使用 CCDC 分析变化工具的工作原理

需具有 Image Analyst 许可才能使用。

将使用 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与分类 (CCDC) 算法（由 Zhu 和 Woodcock 于 2014 年提出）评估影像堆叠中像素值随时间的变化。在光学影像或影像导数（例如 NDVI）时间序列中，像素值可能因多种原因出现波动：

季节性变化 - 像素值变化反映了植被因温度、日照和降水量等季节性变化发生的变化。例如，在北半球，夏季的绿色植被密度通常高于冬季。
渐进式变化 - 像素值变化反映了植被或地表水因气候变化或长期土地管理措施发生的变化趋势。例如，裸土面积可能因降水量长期下降而逐渐增加。
突然变化 - 像素值变化反映了由于森林砍伐、城市开发、自然灾害等原因导致的土地覆盖突然变化。

CCDC 算法可识别上述所有三种变化类型，主要目的是识别突然变化。将在数据中拟合谐波回归和趋势模型，以估计季节性和渐进式变化，而与趋势模型的突然偏离则表示出现突然变化。

输入数据类型

CCDC 算法专门适用于 Landsat TM、Landsat ETM+ 和 Landsat OLI 数据表面反射率或亮度温度数据。然而，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中的变化，以及波段指数等单波段影像导数。例如，可对归一化差值植被指数 (NDVI) 栅格进行连续变化检测，因为 NDVI 的突然变化可能表示森林砍伐或其他突然的植被损失。

云、云阴影和雪

由于遥感影像时间序列中存在云、云阴影和雪，土地覆盖变化检测可能会变得复杂。必须将时间序列中这些受影响的像素掩膜，以防将云或积雪被错误标记为土地覆盖变化。云阴影和雪在短波红外 (SWIR) 波段中显示为非常暗的颜色，而云和雪在绿色波段中显示为非常亮的颜色，因此这两个波段会被用于稳健的迭代重加权最小二乘法 (RIRLS) 模型中以掩膜这些现象。该模型会生成绿色和 SWIR 波段的时间序列图，模型结果将与实际像素值进行比较以确定异常值，然后对这些异常值进行掩膜并从分析中移除。

变化检测

对于像素值随时间出现的季节性和渐进式变化，将采用普通最小二乘法 (OLS) 对影像中的每个波段进行建模。将计算预测建模像素值与真实像素值之间的差异。当值之间的差异比均方根误差 (RMSE) 大三倍时，该像素被标记为可能发生土地覆盖变化。

然后，根据连续观测次数评估潜在的土地覆盖变化是否真实。如果像素值只有一次与模型结果有明显差异，这很可能是一个异常值。如果在给定数量的连续观测中像素值与模型结果明显不同，算法会将该像素视作发生了变化。可在使用 CCDC 分析变化工具中通过最小连续异常观测次数参数控制最小连续观测次数。

像素值随时间的突然变化（考虑了季节性）

使用 CCDC 分析变化工具将输出包含模型系数的变化分析栅格。这可能难以直观解读，因此还可通过几种其他方法解读数据：

创建时间剖面图，以探索像素随时间的变化。变化分析栅格将以相似颜色显示变化模式相似的像素。
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，确定像素被标记为存在土地覆盖变化的时间和频率。
创建训练样本，并使用变化分析栅格执行影像分类。除了模型系数外，变化分析栅格还包含分类土地覆盖类型所需的光谱信息。下一节将更详细地介绍这一过程。

土地覆盖分类

CCDC 算法的最后一步是对多维数据集中所有时间片的土地覆盖进行分类。 使用 CCDC 分析变化工具不执行此步骤，但该工具的输出可以作为训练和分类工具的输入。

变化分析栅格可以优化时间序列栅格的分类结果，因为它同时包含模型信息和光谱信息。当土地覆盖类随季节或逐渐变化时，谐波和趋势模型系数将指导分类过程生成基于光谱和时间数据生成的土地覆盖类别。

训练样本

要对变化分析栅格进行分类，必须先使用训练样本管理器生成训练样本。训练样本面可以原始时间序列影像作为参考进行创建，因为变化分析栅格难以直观解读。

为数据集中不同时间片生成训练样本，以反映不同时间。通过多维选项卡上的控件更改当前显示的时间片，并为当前显示的时间片创建一个训练样本，以在训练样本属性中包含时间片的时间。需要为仅存在于特定时间片中的类捕获训练样本，例如仅在较暖月份存在的类 Deciduous Trees。

样本的数量和分布取决于您的影像、应用、精度要求和时间约束。理想情况下，每个土地覆盖类的样本数量应相近，且样本应均匀分布于影像的整个空间范围。对于栅格影像的时间序列，应在数据中多个时间片上设置训练样本，以便训练样本的光谱信息可以沿通过使用 CCDC 分析变化工具建模的谐波曲线拟合。建议提供的训练样本数量具有统计显著性。

分类

捕获训练样本后，可以对变化分析栅格进行分类。要获得最佳结果，建议使用机器学习分类器地理处理工具之一（即训练随机树分类器 或训练支持向量机分类器）训练分类模型。输入栅格将是使用 CCDC 分析变化工具的变更分析栅格输出。训练样本将是之前为时间序列栅格数据集收集的样本。

最后，使用分类栅格工具对变化分析栅格进行分类，以生成多维数据集中土地覆盖栅格的时间序列。

参考

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