Как работает инструмент Анализ изменений с помощью CCDC

Доступно с лицензией Image Analyst.

Инструмент Анализ изменений с помощью CCDC, вместе с инструментом Определение изменений с помощью растра анализа изменений может использоваться для поиска изменений значений пикселей с течением времени для определения изменений в типах землепользования или растительного покрова.

Непрерывное выявление изменений

Инструмент Анализ изменений с помощью CCDC использует алгоритм Непрерывное обнаружение и классификация изменений (CCDC) (Zhu and Woodcock, 2014) для оценки изменений пикселов с течением времени в многомерном растре. Во временных сериях оптических снимков или производных снимков (например, NDVI) значения пикселов могут меняться по нескольким причинам:

  • Сезонные изменения -- изменения значения пиксела отражают изменения растительности в связи с сезонными колебаниями температуры, солнечного света и влажности. Например, в северном полушарии мы ожидаем увидеть большую плотность растительности летом по сравнению с зимой.
  • Постепенные изменения -- изменения значений пикселов отражают тренды для растительности или поверхностных вод из-за изменения климата или долгосрочного воздействия на земельные ресурсы. Например, площади почвенного покрова без растительности могут увеличиваться из-за многолетнего уменьшения количества осадков.
  • Резкие изменения - изменения значений пикселов отражают изменения в земном покрове, которые происходят внезапно из-за вырубки лесов, развития городов, стихийных бедствий и т.д.

Алгоритм CCDC выявляет все три типа изменений, основная цель заключается в поиске резких изменений. Модели гармонической регрессии и тренда подстраиваются под данные, чтобы оценить сезонные и постепенные изменения, а внезапные отклонения от модели тренда являются индикатором резкого изменения.

Типы входных данных

Алгоритм CCDC был разработан для данных Surface Reflectance или Brightness Temperature со спутников Landsat TM, Landsat ETM+ и Landsat OLI. Однако инструмент Анализ изменений с помощью CCDC будет выявлять изменения в многоканальном изображении для любого поддерживаемого сенсора, а также для одноканальных производных изображений, например, индексов каналов. Например, вы можете выполнить выявление непрерывных изменений для растра Нормализованного вегетационного индекса (NDVI), поскольку резкие изменения NDVI могут быть индикатором лесных вырубок или других неожиданных потерь растительности.

Облачность, тени от облаков и снег

Обнаружение изменений почвенно-растительного покрова может быть затруднено наличием облаков, теней от облаков и снега во временных сериях спутниковых снимков. Такие пикселы во временных сериях необходимо маскировать, чтобы не допустить неверную маркировку облака или снега как изменение растительного покрова. Поскольку тень от облаков и снег выглядят очень темными в коротковолновом инфракрасном (SWIR) канале, а в зеленом канале они очень яркие, эти два канала используются в модели итеративного повторного взвешивания методом наименьших квадратов (RIRLS) для маскировки этого явления. Модель генерирует графики временных рядов зеленого и SWIR каналов, результаты сравниваются с реальными значениями пикселей для определения выбросов, которые затем маскируются и удаляются из анализа.

Выявление изменений

Сезонные и плавные изменения значений пикселей во времени моделируются для каждого канала изображения с помощью метода наименьших квадратов (OLS). Между прогнозируемым моделью значениям и реальным значением пиксела вычисляется разница. Если разница значений в три раза больше среднеквадратической ошибки (RMSE), пиксель отмечается как возможное изменение поверхности земли.

Затем возможные изменения почвенно-растительного покрова преобразуются в истинные изменения с помощью ряда последовательных наблюдений. Если значение пиксела заметно отличается от результатов модели только один раз, вероятнее всего это выброс. Если значение пиксела заметно отличается от результатов модели в течение нескольких последовательных наблюдений, алгоритм считает, что пиксел изменился. Минимальное число последовательных наблюдений определяется в инструменте Анализ изменений с помощью CCDC параметром Минимум последовательных наблюдений аномалий.

Резкое изменение значений пиксела во времени с учетом сезонности

Выходные данные инструмента Анализ изменений с помощью CCDC - это растр анализа изменений, содержащий коэффициенты модели. Его сложно интерпретировать визуально, поэтому есть несколько способов интерпретации этих данных:

  • Создание диаграммы временного профиля для изучения изменений пикселей во времени. Растр анализа изменений отображает пикселы одинаковыми цветами, если они имеют сходные закономерности изменений.
  • Используйте растр анализа изменений как входные данные для инструмента Определить изменения, используя растр анализа изменений, чтобы определить когда и как часто пиксель отмечается как изменение покрова.
  • Создание обучающих выборок и использование растра анализа изменений для классификации изображений. Кроме коэффициентов модели, растр анализа изменений содержит спектральную информацию, необходимую для классификации типов почвенно-растительного покрова. В следующем разделе процесс описан более детально.

Классификация почвенно-растительного покрова

Последний шаг алгоритма CCDC - классификация почвенно-растительного покрова по всем фрагментам в наборе многомерных данных. Инструмент Анализ изменений с помощью CCDC не выполняет этот шаг, но данные инструмента могут быть использованы для инструментов обучения и классификации.

Растр анализа изменений может предложить лучшие результаты классификации для временных рядов, поскольку он содержит спектральную информацию вместе с информацией модели. Когда классы покрова меняются сезонно или ступенчато во времени, коэффициенты гармоник и модели тренда используются в процессе классификации для построения категорий, сгенерированных с использованием спектральных и временных данных.

Обучающие выборки

Для классификации растра анализа изменений, необходимо сначала сгенерировать обучающие выборки, используя Менеджер обучающих выборок. Полигоны обучающей выборки можно создать, используя исходные изображения временных рядов, поскольку растр анализа изменений сложно интерпретировать визуально.

Сгенерируйте обучающие выборки для различных срезов в наборе данных, чтобы отобразить различное время. Измените отображаемый срез с помощью элементов управления на вкладке Многомерность и создайте обучающую выборку для текущего среды, чтобы включить время среза в атрибуты обучающей выборки. Важно захватить обучающие выборки для классов, которые существуют только в определенных срезах, например, класс Deciduous Trees существует только в теплые месяцы.

Количество и распределение выборок зависит от изображений, приложения, требований к точности и временных ограничений. В идеале в каждом классе покрытия должно быть одинаковое число выборок, также выборки должны быть равномерно распределены по пространственному экстенту изображений. Для временных рядов растровых изображений необходимы обучающие выборки по нескольким срезам в данных, чтобы спектральную информацию обучающих выборок можно было подогнать к гармоническим кривым, созданным с помощью инструмента Анализ изменений с помощью CCDC. Рекомендуется использовать статистически значимое число обучающих выборок.

Классификация

После захвата обучающих выборок, растр анализа изменений можно классифицировать. Для получения наилучших результатов, рекомендуется использовать один из инструментов классификации машинного обучения, либо Дерево обучающего классификатора, либо Классификатор опорных векторов с обучением, чтобы обучить модель классификации. Входной растр будет выходным растром анализа изменений, сгенерированным инструментом Анализ изменений с помощью CCDC. Обучающие выборки - это те, которые вы получили для растрового набора данных временных рядов.

Наконец, используйте инструмент Классифицировать растр для классификации растра анализа изменений и получите временные ряды растров покрытия в наборе многомерных данных.

Справочная информация

Zhu, Zhe, and 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