation

  • 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.

  • Cet outil a pour sortie des informations de modèle dans un raster d’analyse des changements dans lequel chaque pixel stocke un ensemble d’informations de modèle décrivant l’historique du pixel au fil du temps. Le raster d’analyse des changements est un raster multidimensionnel dans lequel chaque tranche est un raster multibande composé des coefficients de modèle, de l’erreur quadratique moyenne (EQM) et des changements observés. Il peut être utilisé comme entrée pour l’outil Détecter les modifications à l’aide du raster d’analyse des changements, ce qui génère un raster contenant des informations sur les changements pour chaque pixel.

    Le nombre de tranches dans la sortie correspond au nombre de tranches dans l’entrée.

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

  • Cet outil a pour but d’extraire les changements survenus pour une entité observée, de sorte que l’imagerie multidimensionnelle en entrée idéale puisse capturer une observation cohérente au fil du temps et ne puisse pas inclure d’interférences atmosphériques ou liées au capteur, de nuages ou l’ombres des nuages. Il est préférable d’utiliser des données normalisées et pouvant être masquées à l’aide d’une bande d’assurance qualité (QA), comme les produits de réflectance de surface Landsat Collection 1 avec un masque de nuage.

  • Pour explorer les changements calculés dans le raster d’analyse des changements en sortie, créez un diagramme de profil temporel. Générez des graphiques pour diverses localisations dans le raster d’analyse des changements pour voir à quels moments des changements ont eu lieu. Pour les pixels ayant changé, le graphique présentera des interruptions là où le modèle de régression ajusté des valeurs de pixel au fil du temps a évolué vers un nouveau modèle, indiquant un changement. Vous pouvez passer le pointeur de la souris sur les points du graphique pour identifier la date à laquelle le modèle a changé.

  • 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.

  • Le paramètre Bandes pour le masquage temporel spécifie les bandes à utiliser pour le masquage des nuages, de l’ombre des nuages et de la neige. L’ombre des nuages et la neige apparaissant très sombres dans la bande infrarouge à ondes courtes (SWIR), et les nuages et la neige étant très lumineux dans la bande verte, il est recommandé de masquer les indices de bande des bandes SWIR et vertes.

  • Le paramètre Mise à jour de la fréquence d’ajustement (en années) définit la fréquence à laquelle le modèle de série chronologique est mis à jour avec de nouvelles observations. La mise à jour fréquente d’un modèle peut consommer une grande quantité de ressources informatiques pour un avantage minimal. Par exemple, si le raster multidimensionnel contient 365 tranches ou observations nettes par an et que la fréquence de mise à jour est définie pour chaque observation, le traitement demandera 365 fois plus de ressources informatiques qu’une mise à jour annuelle, sans pour autant que la précision ne soit supérieure.

  • 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.

  • Cet outil crée un jeu de données raster multidimensionnel au format Cloud Raster Format (CRF). Actuellement, aucun autre format en sortie n’est pris en charge.

Paramètres

ÉtiquetteExplicationType de données
Input Multidimensional Raster

Jeu de données raster multidimensionnel en entrée.

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

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
(Facultatif)

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
(Facultatif)

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
(Facultatif)

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)
(Facultatif)

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

Double

Valeur renvoyée

ÉtiquetteExplicationType de données
Output CCDC Analysis Raster

Jeu de données raster multidimensionnel CRF (Cloud Raster Format) en sortie.

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})
NomExplicationType de données
in_multidimensional_raster

Jeu de données raster multidimensionnel en entrée.

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

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,...]
(Facultatif)

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
(Facultatif)

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
(Facultatif)

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
(Facultatif)

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

Double

Valeur renvoyée

NomExplicationType de données
out_ccdc_result

Jeu de données raster multidimensionnel CRF (Cloud Raster Format) en sortie.

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

Raster

Exemple de code

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")

Informations de licence

  • Basic: Nécessite Image Analyst
  • Standard: Nécessite Image Analyst
  • Advanced: Nécessite Image Analyst

Rubriques connexes