Skip to main content

Veränderungen mit CCDC analysieren (Image Analyst Tools)

Zusammenfassung

Überprüft mit der CCDC-Methode (Continuous Detection and Classification) Veränderungen von Pixelwerten im Zeitverlauf und generiert ein Veränderungsanalyse-Raster, das die Modellergebnisse enthält.

Weitere Informationen finden Sie unter Funktionsweise von "Veränderungen mit CCDC analysieren"

Verwendung

  • Der Algorithmus "Continuous Change Detection and Classification" (CCDC, kontinuierliche Erkennung und Klassifizierung von Änderungen) ist ein Verfahren zur Erkennung von Veränderungen der Pixelwerte im Zeitverlauf. Er wurde ursprünglich für eine Zeitserie von Multiband-Landsat-Bilddaten entwickelt und wird verwendet, um Veränderungen der Landbedeckung zu erkennen und die Bedeckung vor und nach der Veränderung zu klassifizieren. Dieses Werkzeug kann mit Bilddaten von unterstützten Sensoren verwendet werden und dient zudem zur Erkennung von Veränderungen in Einzelband-Raster-Rasterbildern. Dieses Werkzeug kann beispielsweise dazu verwendet werden, Veränderungen in einer Zeitserie von NDVI-Rastern zu erkennen, um Ereignisse der Entwaldung zu identifizieren.

  • Bei der Ausgabe dieses Werkzeugs handelt es sich um Modellinformationen in einem Veränderungsanalyse-Raster, in dem jedes Pixel eine Reihe von Modellinformationen speichert, die den Verlauf dieses Pixels im Laufe der Zeit beschreiben. Das Veränderungsanalyse-Raster ist ein multidimensionales Raster, bei dem jeder Ausschnitt ein Multiband-Raster ist, das aus den Modellkoeffizienten, dem RMS-Fehler (Root Mean Square, quadratisches Mittel) und den beobachteten Veränderungen besteht. Sie kann als Eingabe für das Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen verwendet werden, mit dem ein Raster generiert wird, das Änderungsinformationen für jedes Pixel enthält.

    Die Anzahl der Ausschnitte in der Ausgabe und Eingabe stimmen überein.

  • Das multidimensionale Eingabe-Raster muss mindestens 12 Abschnitte enthalten, die mindestens 1 Jahr abdecken.

  • This tool extracts changes in an observed feature, so the ideal input multidimensional imagery should capture a consistent observation throughout time and should not include atmospheric or sensor interference, clouds, or cloud shadow. The best practice is to use data that has been normalized and can be masked using a QA band—Es hat sich bewährt, Daten zu verwenden, die normalisiert wurden und mit einem QA-Band maskiert werden können, z. B. Landsat-Produkte der 1. Sammlung zur Oberflächenreflexion mit einer Wolkenmaskierung.

  • Um die im ausgegebenen Veränderungsanalyse-Raster berechneten Veränderungen zu erkunden, erstellen Sie ein zeitliches Profildiagramm. Erstellen Sie Diagramme für verschiedene Standorte im Veränderungsanalyse-Raster, um festzustellen, wo die Veränderungen aufgetreten sind. Für veränderte Pixel zeigt das Diagramm Teilungspunkte, an denen das angepasste Regressionsmodell für die Pixelwerte im Zeitverlauf auf ein neues Modell übertragen wurde, was eine Veränderung kennzeichnet. Sie können den Mauszeiger über die Punkte im Diagramm bewegen, um das Datum der Modelländerung zu bestimmen.

  • Das Ausgabe-Veränderungsanalyse-Raster kann auch zur Klassifizierung verwendet werden. Führen Sie dieses Werkzeug aus, um ein Veränderungsanalyse-Raster zu generieren. Erstellen Sie anschließend Trainingsgebiete mit einem Zeitfeld, um den Zeitpunkt anzugeben, zu dem das Beispiel die Bodenbedeckung widerspiegelt. Führen Sie anschließend ein Werkzeug aus, um eine Classifier Definition-Datei (.ecd) zu generieren. Führen Sie abschließend das Werkzeug Raster klassifizieren aus, wobei Sie die .ecd-Datei und das Veränderungsanalyse-Raster als Eingaben verwenden, um ein multidimensionales klassifiziertes Raster zu generieren.

  • Mit dem Parameter Bänder für zeitbezogene Maskierung werden die zu verwendenden Bänder für Wolken-, Wolkenschatten- und Schneemaskierung angegeben. Da Wolkenschatten und Schnee im Kurzwelleninfrarotband (SWIR) dunkel angezeigt werden und Wolken und Schnee im grünen Band hell sind, empfiehlt es sich, dass Sie die Bandindizes für die SWIR- und grünen Bänder maskieren.

  • Mit dem Parameter Aktualisierungshäufigkeit für Anpassung (in Jahren) wird definiert, wie häufig das Zeitserienmodell mit neuen Beobachtungen aktualisiert wird. Eine häufige Aktualisierung eines Modells kann rechenintensiv sein, während der Nutzen nur minimal ist. Beispiel: Wenn es im multidimensionalen Raster 365 Ausschnitte oder eindeutige Beobachtungen pro Jahr gibt und die Aktualisierungshäufigkeit pro Beobachtung festgelegt ist, ist die Verarbeitung 365 Mal rechenintensiver als eine einmalige Aktualisierung pro Jahr, aber die Genauigkeit ist möglicherweise nicht höher.

  • Die Ausführung dieses Werkzeugs kann einige Zeit in Anspruch nehmen und erfordert viel Speicherplatz zum Speichern der Ergebnisse. Um die Verarbeitungszeit zu verkürzen und den Speicherplatzbedarf zu verringern, werden folgende Schritte empfohlen:

    • Deaktivieren Sie die Umgebung "Pyramide". Deaktivieren Sie im Bereich Umgebung das Kontrollkästchen Pyramiden berechnen, oder legen Sie in Python NONE als Umgebung fest.

    • Legen Sie die Umgebung "Kompression" auf LERC fest, und setzen Sie Max. Fehler auf 0,000001.

    • Wenn Sie beabsichtigen, das Werkzeug Veränderung mit "Veränderungsanalyse-Raster erkennen" mehrfach auf die Ausgabe dieses Werkzeugs anzuwenden, wird empfohlen, eine multidimensionale Umgruppierung des Ergebnisses zu erstellen.

  • Dieses Werkzeug generiert ein multidimensionales Raster-Dataset im Cloud-Raster-Format (CRF). Aktuell werden keine anderen Ausgabeformate unterstützt.

Parameter

Beschriftung Erläuterung Datentyp

Multidimensionales Eingabe-Raster

Das als Eingabe verwendete multidimensionale Raster-Dataset.

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service

Bänder für die Erkennung von Änderungen

(Optional)

Die für die Änderungserkennung zu verwendenden Band-IDs. Wenn keine Band-IDs angegeben werden, werden alle Bänder aus dem Eingabe-Raster-Dataset verwendet.

Long

Bänder für zeitbezogene Maskierung

(Optional)

Die für die zeitbezogene Maskierung (Tmask) zu verwendenden Band-IDs. Es wird empfohlen, das grüne und das SWIR-Band zu verwenden. Wenn keine Band-IDs angegeben werden, erfolgt keine Maskierung.

Long

Chi-Quadrat-Schwellenwert für die Erkennung von Änderungen

(Optional)

Der Schwellenwert für die Veränderungswahrscheinlichkeit der Chi-Quadrat-Statistik. Wenn eine Beobachtung eine berechnete Veränderungswahrscheinlichkeit über diesem Schwellenwert aufweist, wird sie als Abweichung gekennzeichnet und stellt ein mögliches Veränderungsereignis dar. Der Standardwert ist 0,99.

Double

Minimum der aufeinanderfolgenden beobachteten Abweichungen

(Optional)

Die minimale Anzahl der aufeinanderfolgenden beobachteten Abweichungen, die eingetreten sein muss, bevor ein Ereignis als Veränderung angesehen wird. Ein Pixel muss für die angegeben Anzahl von aufeinanderfolgenden Zeitintervallen als Abweichung gekennzeichnet werden, bevor es als wahre Veränderung betrachtet wird. Der Standardwert ist 6.

Long

Aktualisierungshäufigkeit für Anpassung (in Jahren)

(Optional)

Die Häufigkeit in Jahren, mit der das Zeitserienmodell mit neuen Beobachtungen aktualisiert werden soll. Der Standardwert ist 1.

Double

Rückgabewert

Beschriftung Erläuterung Datentyp

CCDC-Analyse-Ausgabe-Raster

Das multidimensionale Ausgabe-Raster-Dataset im Cloud Raster Format (CRF).

Das ausgegebene Veränderungsanalyse-Raster, das Modellinformationen aus der CCDC-Analyse enthält.

Raster

Umgebungen

Zellengröße, Komprimierung, Aktueller Workspace, Geographische Transformationen, NoData, Ausgabe-CONFIG-Schlüsselwort, Ausgabe-Koordinatensystem, Ausdehnung, Faktor für parallele Verarbeitung, Pyramide, Raster-Statistiken, Resampling-Methode, Scratch-Workspace, Fang-Raster, Kachelgröße

Lizenzierungsinformationen

  • Basic: Erfordert "Image Analyst"
  • Standard: Erfordert "Image Analyst"
  • Advanced: Erfordert "Image Analyst"