使用 CCDC 分析变化的原理

获得 Image Analyst 许可后可用。

使用 CCDC 分析变化工具与使用变化分析栅格检测变化工具配合使用,可用于识别像素值随时间的变化,以指示土地使用或土地覆被的变化。

连续变化检测

使用 CCDC 分析变化工具使用“连续变化检测和分类”(CCDC) 算法(Zhu 和 Woodcock,2014)来评估堆叠图像的像素值随时间的变化。在光学影像或影像导数(例如 NDVI)的时间序列中,像素值可能会因以下几个原因而波动:

  • 季节性变化 - 像素值变化反映了由于温度、阳光和降水量的季节性变化而导致的植被变化。例如,在北半球,预计夏季的绿色植被密度要高于冬季。
  • 逐渐变化 - 像素值变化反映了由于气候变化或长期土地管理实践而引起的植被或地表水趋势。例如,由于降水量的长期减少,裸土面积可能会逐渐增加。
  • 突然变化 - 像素值变化反映了森林砍伐、城市发展、自然灾害等事件导致的突然发生的土地覆被变化。

CCDC 算法可以识别所有三种变化类型,其主要目的是识别突变。可将谐波回归和趋势模型拟合到数据中,以估计季节性变化、逐渐变化,自趋势模型的突然偏差是突然变化的表示。

输入数据类型

CCDC 算法用于 Landsat TM、Landsat ETM+ 和 Landsat OLI 数据表面反射率或亮度温度数据。但是,使用 CCDC 分析变化工具将检测来自任何受支持传感器的多波段影像以及单波段影像导数(例如波段指数)的变化。例如,您可以对归一化差异植被指数 (NDVI) 栅格执行连续变化检测,因为 NDVI 中的突然变化可能表示森林砍伐或其他突然发生的植被损失。

云、云阴影和雪

在遥感影像的时间序列中,由于云、云阴影和雪的存在,土地覆被变化检测可能会变得复杂。必须为时间序列中的这些受影响的像素创建掩膜,以防止将云或一片雪错误地标记为土地覆被变化。由于云阴影和雪在短波红外 (SWIR) 波段中显得很暗,而云和雪在绿色波段中显得很亮,因此可将这两个波段用于稳健的迭代加权最小二乘法 (RIRLS) 模型以创建这些现象的掩膜。该模型生成绿色和 SWIR 波段的时间序列图,并将模型结果与实际像素值进行比较以确定异常值,然后创建掩膜以将其从分析中移除。

变化检测

使用普通最小二乘法 (OLS) 为影像中的每个波段随时间变化的像素值的季节性变化和逐渐变化建模。随即将计算预测的建模像素值和真实像素值之间的差异。当值之间的差异大于均方根误差 (RMSE) 的三倍时,该像素将被标记为可能发生土地覆被变化。

然后将根据连续观测的数量,评估潜在的土地覆被变化是是否为真实变化。如果像素值与模型结果仅有一次标记为不同,则可能是异常值。如果对于给定数量的连续观察,像素值与模型结果明显不同,则该算法认为该像素已发生变化。可以在使用 CCDC 分析变化工具中通过最小连续异常观测次数参数控制连续观察的最少次数。

像素值随时间的突然变化,因季节性因素造成

使用 CCDC 分析变化工具的输出是包含模型系数的变化分析栅格。这可能很难直观地解释,因此还有其他几种解释数据的方式:

  • 创建一个时间分布图探索像素随时间的变化。如果变化像素具有相似的变化模式,则变化分析栅格将显示具有相似颜色的像素。
  • 使用变化分析栅格作为使用变化分析栅格检测变化工具的输入,以确定像素被标记为土地覆被变化的时间和频率。
  • 创建训练样本并使用变化分析栅格以执行图像分类。除模型系数外,变化分析栅格还包含分类土地覆被类型所需的光谱信息。以下示意图详细介绍了此过程:

土地覆被分类

CCDC 算法的最后一步是对多维数据集中所有切片的土地覆被进行分类。使用 CCDC 分析变化工具不会执行此步骤,但是可以将此工具的输出用作训练和分类工具的输入。

变化分析栅格可以为时间序列栅格提供更好的分类结果,因为除模型信息之外该栅格还包含光谱信息。当土地覆被类随季节变化或随时间逐渐变化时,谐波和趋势模型系数会通知分类过程,以生成利用光谱和时态数据生成的土地覆被类别。

训练样本

要对变化分析栅格进行分类,必须首先使用训练样本管理器生成训练样本。可以使用原始时间序列影像作为参考来创建训练样本面,因为变化分析栅格很难直观地解释。

为数据集中的不同切片生成训练样本以反映不同的时间。使用多维选项卡上的控件更改当前显示的切片,并为当前显示的切片创建训练样本以将切片时间加入训练样本属性中。对于仅存在于特定切片中的类,捕获训练样本非常重要,例如,仅在较温暖月份中存在的 Deciduous Trees 类。

样本的数量和分布取决于您的影像、应用程序、准确性要求和时间限制。理想情况下,每个土地覆被类中应有相似数量的样本,并且样本应在影像的整个空间范围内均匀分布。对于栅格影像的时间序列,数据中应有多个切片的训练样本,因此训练样本的光谱信息可以与使用 CCDC 分析变化工具建模的谐波曲线拟合。建议使用具有统计显著性数量的训练样本。

分类

捕获训练样本后,可以对变化分析栅格进行分类。为了获得最佳结果,建议您使用其中一种机器学习分类器地理处理工具(训练随机树分类器训练支持向量机分类器)以训练分类模型。输入栅格是由使用 CCDC 分析变化工具生成的变化分析栅格。训练样本将是您为时间序列栅格数据集采集的样本。

最后,使用分类栅格工具可以对变化分析栅格进行分类,从而在多维数据集中生成土地覆被栅格的时间序列。

参考文献

Zhu Zhe 和 Curti. E. Woodcock。“使用所有可用的 Landsat 数据对土地覆被进行连续变化检测和分类。” Remote Sensing of Environment 144 (2014) 152-171。

Zhu Zhe,Junxue Zhang,Zhiqiang Yang,Amal H. Aljaddani,Warren B. Cohen,Shi Qiu 和 Congliang Zhou。“根据 Landsat 时间序列对土地干扰进行连续监测。” Remote Sensing of Environment 238 (2020): 111116