Funktionsweise von "Änderungen mit CCDC analysieren"

Mit Image Analyst-Lizenz verfügbar.

Das Werkzeug Änderungen mit CCDC analysieren kann in Kombination mit dem Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen verwendet werden, um Änderungen von Pixelwerten im Zeitverlauf zu identifizieren und dadurch Veränderungen der Landnutzung oder Landbedeckung zu ermitteln.

Kontinuierliche Änderungserkennung

Das Werkzeug Änderungen mit CCDC analysieren nutzt den CCDC-Algorithmus (Continuous Change Detection and Classification, Kontinuierliche Änderungserkennung und -klassifizierung) (Zhu and Woodcock, 2014), um Änderungen der Pixelwerte im Zeitverlauf für einen Bilder-Stack zu bewerten. In einer Zeitserie aus optischen Bilddaten oder -ableitungen (z. B. NDVI) können die Pixelwerte aus verschiedenen Gründen schwanken:

• Jahreszeitenwechsel: Veränderungen der Pixelwerte spiegeln Veränderungen in der Vegetation wider, die auf saisonale Schwankungen bei Temperatur, Sonneneinstrahlung und Niederschlag zurückzuführen sind. Auf der Nordhalbkugel ist beispielsweise zu erwarten, dass die grüne Vegetationsdichte im Sommer höher ist als im Winter.

• Allmähliche Veränderungen: Veränderungen der Pixelwerte spiegeln Trends in der Vegetation oder im Oberflächenwasser wider, bedingt durch Klimavariabilität oder langfristige Landbewirtschaftungspraktiken. Beispielsweise kann sich die Fläche des Bodens ohne Bewuchs aufgrund eines langfristigen Rückgangs der Niederschlagsmenge allmählich vergrößern.

• Abrupte Veränderungen: Veränderungen der Pixelwerte spiegeln Veränderungen der Landbedeckung wider, die plötzlich aufgrund von Entwaldung, Stadtentwicklung, Naturkatastrophen usw. auftreten.

Der CCDC-Algorithmus erkennt alle drei Arten von Veränderungen, wobei sein Hauptzweck darin besteht, abrupte Veränderungen zu identifizieren. Anhand harmonischer Regressions- und Trendmodelle werden jahreszeitliche und allmähliche Veränderungen geschätzt; plötzliche Abweichungen von den Trendmodellen deuten auf abrupte Veränderungen hin.

Eingabedatentypen

Der CCDC-Algorithmus wurde für Oberflächenreflexions- oder Strahlungstemperaturdaten von Landsat TM, Landsat ETM+ und Landsat OLI entwickelt. Das Werkzeug Änderungen mit CCDC analysieren erkennt jedoch Änderungen sowohl bei Multiband-Bilddaten aller unterstützten Sensoren als auch bei Ableitungen von Einzelband-Bilddaten, wie beispielsweise Bandindizes. Beispielsweise können Sie eine kontinuierliche Änderungserkennung an einem NDVI-Raster (Normalized Difference Vegetation Index) durchführen, da abrupte Veränderungen des NDVI auf Entwaldung oder anderen plötzlichen Vegetationsverlust hindeuten können.

Wolken, Wolkenschatten und Schnee

Die Erkennung von Änderungen der Landbedeckung kann durch das Vorhandensein von Wolken, Wolkenschatten und Schnee in einer Zeitserie von Bilddaten der Fernerkundung erschwert werden. Diese betroffenen Pixel in der Zeitserie müssen maskiert werden, um zu verhindern, dass eine Wolke oder ein Schneeflecken fälschlicherweise als Veränderung der Landbedeckung ausgewiesen werden. Da Wolkenschatten und Schnee im Kurzwelleninfrarotband (SWIR) sehr dunkel dargestellt werden und Wolken und Schnee im grünen Band sehr hell sind, werden diese beiden Bänder in einem robusten RIRLS-Modell (Iterative Reweighted Least Squares) verwendet, um diese Effekte zu maskieren. Das Modell generiert Zeitseriendiagramme der Grün- und SWIR-Bänder, und die Modellergebnisse werden mit den tatsächlichen Pixelwerten verglichen, um Ausreißer zu ermitteln, die anschließend maskiert und aus der Analyse entfernt werden.

Änderungserkennung

Die jahreszeitlichen und allmählichen Veränderungen der Pixelwerte im Zeitverlauf werden für jedes Band der Bilddaten mithilfe der Methode der kleinsten Quadrate (Ordinary Least Squares, OLS) modelliert. Die Differenz zwischen dem vorhergesagten, modellierten Pixelwert und dem tatsächlichen Pixelwert wird berechnet. Wenn die Differenz zwischen den Werten dreimal so groß ist wie der Root Mean Square Error (RMSE), wird dieses Pixel als möglicher Fall einer Änderung der Landbedeckung markiert.

Anschließend wird anhand der Anzahl aufeinanderfolgender Beobachtungen geprüft, ob es sich bei der potenziellen Veränderung der Landbedeckung tatsächlich um eine Veränderung handelt. Wenn der Wert eines Pixels nur einmal deutlich von den Modellergebnissen abweicht, handelt es sich wahrscheinlich um einen Ausreißer. Wenn der Wert des Pixels für eine bestimmte Anzahl aufeinanderfolgender Beobachtungen deutlich von den Modellergebnissen abweicht, betrachtet der Algorithmus dieses Pixel als verändert. Die Mindestanzahl aufeinanderfolgender Beobachtungen kann im Werkzeug Änderungen analysieren mit CCDC mit dem Parameter Minimale aufeinanderfolgende Anomaliebeobachtungen gesteuert werden.

Die Ausgabe des Werkzeugs Änderungen mit CCDC analysieren ist ein Veränderungsanalyse-Raster, das die Modellkoeffizienten enthält. Da dies visuell schwer zu erfassen sein kann, gibt es mehrere andere Möglichkeiten, die Daten zu interpretieren:

• Erstellen Sie ein zeitliches Profildiagramm, um Pixeländerungen im Zeitverlauf zu erkunden. Das Veränderungsanalyse-Raster zeigt Pixel mit ähnlichen Farben an, wenn sie ähnliche Veränderungsmuster aufweisen.

• Verwenden Sie das Veränderungsanalyse-Raster als Eingabe für das Werkzeug Veränderung mit Veränderungsanalyse-Raster erkennen, um zu bestimmen, wann und wie oft ein Pixel für Veränderungen der Landbedeckung markiert wurde.

• Erstellen Sie Trainingsgebiete und verwenden Sie das Veränderungsanalyse-Raster zur Bildklassifizierung. Neben den Modellkoeffizienten enthält das Veränderungsanalyse-Raster auch die spektralen Informationen, die zur Klassifizierung von Landbedeckungstypen erforderlich sind. Der nächste Abschnitt beschreibt diesen Prozess ausführlicher.

Klassifizierung der Landbedeckung

Der letzte Schritt im CCDC-Algorithmus besteht darin, die Landbedeckung für alle Abschnitte in Ihrem multidimensionalen Dataset zu klassifizieren. Das Werkzeug Änderungen mit CCDC analysieren führt diesen Schritt nicht durch, doch die Ausgabe des Werkzeugs kann als Eingabe für die Trainings- und Klassifizierungswerkzeuge verwendet werden.

Das Veränderungsanalyse-Raster kann bessere Klassifizierungsergebnisse für Zeitserienraster liefern, da es neben Modellinformationen auch spektrale Informationen einbezieht. Wenn sich die Klassen der Landbedeckung jahreszeitlich oder im Zeitverlauf allmählich verändern, fließen die Koeffizienten des harmonischen und des Trendmodells in den Prozess der Klassifizierung ein, um Landbedeckungskategorien zu generieren, die anhand spektraler und zeitlicher Daten generiert wurden.

Trainingsgebiete

Um das Raster der Veränderungsanalyse zu klassifizieren, müssen Sie zunächst Trainingsgebiete mit dem Trainingsgebiet-Manager generieren. Polygone aus Trainingsgebieten können mit den ursprünglichen Zeitserienbilddaten als Referenz erstellt werden, da das Veränderungsanalyse-Raster visuell schwer zu interpretieren ist.

Erstellen Sie Trainingsgebiete für verschiedene Abschnitte im Dataset, um unterschiedliche Zeiten widerzuspiegeln. Ändern Sie den aktuell angezeigten Abschnitt mit den Steuerelementen auf der Registerkarte Multidimensional-Tab, und erstellen Sie ein Trainingsgebiet für den aktuell angezeigten Abschnitt, um die Zeit des Abschnitts in die Attribute des Trainingsgebiets einzubeziehen. Es ist wichtig, Trainingsgebiete für Klassen zu erfassen, die nur in bestimmten Abschnitten vorhanden sind, zum Beispiel für eine Deciduous Trees-Klasse, die nur in wärmeren Monaten bestehen.

Die Anzahl und Verteilung der Proben hängt von Faktoren wie Bilddaten, Anwendung, Genauigkeitsanforderungen und Zeiteinschränkungen ab. Idealerweise sollte in jeder Landbedeckungsklasse eine ähnliche Anzahl von Gebieten vorhanden und die Gebiete gleichmäßig über die räumliche Ausdehnung der Bilddaten verteilt sein. Für eine Zeitserie von Rasterbildern sollte es Trainingsgebiete über mehrere Abschnitte in den Daten geben, sodass die spektralen Informationen der Trainingsgebiete entlang der harmonischen Kurven angepasst werden können, die mit dem Werkzeug Veränderungen mit CCDC analysieren modelliert werden. Eine statistisch signifikante Anzahl von Trainingsgebieten wird empfohlen.

Klassifizierung

Nach der Erfassung der Trainingsgebiete kann das Veränderungsanalyse-Raster klassifiziert werden. Für optimale Ergebnisse wird empfohlen, eines der Geoverarbeitungswerkzeuge für maschinelles Lernen zu verwenden, entweder Random-Trees-Klassifikator trainieren oder Support Vector Machine-Klassifikator trainieren, um das Klassifizierungsmodell zu trainieren. Das Eingaberaster ist das Veränderungsanalyse-Raster aus dem Werkzeug Änderungen mit CCDC analysieren. Die Trainingsgebiete sind die, die Sie für das Zeitserien-Raster-Dataset gesammelt haben.

Schließlich verwenden Sie das Werkzeug Raster klassifizieren, um das Veränderungsanalyse-Raster zu klassifizieren, was zu einer Zeitserie von Landbedeckungs-Rastern in einem multidimensionalen Dataset führt.

Referenzen

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