Analyze Changes Using CCDC (Image Analyst)

Доступно с лицензией Image Analyst.

Краткая информация

Оценивает изменения значений пикселов с течением времени с помощью метода Непрерывное обнаружение и классификация изменений (CCDC) и генерирует растр анализа изменений, содержащий результаты модели.

Learn more about how Analyze Changes Using CCDC works

Использование

  • 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.

  • Результатом работы этого инструмента является информация о модели в растре анализа изменений, где каждый пиксел хранит набор информации о модели, который описывает историю этого пиксела с течением времени. Растр анализа изменений - это многомерный растр, в котором каждый срез представляет собой многоканальный растр, состоящий из коэффициентов модели, среднеквадратичной ошибки (RMSE) и наблюдаемых изменений. Его можно использовать в качестве входных данных для инструмента Определить изменения, используя растр анализа изменений, который генерирует растр, содержащий информацию об изменениях для каждого пиксела.

    Число срезов на выходе совпадает с числом срезов на входе.

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

  • Целью этого инструмента является извлечение изменений в наблюдаемых объектах, поэтому идеальные входные многомерные изображения должны фиксировать постоянное наблюдение в течение времени и не должны включать атмосферные помехи или помехи от датчиков, облака или тени облаков. Лучше всего здесь использовать данные, которые были нормализованы и могут быть замаскированы при помощи канала QA, например, продукты Landsat Collection 1 Surface Reflectance с облачной маской.

  • Чтобы изучить изменения, вычисленные в растре анализа выходных изменений, создайте диаграмму временного профиля. Создавайте графики для различных местоположений в растре анализа изменений, чтобы увидеть, когда произошли изменения. Для пикселов, которые изменились, график покажет разрывы, где подобранная модель регрессии для значений пикселов с течением времени сместилась к новой модели, что указывает на изменение. Вы можете навести курсор на точки на графике, чтобы определить дату изменения модели.

  • 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.

  • Параметр Каналы для временного маскирования определяет каналы, которые используются для маскирования облаков, теней от облаков и снега. Поскольку тени от облаков и снег показываются очень темным цветом в коротком ИК диапазоне (SWIR), а облака и снег показываются очень ярко в зеленом диапазоне, рекомендуется маскировать индексы каналов для зеленого и SWIR каналов.

  • Параметр Обновление частоты подгонки (в годах) определяет, как часто модель временных рядов будет обновляться новыми наблюдениями. Более частое обновление модели может оказаться достаточно затратным при небольшом практическом выигрыше. Например, если в многомерном растре имеется 365 срезов или точных наблюдений в год, а частота обновления для каждого наблюдения, то обработка будет в 365 раз дороже в вычислительном отношении по сравнению с обновлением раз в год, при этом итоговая точность может оказаться не намного выше.

  • 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.

  • Этот инструмент создает многомерный набор растровых данных в формате Cloud Raster Format (CRF). В настоящее время другие форматы выхода не поддерживаются.

Параметры

ПодписьОписаниеТип данных
Input Multidimensional Raster

Входной многомерный набор растровых данных.

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

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
(Дополнительный)

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
(Дополнительный)

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
(Дополнительный)

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)
(Дополнительный)

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

Double

Возвращаемое значение

ПодписьОписаниеТип данных
Output CCDC Analysis Raster

Выходной многомерный набор растровых данных Cloud Raster Format (CRF).

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})
ИмяОписаниеТип данных
in_multidimensional_raster

Входной многомерный набор растровых данных.

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

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,...]
(Дополнительный)

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
(Дополнительный)

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
(Дополнительный)

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
(Дополнительный)

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

Double

Возвращаемое значение

ИмяОписаниеТип данных
out_ccdc_result

Выходной многомерный набор растровых данных Cloud Raster Format (CRF).

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

Raster

Пример кода

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")

Информация о лицензиях

  • Basic: Обязательно Image Analyst
  • Standard: Обязательно Image Analyst
  • Advanced: Обязательно Image Analyst

Связанные разделы