Fonctionnement de l’outil Analyser les changements avec l’algorithme CCDC

Disponible avec une licence Image Analyst.

L’outil Analyser les changements avec l’algorithme CCDC, en association avec l’outil Détecter les modifications à l’aide du raster d’analyse des changements, permet d’identifier les changements des valeurs de pixel au fil du temps pour indiquer l’évolution de l’utilisation du sol ou de l’occupation du sol.

Détection de changement en continu

L’outil Analyser les changements avec l’algorithme CCDC utilise l’algorithme CCDC (Continuous Change Detection and Classification, Zhu and Woodcock, 2014) pour évaluer les modifications des valeurs de pixel au fil du temps pour une pile d’images. Dans une série chronologique d’images optiques ou de dérivés d’imagerie (NDVI, par exemple), les valeurs de pixel peuvent varier pour différentes raisons :

• Changement saisonnier : les modifications des valeurs de pixel reflètent les changements de la végétation en raison de la variabilité saisonnière des températures, de la lumière du soleil et des précipitations. Dans l’hémisphère nord, par exemple, on s’attend à une plus forte densité de végétation en été par rapport à l’hiver.
• Changement progressif : les modifications des valeurs de pixel reflètent des tendances en matière de végétation ou d’eau en surface dues à la variabilité du climat ou à des pratiques d’aménagement du territoire à long terme. Par exemple, la surface de sol nu peut augmenter progressivement dans une zone en raison d’un déclin des précipitations à long terme.
• Changement soudain : les modifications des valeurs de pixel reflètent les changements d’occupation du sol qui se produisent soudainement en raison d’une déforestation, du développement urbain, des catastrophes naturelles, etc.

L’algorithme CCDC identifie les trois types de modifications avec pour objectif principal d’identifier les modifications soudaines. Les modèles de régression et de tendance harmoniques sont adaptés aux données pour estimer les changements saisonniers et progressifs. Les écarts soudains vis-à-vis des modèles de tendance constituent des indications de changement soudain.

Types de données en entrée

L’algorithme CCDC a été conçu pour les données Landsat TM, Landsat ETM+ et Landsat OLI, ainsi que pour les données de température de brillance ou de réflectance de surface. Cependant, l’outil Analyser les changements avec l’algorithme CCDC détecte des changements pour les images multibandes provenant de tout capteur pris en charge, ainsi que pour les dérivés d’imagerie monobandes, comme les indices de bande. Par exemple, vous pouvez effectuer une détection de changement en continu sur un raster d’indice de végétation par différence normalisée (NDVI), car des changements soudains de l’indice peuvent indiquer une déforestation ou toute autre perte soudaine de végétation.

Nuage, ombre des nuages et neige

La détection de changement de l’occupation du sol peut être rendue complexe par la présence de nuages, de l’ombre des nuages et de neige dans une série chronologique d’imagerie de télédétection. Les pixels affectés dans la série chronologique doivent être masqués pour éviter le signalement incorrect d’un nuage ou d’une plaque de neige comme changement de l’occupation du sol. L’ombre des nuages et la neige apparaissant très sombres dans la bande infrarouge à ondes courtes (SWIR), et les nuages et la neige apparaissant très lumineux dans la bande verte, ces deux bandes sont utilisées dans un modèle des moindres carrés itérativement repondérés robuste (RIRLS) pour masquer ces phénomènes. Le modèle génère des graphiques chronologiques des bandes verte et SWIR, et les résultats du modèle sont comparés aux valeurs de pixel réelles pour déterminer les points aberrants, qui sont ensuite masqués et retirés de l’analyse.

Détection de changement

Les changements saisonniers et progressifs que connaissent les valeurs de pixel au fil du temps sont modélisés pour chaque bande dans l’imagerie à l’aide de la méthode des moindres carrés ordinaires. La différence entre la valeur prédite, la valeur de pixel modélisée et la valeur de pixel réelle est calculée. Lorsque la différence entre les valeurs est trois fois supérieure à la racine carrée de l’erreur quadratique moyenne (EQM), le pixel en question est signalé comme un changement d’occupation du sol éventuel.

La réalité du changement d’occupation du sol potentiel est ensuite évaluée d’après le nombre d’observations consécutives. Si la valeur d’un pixel est signalée une seule fois comme différente des résultats du modèle, il s’agit probablement d’un point aberrant. Si la valeur du pixel est signalée comme différente des résultats du modèle pendant un nombre donné d’observations consécutives, l’algorithme considère que ce pixel a changé. Vous pouvez contrôler le nombre minimal d’observations consécutives dans l’outil Analyser les changements avec l’algorithme CCDC avec le paramètre Nombre minimal d’observations d’anomalies consécutives.

La sortie de l’outil Analyser les changements avec l’algorithme CCDC est un raster d’analyse des changements contenant les coefficients du modèle. Les coefficients pouvant être difficiles à interpréter visuellement, voici d’autres méthodes d’interprétation des données :

• Créez un diagramme de profil temporel pour explorer les changements de pixels au fil du temps. Le raster d’analyse des changements affiche les pixels avec des couleurs similaires si leurs modèles de changement sont similaires.
• Utilisez le raster d’analyse des changements en entrée dans l’outil Détecter les modifications à l’aide du raster d’analyse des changements pour déterminer quand et à quelle fréquence un pixel a été signalé dans le cadre du changement de l’occupation du sol.
• Créez des échantillons d’entraînement et utilisez le raster d’analyse des changements pour classer les images. Outre les coefficients du modèle, le raster d’analyse des changements contient également les informations spectrales nécessaires pour classer les types d’occupation du sol. La section suivante décrit ce processus de manière plus détaillée.

Classification d'occupation du sol

La dernière étape de l’algorithme CCDC consiste à classer l’occupation du sol pour toutes les tranches de votre jeu de données multidimensionnel. L’outil Analyser les changements avec l’algorithme CCDC n’exécute pas cette étape, mais la sortie de l’outil peut être utilisée en entrée dans les outils d’entraînement et de classification.

Le raster d’analyse des changements peut offrir de meilleurs résultats de classification pour les rasters de la série chronologique car il intègre des informations spectrales en plus des informations du modèle. Lorsque les classes d’occupation du sol connaissent une variation saisonnière ou progressive au fil du temps, les coefficients des modèles de tendance et harmonique indiquent au processus de classification de produire les catégories d’occupation du sol qui ont été générées avec des données spectrales et temporelles.

Echantillons d'apprentissage

Pour classer le raster d’analyse des changements, vous devez d’abord générer des échantillons d’entraînement avec le Gestionnaire d’échantillons d’entraînement. Le raster d’analyse des changements étant difficile à interpréter visuellement, vous pouvez créer des polygones d’échantillon d’entraînement en vous référant à l’imagerie de la série chronologique d’origine.

Générez des échantillons d’entraînement pour différentes tranches dans le jeu de données afin de refléter différentes heures. Changez la tranche qui est actuellement affichée à l’aide des contrôles de l’onglet Multidimensionnelle et créez un échantillon d’entraînement pour la tranche actuellement affichée en vue d’inclure l’heure de la tranche dans les attributs de l’échantillon d’entraînement. Il est important de capturer des échantillons d’entraînement pour les classes qui existent uniquement dans certaines tranches, par exemple une classe Deciduous Trees qui n’existe que lors des mois les plus chauds.

Le nombre et la distribution des échantillons dépendent de l’imagerie, de l’application, des exigences en matière d’exactitude et des contraintes temporelles. Dans l’idéal, chaque classe d’occupation du sol doit contenir un nombre similaire d’échantillons et ces derniers doivent être répartis équitablement dans toute l’étendue spatiale de l’imagerie. Pour une série chronologique d’imagerie raster, des échantillons d’entraînement doivent couvrir plusieurs tranches dans les données afin que les informations spectrales des échantillons d’entraînement puissent s’ajuster aux courbes harmoniques modélisées par l’outil Analyser les changements avec l’algorithme CCDC. Un nombre statistiquement significatif d’échantillons d’entraînement est recommandé.

Classification

Après la capture des échantillons d’entraînement, le raster d’analyse des changements peut être classé. Pour de meilleurs résultats, il est recommandé d’utiliser l’un des outils de géotraitement de classificateur Machine Learning, Préparer le classificateur d’arbres aléatoires ou Préparer le classificateur de machines à vecteurs de support pour entraîner le modèle de classification. Le raster en entrée sera le raster d’analyse des changements généré par l’outil Analyser les changements avec l’algorithme CCDC. Les échantillons d’entraînement seront ceux que vous avez collectés pour le jeu de données raster de la série chronologique.

Enfin, exécutez l’outil Classer le raster pour classer le raster d’analyse des changements, ce qui génère une série chronologique de rasters d’occupation du sol dans un jeu de données multidimensionnel.

Bibliographie

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 et Congliang Zhou. "Continuous monitoring of land disturbance based on Landsat time series." Remote Sensing of Environment 238 (2020): 111116