Disponible avec une licence Image Analyst.
Une série chronologique d’images ou de rasters se compose de données collectées au fil du temps, généralement à intervalles réguliers, pour analyser, la plupart du temps, les changements sur la surface du globe. Dans ArcGIS Pro, une série chronologique de données raster peut s’organiser dans un jeu de données raster multidimensionnelles ou un jeu de données mosaïque multidimensionnelles ; les outils permettent d’extraire des informations sur l’historique d’un pixel au fil du temps.
La modélisation de l’historique d’un pixel sur des dizaines, voire des centaines d’images a généralement pour but de rechercher la date à laquelle certains types de changements sont apparus.
La fonction raster Analyse CCDC et la fonction raster Analyse LandTrendr peuvent être enchaînées l’une à l’autre avec la fonction raster Détecter les modifications à l’aide de l’analyse des changements pour extraire les informations sur la date de changement depuis un raster multidimensionnel.
L’outil Analyser les changements avec l’algorithme LandTrendr ou l’outil Analyser les changements avec l’algorithme CCDC en conjonction avec l’outil Détecter les changements à l’aide du raster d’analyse des changements, permet d’identifier les changements dans les valeurs de pixel au fil du temps pour indiquer les changements en matière d’utilisation du sol ou d’occupation du sol.
L’Assistant de détection des changements combine les outils et fonctions disponibles pour vous guider durant l’extraction des informations sur la date de changement à partir d’une série chronologique d’images ou de rasters. La sortie obtenue par l’assistant est un raster dans lequel chaque pixel a une valeur de date correspondant à l’heure d’un type de changement particulier.
La section suivante décrit dans le détail chaque fenêtre de l’Assistant de détection des changements qui vous accompagne pendant une détection des changements chronologiques.
Assistant de détection des changements
Pour lancer Change Detection Wizard (Assistant de détection de changement), cliquez sur le bouton du menu déroulant Change Detection (Détection de changement) sur l’onglet Imagery (Imagerie), dans le groupe Analysis (Analyse). Le bouton n’est pas disponible sur vous n’utilisez pas une scène de carte 2D ou si vous ne possédez pas l’extension Image Analyst.
Configurer
La première fenêtre de l’Assistant de détection des changements est la fenêtre Configure (Configurer), dans laquelle vous sélectionnez l’option Change Detection Method (Méthode de détection des changements) que vous désirez utiliser. Pour extraire les informations sur la date des changements à partir d’un raster multidimensionnel, définissez Change Detection Method (Méthode de détection des changements) sur Time series change detection (Détection de changements de séries chronologiques).
| Paramètre | Description |
|---|---|
| Raster en entrée | Jeu de données raster multidimensionnelles en entrée à analyser. Les entrées prises en charge incluent les fichiers CRF (Cloud Raster Format, .crf) multidimensionnels, des jeux de données mosaïque multidimensionnelles ou des services d’imagerie multidimensionnelle. Cet outil extrait 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’ombre 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. Si vous avez déjà généré un raster d’analyse de changements avec l’outil Analyser les changements avec l’algorithme LandTrendr ou l’outil Analyser les changements avec l’algorithme CCDC, vous pouvez indiquer le résultat en tant que raster en entrée dans l’assistant, ce qui a pour effet de passer outre la fenêtre suivante. |
Etendue de traitement | Étendue de traitement du raster de changements en sortie. |
Analyser des séries chronologiques
La fenêtre Analyze Time Series (Analyser des séries chronologiques) permet de spécifier le type de modèle à exécuter et configurer le modèle. Cette fenêtre ne s’affiche pas si vous avez entré un raster d’analyse des changements existant dans la fenêtre Configure (Configurer).
Les paramètres visibles dans cette fenêtre dépendent de l’option de modélisation sélectionnée dans le paramètre Change Analysis Method (Méthode d’analyse des changements) :
- CCDC - L’algorithme Continuous Change Detection and Classification (CCDC) permet d’évaluer les modifications des valeurs de pixels au fil du temps. Pour utiliser cette option, le raster multidimensionnel en entrée doit comporter au moins 12 tranches, couvrant au minimum 1 année. Pour en savoir plus sur l’algorithme CCDC et ses paramètres, consultez la rubrique Fonctionnement de l’outil Analyser les changements avec l’algorithme CCDC.
- LandTrendr - L’algorithme de détection des tendances en matière de perturbation et de récupération basée sur Landsat (LandTrendr) permet d’évaluer les changements des valeurs de pixels au fil du temps. Pour en savoir plus sur l’algorithme et ses paramètres, reportez-vous à la rubrique Fonctionnement de l’outil Analyser des changements avec l’algorithme LandTrendr.
Paramètres d’analyse des changements avec CCDC
| Paramètre | Description |
|---|---|
| Bandes pour la détection de changements | Bandes spectrales pour analyser la détection des changements. Par défaut, toutes les bandes sont utilisées. |
| Bandes pour le masquage temporel | Bandes à utiliser pour le masquage des nuages, de l’ombre des nuages et de la neige. L’ombre des nuages et la neige étant très sombres dans la bande à onde courte infrarouge (SWIR) et les nuages et la neige étant très lumineux dans la bande verte, il est recommandé d’utiliser les bandes SWIR et verte pour le masquage. Si aucune bande n’est sélectionnée, aucun masquage n’a lieu. |
| Seuil du khi deux pour la détection des changements | Seuil de probabilité de changements de la statistique du khi carré. Si une observation a une probabilité de changements calculée au-delà de ce seuil, elle est indiquée comme anomalie, ce qui est un événement de changement potentiel. La valeur par défaut est 0,99. |
| Observations des anomalies consécutives minimales | Nombre minimum des observations d’anomalies consécutives qui doivent survenir avant qu’un événement soit considéré comme un changement. Un pixel doit être indiqué comme une anomalie pour le nombre spécifié d’intervalles consécutifs avant qu’il soit considéré comme un véritable changement. La valeur par défaut est 6. |
| Mise à jour de la fréquence de pertinence (en années) | Fréquence, en années, des mises à jour du modèle de séries chronologiques avec de 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. La valeur par défaut est 1. |
Paramètres de l’analyse des changements avec l’algorithme LandTrendr
| Paramètre | Description |
|---|---|
| Processing Band (Canal de traitement) | Nom de canal d’image à utiliser pour segmenter les trajectoires de valeur de pixel dans le temps. Choisissez le nom de canal qui capture le mieux les changements dans l’entité à observer. La première bande est le paramètre par défaut. |
| Snapping Date (Date de capture) | Date utilisée pour identifier une tranche pour chaque année dans le jeu de données multidimensionnelles en entrée. La tranche dont la date est la plus proche de la date de capture est utilisée. Ce paramètre est requis si le jeu de données en entrée contient des données pour des périodes inférieures aux années. La valeur par défaut est 06-30, c’est-à-dire le 30 juin, date située à peu près au milieu de l’année calendaire. |
| Maximum Number of Segments (Nombre maximal de segments) | Nombre maximal de segments à associer à la série temporelle de chaque pixel. La valeur par défaut est 5. |
| Vertex Count Overshoot (Dépassement du nombre de sommets) | Nombre de sommets supplémentaires au-delà de maximum number of segments + 1 qui peut être utilisé pour ajuster le modèle pendant la phase initiale de l’identification des sommets. Plus tard dans le processus de modélisation, le nombre de sommets supplémentaires est réduit à maximum number of segments + 1. La valeur par défaut est 2. |
| Spike Threshold (Seuil de pic) | Seuil à utiliser pour amortir les pics ou les anomalies dans la trajectoire de valeur de pixel. La valeur doit être comprise entre 0 et 1, la valeur 1 signifiant qu’il n’y a pas d’amortissement. La valeur par défaut est 0,9. |
| Recovery Threshold (Seuil de récupération) | Valeur du seuil de récupération, en années. Il faut souvent un peu de temps pour qu’une entité dans un paysage récupère après un changement temporaire comme un feu de forêt ou une invasion d’insectes. Utilisez ce paramètre pour contrôler le taux de récupération reconnu par le modèle. Si le taux de récupération d’un segment est plus rapide que la valeur 1/recovery threshold, ce segment est ignoré et n’est pas inclus dans le modèle de série chronologique. La valeur doit être comprise entre 0 et 1. La valeur par défaut est 0,25. |
| Nombre minimal d'observations | Nombre minimum d’observations valides nécessaire pour effectuer l’ajustement. Le nombre d’années dans le jeu de données multidimensionnelles en entrée doit être supérieur ou égal à cette valeur. La valeur par défaut est 6. |
| P-Value Threshold (Seuil de valeur p) | Seuil de valeur p à sélectionner pour un modèle. Une fois les sommets détectés à l’étape initiale d’ajustement du modèle, l’outil ajuste chaque segment et calcule la valeur p pour déterminer le niveau d’importance du modèle. À l’itération suivante, le modèle diminue le nombre de segments d’un et recalcule la valeur p. Le processus continue ainsi et, si la valeur p devient inférieure à la valeur spécifiée dans ce paramètre, le modèle est sélectionné et l’outil arrête de rechercher un meilleur modèle. Si aucun modèle n’est sélectionné, l’outil sélectionne un modèle dont la valeur p est inférieure à la valeur lowest p-value × best model proportion value. La valeur par défaut est 0,01. |
| Best Model Proportion (Proportion de modèle idéale) | Meilleure valeur de proportion de modèle. Pendant le processus de sélection de modèle, l’outil calcule la valeur p pour chaque modèle et identifie le modèle qui a le plus de sommets tout en conservant la valeur p la plus petite (la plus significative) en fonction de cette valeur de proportion. La valeur 1 signifie que le modèle a la valeur p la plus basse mais n’a peut-être pas un grand nombre de sommets. La valeur par défaut est 1,25. |
| Prevent One Year Recovery (Empêcher la récupération sur un an) | Indique si les segments qui présentent une récupération sur un an doivent être exclus.
|
| Recovery Has Increasing Trend (La tendance de récupération augmente) | Indique si la récupération présente une tendance à la hausse (positive).
La récupération après un changement dans le paysage peut se faire dans le sens positif ou négatif. Par exemple, lorsqu’un paysage subit une déforestation, une série temporelle de valeurs d’index de végétation montre une chute des valeurs d’index, et la récupération se traduit par une augmentation progressive des valeurs d’index de végétation, soit une tendance de récupération positive. |
| Output Other Bands (Générer d’autres canaux) | Indique si les autres canaux sont inclus dans les résultats.
|
Détecter la date de changement
La fenêtre Detect Date of Change (Détecter la date de changement) procure les paramètres pour que vous puissiez spécifier les informations de date de changement à extraire du modèle.
| Paramètre | Description |
|---|---|
| Modifier le type | Spécifie les informations de changement à calculer pour chaque pixel. Lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme CCDC, vous pouvez effectuer un choix parmi les options suivantes :
Lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme LandTrendr, vous pouvez effectuer un choix parmi les options suivantes :
|
| Nombre maximal de changements | Le nombre maximal de changements par pixel qui sera calculé. Ce nombre correspond au nombre de canaux dans le raster en sortie. Par défaut, la valeur est 1. Autrement dit, une seule date de changement est calculée, et le raster en sortie ne comprend qu’un seul canal. Ce paramètre n’est pas appliqué lorsque le paramètre Change Type (Type de changement) est défini sur Number of changes (Nombre de changements). |
| Date de segment | Spécifie si la date sera extraite au début ou à la fin d’un segment de changement. Ce paramètre est seulement disponible lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme LandTrendr. |
| Modifier la direction | Spécifiez la direction du changement à inclure dans l’analyse.
Ce paramètre est seulement disponible lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme LandTrendr. |
| Filtrer par année | Spécifie si le filtrage de la sortie s’effectuera sur un certain nombre d’années.
Ce paramètre est seulement disponible lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme LandTrendr. Utilisez ce paramètre pour identifier les changements qui se sont produits dans une période spécifique (par exemple, si vous recherchez les changements qui se sont produits dans un paysage pendant cinq années de sécheresse). Si ce paramètre est activé, vous devez saisir le nombre minimal et maximal d’années à utiliser pour filtrer les résultats. |
| Filtrer par durée | Spécifie si les résultats seront filtrés en fonction de la durée des changements.
Ce paramètre est seulement disponible lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme LandTrendr. Utilisez ce paramètre pour identifier les changements qui se sont produits sur une plage d’années spécifique (par exemple, si vous recherchez les changements soudains survenus sur un ou deux ans). Vous pouvez calculer la durée qui vous intéresse à l’aide de la formule end year - start year +1. Les discontinuités dans la chronologie seront incluses. Si ce paramètre est activé, vous devez saisir les valeurs de durée minimale et maximale à utiliser pour filtrer les résultats. |
| Filtrer par magnitude | Spécifie si les résultats seront filtrés en fonction de la magnitude des changements..
Ce paramètre est seulement disponible lors de l’utilisation de la méthode d’analyse des changements avec l’algorithme LandTrendr. Utilisez ce paramètre pour identifier les changements d’une magnitude donnée (par exemple, si vous ne recherchez que les changements importants dans les données NDVI de l’indice de végétation). La magnitude étant une valeur absolue, les valeurs minimale et maximale ne peuvent pas être négatives. Pour spécifier le changement directionnel, utilisez le paramètre Change Direction (Changer de direction). Si ce paramètre est activé, vous devez saisir les valeurs de magnitude minimale et maximale à utiliser pour filtrer les résultats. |
| Raster Date du changement en sortie | Jeu de données en sortie La sortie désigne un raster multicanal dans lequel chaque canal contient des informations de changement selon le type de changement sélectionné et le nombre maximal de changements spécifiés. Par exemple, si le paramètre Change Type (Type de changement) est défini sur Time of earliest change (Heure du premier changement) et le paramètre Maximum Number of Changes (Nombre maximal de changements) sur 2, la fonction calcule les deux dates les plus anciennes du changement tout au long de la série chronologique pour chaque pixel. Le résultat est un raster dans lequel le premier canal contient les dates du premier changement par pixel, et le second canal contient les dates du deuxième changement le plus ancien par pixel. |
Exemple
L’exemple suivant extrait la date du changement le plus rapide dans une série chronologique de rasters NDVI annuels compris entre 2000 et 2019.
- Ajoutez le jeu de données raster multidimensionnelles NDVI à votre carte.
- La couche étant sélectionnée dans la fenêtre Contents (Contenu), ouvrez l’Assistant de détection des changements dans l’onglet Imagery (Imagerie) du groupe Analysis (Analyse).
- Dans la fenêtre Configure (Configurer), définissez Change Detection Method (Méthode de détection des changements) sur Time Series Change (Changements dans une série chronologique) et assurez-vous que Input Raster (Raster en entrée) soit défini sur le raster multidimensionnel NDVI. Cliquez sur Next (Suivant).
- La fenêtre Analyze Time Series (Analyser des séries chronologiques), configurez les paramètres pour effectuer la modélisation LandTrendr.
- Définissez le paramètre Change Analysis Method (Méthode d’analyse des changements) sur LandTrendr.
- Définissez le paramètre Maximum Number of Segments (Nombre maximal de segments) sur 10.
- Laissez toutes les autres valeurs par défaut telles quelles.
- Cliquez sur Next (Suivant).
- La fenêtre Detect Change (Détecter les changements), configurez les paramètres pour extraire le début du changement le plus rapide et négatif (perte de l’indice NDV) dans la série.
- Définissez Change Type (Type de changement) sur Time of Fastest Change (Date/heure du changement le plus rapide).
- Réglez Change Direction (Direction du changement) sur Decreasing (Décroissante).
- Cochez la case Filter by Magnitude (Filtrer par magnitude).
- Paramétrez la magnitude Minimum sur 0,5 et la magnitude Maximum sur 2.
- Pour le paramètre Output Date of Change Raster (Raster Date du changement en sortie), tapez FastestNDVILoss.crf.
- Cliquez sur Run (Exécuter).
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?