Skip to main content

Analyser les modifications avec l’algorithme CCDC (Outils Image Analyst)

Résumé

Évalue les modifications dans les valeurs de pixels au fil du temps à l’aide de la méthode CCDC (Continuous Change Detection and Classification) et génère un raster d’analyse des changements contenant les résultats du modèle.

En savoir plus sur le fonctionnement de l’analyse des changements avec l’algorithme CCDC

Utilisation

  • L’algorithme CCDC (Continuous Change Detection and Classification) permet d’identifier les changements des valeurs de pixel au fil du temps. Développé à l’origine pour une série chronologique d’imagerie Landsat multibande, il sert à détecter les changements et à classer l’occupation du sol avant et après la modification. Vous pouvez utiliser cet outil avec des images issues de capteurs pris en charge, ainsi que pour détecter des changements sur des rasters monobandes. Par exemple, cet outil peut servir à détecter des changements dans une série temporelle de rasters NDVI, afin d’identifier les événements liés à la déforestation.

  • Cet outil a pour sortie des informations de modèle dans un raster d’analyse des changements dans lequel chaque pixel stocke un ensemble d’informations de modèle décrivant l’historique du pixel au fil du temps. Le raster d’analyse des changements est un raster multidimensionnel dans lequel chaque tranche est un raster multibande composé des coefficients de modèle, de l’erreur quadratique moyenne (EQM) et des changements observés. Il peut être utilisé comme entrée pour l’outil [Detect Change Using Change Analysis Raster (Détecter les modifications à l’aide du raster d’analyse des changements)], ce qui génère un raster contenant des informations sur les changements pour chaque pixel.

    Le nombre de tranches dans la sortie correspond au nombre de tranches dans l’entrée.

  • Le raster multidimensionnel en entrée doit comporter au moins 12 tranches, qui englobent au moins 1 année.

  • 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—comme les produits de réflectance de surface Landsat Collection 1 avec un masque de nuage.

  • Pour explorer les changements calculés dans le raster d’analyse des changements en sortie, créez un diagramme de profil temporel. Générez des graphiques pour diverses localisations dans le raster d’analyse des changements pour voir à quels moments des changements ont eu lieu. Pour les pixels ayant changé, le graphique présentera des interruptions là où le modèle de régression ajusté des valeurs de pixel au fil du temps a évolué vers un nouveau modèle, indiquant un changement. Vous pouvez passer le pointeur de la souris sur les points du graphique pour identifier la date à laquelle le modèle a changé.

  • Le raster d’analyse des changements en sortie peut également servir à la classification. Exécutez cet outil pour générer un raster d’analyse des changements. Créez ensuite des échantillons d’entraînement à l’aide d’un champ temporel pour indiquer l’heure à laquelle l’échantillon représente l’occupation du sol. Ensuite, exécutez un outil d’entraînement pour générer un fichier de définition de classificateur (.ecd). Enfin, exécutez l’outil Classify Raster (Classer le raster) avec le fichier .ecd et le raster d’analyse des changements en entrée pour générer un raster classé multidimensionnel.

  • Le paramètre Bands for Temporal Masking (Bandes pour le masquage temporel) spécifie les canaux à utiliser pour le masquage des nuages, de l’ombre des nuages et de la neige. L’ombre des nuages et la neige paraissant sombres dans la bande à onde courte infrarouge (SWIR) et les nuages et la neige étant lumineux dans la bande verte, il est recommandé de masquer les index de la bande SWIR et de la bande verte.

  • Le paramètre Updating Fitting Frequency (in years) [Mise à jour de la fréquence d’ajustement (en années)] définit la fréquence à laquelle le modèle de série chronologique est mis à jour avec de nouvelles observations. La mise à jour fréquente d’un modèle sollicite d’importantes ressources pour un avantage minimal. Si, par exemple, le raster multidimensionnel contient 365 tranches ou observations claires par an et que la fréquence de mise à jour concerne chacune de ces observations, le traitement demandera 365 fois plus de calculs qu’une mise à jour annuelle, sans pour autant que la précision ne soit supérieure.

  • L’exécution de cet outil peut prendre longtemps et le stockage des résultats peut nécessiter une grande quantité d’espace disque. Pour réduire le temps de traitement et la quantité d’espace de stockage requis, nous vous recommandons de procéder comme suit :

    • Désactivez l’environnement Pyramid (Pyramide). Décochez la case Build Pyramids (Créer des pyramides) dans la fenêtre Environment (Environnement) ou définissez l’environnement sur NONE dans Python.

    • Définissez l’environnement Compression sur LERC et le paramètre Max error (Erreur max) sur 0,000001.

    • Si vous pensez exécuter plusieurs fois l’outil Detect Change Using Change Analysis Raster (Détecter les modifications à l’aide d’un raster d’analyse des changements) sur la sortie de cet outil, il est recommandé de générer une transposition multidimensionnelle sur le résultat.

  • Cet outil crée un jeu de données raster multidimensionnel au format Cloud Raster Format (CRF). Actuellement, aucun autre format en sortie n’est pris en charge.

Paramètres

Etiqueter Explication Type de données

Raster multidimensionnel en entrée

Jeu de données raster multidimensionnel en entrée.

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

Bandes pour la détection de changements

(Facultatif)

ID des bandes à utiliser pour la détection des changements. Si aucun ID de bande n’est fourni, toutes les bandes du jeu de données raster en entrée sont utilisées.

Long

Bandes pour le masquage temporel

(Facultatif)

Identifiants de bandes à utiliser dans le masque temporel (Tmask). Nous vous recommandons d’utiliser la bande verte et la bande SWIR. Si aucun ID de bande n’est fourni, aucun masquage n’est appliqué.

Long

Seuil du khi deux pour la détection des changements

(Facultatif)

Seuil de probabilité de changements de la statistique du khi carré. Si une observation a une probabilité de changements calculée au-delà de ce seuil, elle est indiquée comme anomalie, ce qui est un événement de changement potentiel. La valeur par défaut est 0,99.

Double

Observations des anomalies consécutives minimales

(Facultatif)

Nombre minimum des observations d’anomalies consécutives qui doivent survenir avant qu’un événement soit considéré comme un changement. Un pixel doit être indiqué comme une anomalie pour le nombre spécifié d’intervalles consécutifs avant qu’il soit considéré comme un véritable changement. La valeur par défaut est 6.

Long

Mise à jour de la fréquence de pertinence (en années)

(Facultatif)

Fréquence, en années, des mises à jour du modèle de séries chronologiques avec de nouvelles observations. La valeur par défaut est 1.

Double

Valeur de retour

Etiqueter Explication Type de données

Raster d’analyse CCDC en sortie

Jeu de données raster multidimensionnel CRF (Cloud Raster Format) en sortie.

Raster d’analyse des changements en sortie contenant les informations de modèle issues de l’analyse CCDC.

Raster

Environnements

Taille de cellule, Compression, Espace de travail courant, Transformations géographiques, NoData, Mot-clé CONFIG en sortie, Système de coordonnées en sortie, Étendue, Facteur de traitement parallèle, Pyramide, Statistiques raster, Méthode de rééchantillonnage, Espace de travail temporaire, Raster de capture, Taille de tuile

Informations de licence

  • Basic: Requiert Image Analyst
  • Standard: Requiert Image Analyst
  • Advanced: Requiert Image Analyst