Analyze Changes Using CCDC (Image Analyst)

Disponible avec une licence Image Analyst.

Synthèse

Évalue les modifications dans les valeurs de pixels au fil du temps à l’aide de la méthode CCDC (Continuous Change Detection and Classification) et génère 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.

  • La sortie de cet outil se compose d’informations sur le modèle dans un raster d’analyse des changements, dans lequel chaque pixel stocke une suite d’informations sur le modèle qui décrit l’historique de ce pixel au fil du temps. Le raster d’analyse des changements est un raster multidimensionnel dans lequel chaque tranche correspond à un raster multicanal composé des coefficients de modèle, de l’erreur quadratique moyenne (EQM) et des changements observés. Il peut être utilisé en entrée pour l’outil Détecter les changements à l’aide du raster d’analyse des changements, qui génère un raster contenant des informations relatives aux changements pour chaque pixel.

    Le nombre de tranches en sortie correspond au nombre de tranches en entrée.

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

  • Cet outil a pour finalité d’extraire les changements survenus dans 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’ombre des nuages. Une bonne pratique consiste à utiliser des données qui ont été normalisées et qui peuvent être masquées à l’aide d’une bande QA (les produits de réflectance de surface Landsat Collection 1 avec un masque de nuage, par exemple).

  • Pour explorer les changements calculés dans le raster d’analyse des changements en sortie, créez un diagramme de profil temporel. Générez des graphiques pour plusieurs emplacements dans le raster d’analyse des changements pour voir quand des changements se sont produits. Pour les pixels modifiés, le graphique affiche les interruptions où le modèle de régression adapté pour les valeurs de pixel au fil du temps a évolué vers un nouveau modèle, ce qui indique un changement. Vous pouvez faire glisser le pointeur sur les points du graphique pour identifier la date du changement de modèle.

  • 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 Bands for Temporal Masking (Bandes pour le masquage temporel) spécifie les canaux 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 le canal à onde courte infrarouge (SWIR) et les nuages et la neige étant très lumineux dans le canal vert, il est recommandé de masquer les index des canaux SWIR et vert.

  • Le paramètre Updating Fitting Frequency (in years) (Mise à jour de la fréquence de pertinence (en années)) définit la fréquence à laquelle le modèle de série chronologique est mis à jour avec les nouvelles observations. La mise à jour fréquente d’un modèle peut occasionner un grand nombre de calculs pour un avantage minimal. Si, par exemple, le raster multidimensionnel contient 365 tranches ou observations claires par an et que la fréquence de mise à jour concerne chacune de ces observations, le traitement demandera 365 fois plus de calculs 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 génère un jeu de données raster multidimensionnelles au format CRF (Cloud Raster Format). Actuellement, aucun autre format de sortie n’est pris en charge.

Paramètres

ÉtiquetteExplicationType de données
Input Multidimensional Raster

Jeu de données raster multidimensionnelles 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 multidimensionnelles 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 multidimensionnelles 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 multidimensionnelles 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