Анализировать изменения с помощью LandTrendr (Инструменты Image Analyst)
Краткая информация
Оценивает изменения в значениях пикселов во времени с использованием метода обнаружения трендов нарушений и восстановлений на базе Landsat (LandTrendr) и создает растр анализа изменений, содержащий результаты модели.
Использование
Алгоритм LandTrendr – это метод определения изменения значений пикселов с течением времени. Он был разработан для временных рядов многоканальных изображений Landsat и используется для обнаружения изменений и классификации почвенно-растительного покрова до и после того, как это изменение произошло. Этот инструмент можно использовать с изображениями с поддерживаемых датчиков, а также для обнаружения изменений в одноканальных растрах. Например, этот инструмент можно использовать для обнаружения изменений во временных рядах растров NDVI для выявления событий вырубки лесов.
Алгоритм LandTrendr извлекает траекторию временного ряда для каждого пиксела во времени, используя информацию о значении пиксела из одного спектрального канала или спектрального индекса. Затем траектория сегментируется для фиксации и моделирования периодов отсутствия изменений, изменений и восстановления после изменений.
Результатом работы этого инструмента является информация о модели в растре анализа изменений, где каждый пиксел хранит набор информации о модели, который описывает историю этого пиксела с течением времени. Растр анализа изменений - это многомерный растр, в котором каждый срез представляет собой многоканальный растр, состоящий из коэффициентов модели, среднеквадратичной ошибки (RMSE) и наблюдаемых изменений. Его можно использовать в качестве входных данных для инструмента [Определить изменения, используя растр анализа изменений], который создает растр, содержащий информацию об изменениях для каждого пиксела.
В анализе есть один срез для каждого года.
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—например, продукты Landsat Collection 1 Surface Reflectance с облачной маской.
Инструмент выполняет анализ одного изображения в год, и количество годовых срезов должно быть больше или равно значения, указанного в параметре Минимальное число наблюдений. Рекомендуется наличие данных не менее, чем за шесть лет.
Если у вас есть ежемесячные, еженедельные или ежедневные данные, рекомендуется выбирать несколько изображений за каждый год (желательно из одного и того же сезона), удалять облака и тени облаков и объединять изображения для создания одного изображения, хорошо отражающего наблюдения. Если в качестве входного многомерного растра предоставлены ежемесячные, недельные или ежедневные данные, инструмент определит один срез для анализа на основе даты, наиболее близкой к той, что указана в параметре Дата привязки.
Для восстановления какого-либо ландшафтного объекта после непостоянного изменения, такого как лесной пожар или нашествие насекомых, часто требуется время. Для управления скоростью восстановления, распознаваемого моделью, задайте параметр Порог восстановления. У отдельного сегмента не может быть скорость восстановления выше порога 1/восстановление.
Восстановление после изменения ландшафта может происходить в положительном или отрицательном направлении. Например, когда в ландшафте наблюдается исчезновение лесов, временной ряд значений индекса растительности показывает снижение значений индекса, а восстановление показывает постепенное увеличение значений индекса растительности или положительную тенденцию восстановления. Укажите направление тренда восстановления при помощи параметра Восстановление содержит возрастающий тренд.
Чтобы изучить изменения, вычисленные в растре анализа выходных изменений, создайте диаграмму временного профиля. Постройте графики для различных местоположений в растре анализа изменений, используя канал Подходящее значение или канал Уклон, чтобы увидеть, где произошли изменения. Вы можете навести курсор на точки на графике, чтобы определить дату изменения модели.
Работа этого инструмента может занять много времени, и для хранения результатов потребуется значительное дисковое пространство. Чтобы сократить время обработки и уменьшить объем дискового пространства, рекомендуется выполнить следующие действия:
Отключите настройку среды Пирамидные слои. Снимите отметку Построить пирамидные слои на панели Параметры среды или установите для параметра среды значение
NONEв Python.Установите параметр среды Сжатие как LERC, а Максимальную ошибку как 0,000001.
Если вы планируете запускать инструмент Определить изменения, используя растр анализа изменений для выходных данных этого инструмента несколько раз, рекомендуется построить многомерный транспонированный результат.
Этот инструмент создает многомерный набор растровых данных в формате Cloud Raster Format (CRF). В настоящее время другие форматы выхода не поддерживаются.
Параметры
| Подпись | Объяснение | Тип данных |
|---|---|---|
|
Входной многомерный растр |
Входной многомерный набор растровых данных. |
Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; File |
|
Имя канала обработки (Дополнительный) |
Имя канала изображений, используемого для сегментирования траекторий значений пикселов во времени. Выберите имя канала, который лучше всего фиксирует изменения объекта, за которым вы хотите наблюдать. Если значение канала не указано, а входные данные – многоканальное изображение, будет использоваться первый канал в многоканальном изображении. |
String |
|
Дата привязки (Дополнительный) |
Дата, используемая для идентификации среза для каждого года во входном многомерном наборе данных. Будет использован срез с датой, ближайшей к дате привязки. Этот параметр является обязательным, если входной набор данных содержит данные за полугодие. Значение по умолчанию – 30.06 или 30 июня, то есть примерно в середине календарного года. |
String |
|
Максимальное число сегментов (Дополнительный) |
Максимальное количество сегментов, которые можно подогнать к временному ряду для каждого пиксела. Значение по умолчанию равно 5. |
Long |
|
Порог превышения количества вершин (Дополнительный) |
Количество дополнительных вершин сверх значения Максимальное число сегментов + 1, которое может быть использовано для выстраивания модели на начальном этапе идентификации вершин. Позже в процессе моделирования количество дополнительных вершин будет уменьшено до значения Максимальное число сегментов + 1. Значение по умолчанию равно 2. |
Long |
|
Пиковый порог (Дополнительный) |
Порог, используемый для подавления выбросов или аномалий на траектории значений пикселов. Значение должно находиться в диапазоне от 0 до 1, где 1 означает отсутствие демпфирования. По умолчанию – 0,9. |
Double |
|
Порог восстановления (Дополнительный) |
Пороговое значение восстановления в годах. Если у сегмента скорость восстановления выше, чем |
Double |
|
Исключить восстановление за год (Дополнительный) |
Указывает, будут ли исключены сегменты, для которых восстановление составляет один год.
|
Boolean |
|
Восстановление имеет растущую тенденцию (Дополнительный) |
Указывает, имеет ли восстановление растущий (положительный) тренд.
|
Boolean |
|
Минимальное число наблюдателей (Дополнительный) |
Минимальное количество достоверных наблюдений, необходимых для выполнения выстраивания. Количество лет во входном многомерном наборе данных должно быть равно или больше этого значения. По умолчанию это значение равно 6. |
Long |
|
Лучшая пропорция модели (Дополнительный) |
Лучшее значение пропорции модели. Во время процесса выбора модели инструмент вычислит p-значение для каждой модели и идентифицирует модель с наибольшим количеством вершин, сохраняя при этом наименьшее (наиболее значимое) p-значение на основе этого значения пропорции. Значение 1 означает, что модель имеет наименьшее p-значение, но может не иметь большого количества вершин. По умолчанию – 1,25. |
Double |
|
Пороговое p-значение |
Пороговое p-значение для выбираемой модели. После того, как вершины будут обнаружены на начальном этапе подбора модели, инструмент подберет каждый сегмент и вычислит p-значение, чтобы определить значимость модели. На следующей итерации модель уменьшит количество сегментов на единицу и пересчитает p-значение. Это будет продолжаться, и, если p-значение меньше, чем значение, указанное в этом параметре, модель будет выбрана, и инструмент прекратит поиск лучшей модели. Если такая модель не выбрана, инструмент выберет модель с p-значением меньшим |
Double |
|
Включить другие каналы (Дополнительный) |
Указывает, будут ли другие каналы включены в процесс сегментации.
|
Boolean |
Возвращаемое значение
| Подпись | Объяснение | Тип данных |
|---|---|---|
|
Выходной многомерный растр |
Выходной многомерный набор растровых данных Cloud Raster Format (CRF). Выходной растр анализа изменений, содержащий информацию о модели из анализа LandTrendr. |
Raster |
Параметры среды
Размер ячейки, Сжатие, Текущая рабочая область, Географические преобразования, NoData, Выходное ключевое слово конфигурации, Выходная система координат, Экстент, Коэффициент параллельной обработки, Пирамидный слой, Статистика растра, Метод пересчета, Временная рабочая область, Растр привязки, Размер листа
Информация о лицензировании
- Basic: Требуется Image Analyst
- Standard: Требуется Image Analyst
- Advanced: Требуется Image Analyst