《gee大神之路》月下醉吟

12、十二 第 1 节

　　第 1 节.像素时间序列

　　当你首次在你所在地区与 LandTrendr 合作时，你必须解决两个问题。
　　首先，在光谱反射率记录中是否可以检测到感兴趣的变化？如果你感兴趣的变化没有在光谱反射率记录中留下模式，那么算法将无法找到它。
　　其次，你能否确定允许算法捕获该记录的拟合参数？时间序列算法将规则应用于像素中光谱值的时间序列，并将许多观察结果简化为更容易理解的形式，例如我们将使用 LandTrendr 处理的线性段。进行简化的算法通常受控制算法工作方式的参数指导。
　　开始评估这些问题的最佳方法是查看各个像素的时间序列。在Earth Engine 中，打开并运行生成我们开发的 GUI 的脚本，以轻松部署 LandTrendr算法。

　　LandTrendr GUI 由三个面板组成：左侧的控制面板、右侧的报告面板和中间的地图面板。控制面板是界面所有功能所在的位置。有多个模块，每个模块都可以通过单击标题右侧的双箭头来访问。地图面板默认位于俄勒冈州的某个位置，但可以手动移动到世界任何地方。报告面板显示有关如何使用功能的消息，并提供图形输出。

　　接下来，展开“像素时间序列选项”功能。现在，只需使用鼠标单击地图上的某个位置即可。等待几秒钟，即使看起来什么也没发生——要有耐心！ GUI 已向 Earth Engine 发送信息，以便在你单击的位置运行 LandTrendr 算法，并正在等待结果。最终你应该会看到右侧报告面板中出现一个图表。

　　x 轴显示年份，y 轴显示光谱索引值，标题显示所选索引。灰线代表Landsat观测到的原始光谱值，红线代表LandTrendr时间分割算法的结果。

　　LandTrendr 算法成功的关键是解释这些时间序列。首先，让我们检查一下图表的组成部分。x 轴显示观察年份。使用 LandTrendr，每年仅使用一次观察来描述像素的历史；稍后，我们将介绍如何控制该值。y 轴显示所选索引的光谱值。在默认模式下，为标准化燃烧比率。请注意，你还可以使用左侧控制面板上的复选框选择更多索引。请注意，我们将浮点（十进制）索引缩放1000。因此，NBR 值1.0将显示为1000。

　　在图表区域中，粗灰线表示卫星在所选年份中针对你所选位置的单个30 m Landsat 像素观测到的光谱值。红线是时间分割的输出，它是 LandTrendr 算法的核心。图表的标题显示了光谱指数以及拟合的均方根误差。

　　要解释时间序列，首先要知道你感兴趣的光谱指数的“向上”和“向下”方向。对于 NBR，当像素中植被较多且土壤较少时，指数值会上升。当植被减少时，它会下降。对于植被干扰监测，这很有用。

　　接下来，将该变化转化为你感兴趣的变化过程的变化。对于针叶林系统，NBR 很有用，因为当发生干扰时它会急剧下降，而随着植被生长它会上升。

　　我们将指数的突然下降解释为干扰，将指数随后的上升解释为再生或恢复（尽管不一定是同一类型的植被）。

　　我们可以根据其NBR指数的突然下降以及随后的植物恢复来识别分段捕获干扰

　　LandTrendr 可以接受任何指数，欢迎高级用户使用自己设计的指数。一个重要的考虑因素是知道哪个方向表示你感兴趣的主题的“恢复”和“干扰”。算法有利于检测干扰，并且可以进行控制以限制假定恢复发生的速度

　　为了让 LandTrendr 有希望找到感兴趣的变化，该变化必须体现在显示原始光谱值的灰线上。如果你知道某些过程正在发生，但在灰线上并不明显，你能做什么？

　　一种选择是更改索引。任何单一索引都只是陆地卫星专题制图器传感器更大光谱空间的一个视图。你感兴趣的变化可能会导致与某些指数捕获的方向不同的光谱变化。尝试从列表中选择不同的索引。如果你单击不同的复选框并重新提交像素，则会显示所有不同索引的拟合结果。

　　另一种选择是更改日期范围。LandTrendr 每年使用一个值，但所选择的值可由用户控制。有可能在某些季节比其他季节更容易识别兴趣的变化。我们使用medoid 图像合成方法，该方法每年从ImageCollection中的图像日期范围中挑选最佳的单个观察结果。在 GUI 中，你可以在LandTrendr 选项菜单的图像收集部分中更改用于合成的图像的日期范围。

　　用户在图像收集部分控制年份和日期范围
　　，在中间部分控制用于时间分割的索引，在底部部分控制控制时间分割的参数更改开始日期和结束日期，以查找一年中在感兴趣的更改过程之前和期间承保条件之间差异最大的时间。

　　还有其他注意事项需要记住。首先，植被、水或雪的季节性通常会影响兴趣变化的信号。由于我们使用跨越一系列日期的ImageCollection ，因此最好选择一个日期范围，从该日期范围的开始到结束，植物人状态不可能发生重大变化。云也可能是一个因素。某些季节云量较多，因此很难找到好的图像。通常，使用光学传感器时，我们只能在云较少的时期进行工作，或者使用较宽的日期范围来为像素提供许多无云的机会。

　　有可能没有任何索引或数据范围的组合对兴趣的变化敏感。如果是这种情况，有两种选择：尝试使用不同的传感器和变化检测技术，或者接受变化是不可辨别的。如果感兴趣的变化占据给定30 m x 30 m Landsat 像素的一小部分，或者变化的光谱表现非常微妙，以至于无法与未变化的像素进行光谱分离，则通常会发生这种情况

　　即使你作为人类可以识别灰线光谱轨迹中感兴趣的变化，算法也可能无法类似地跟踪它。为了让算法有机会，你需要探索是否可以使用不同的拟合参数来将红色拟合线与灰色源图像线进行匹配。

　　整个拟合过程包括减少噪声和最好地识别潜在信号的步骤。时间分割算法由拟合参数控制，这些参数在Kennedy 等人中详细描述。你可以使用LandTrendr选项菜单的拟合参数块来调整这些参数。下面简要概述了哪些值通常有用，但当你使用不同的光谱指数时，这些值可能会发生变化。

　　首先，所需的最小观测值标准用于评估给定轨迹是否有足够的未过滤（即清晰的观测）年来运行拟合。我们建议将此值保留为默认值6。

　　分割从降噪步骤开始，以消除可能由未过滤的云或阴影引起的尖峰。尖峰阈值参数控制过滤程度。值1.0对应于无过滤，较低的值对应于更严格的过滤。我们建议将此值保留为0.9；如果更改，0.7到1.0的范围是合适的。

　　下一步是寻找顶点。这从开始年和结束年作为顶点年开始，根据线性拟合的偏差逐步添加候选顶点年。为了避免使用此方法最初发现的顶点年份过多，我们建议将顶点计数超调值保留为3。第二组算法使用偏转角将这种过剩剔除到设定数量的最大候选顶点年。

　　顶点年数由max_segments 参数控制。作为一般规则，你的分段数量不应超过可能的年度观察总数的三分之一。然后将这些顶点的年份（X 值）传递到模型构建步骤。假设你正在使用至少30年的档案，并且你所在的区域具有合理的图像可用性，则值8是一个很好的起点。

　　在模型构建步骤中，通过拟合由顶点年份（X 值）定义的周期的 Y 值（光谱值）来构建直线段。这个过程从左到右——早年到晚年。每个后续片段的回归都连接到前一个片段的末尾。回归也受到限制，以防止干扰后不切实际的恢复，由恢复阈值参数控制。值越小表示约束越大：值为1.0表示约束关闭；值为0.25意味着不允许在超过四年(4=1/0.25)的时间内完全恢复的段。注：该参数对拟合的控制力较强，是测试参数时首先探索的参数之一。

　　此外，PreventOneYearRecovery将不允许具有一年持续时间恢复段的配合。这可能有助于防止在如此快速的植物恢复在生态上不现实的环境中过度拟合噪声数据。

　　一旦找到最大段数的模型，就会通过迭代删除信息量最少的顶点来连续创建更简单的模型。每个模型都使用伪f 统计量进行评分，该统计量会惩罚具有更多分段的模型，从而为每个模型创建伪p值。p 值阈值参数用于识别所有被认为足够好的拟合。从值0.05开始，但检查拟合线是否捕获灰色源轨迹的显着形状和特征。如果你看到灰线中的时间模式可能不是噪声（基于你对所研究系统的理解），请考虑将 p值阈值切换为0.10甚至 0.15

　　注意：由于时间自相关，这些不能解释为真实的f和p值，而是解释为相对标量以区分模型之间的拟合优度。如果根据用户设置的p值参数使用这些标准找不到好的模型，则使用第二种方法同时求解所有顶点年份的 Y 值。如果没有找到好的模型，则使用直线均值模型。

　　从通过p 值阈值的模型中，选择一个作为最终拟合。它可能是 p 值最低的一个。然而，我们进行了调整，以允许选择更复杂的模型（具有更多细分的模型），即使它们的 p值在最佳评分模型的定义比例内。该比例由最佳模型比例参数设置。例如，最佳模型比例值为0.75，如果其分数大于最佳模型的75%，则允许选择更复杂的模型。

　　第2节：将像素转换为地图
　　尽管完整的时间序列是每个像素“生命史”的最佳描述，但我们通常对研究区域中所有像素的行为感兴趣。手动可视化所有这些都效率低下，尝试总结区域和位置也效率低下。因此，我们寻求制作地图。

　　将分段轨迹转换为地图需要三个后处理步骤。首先，我们确定感兴趣的部分；如果我们对干扰感兴趣，我们会找到光谱变化表明损失的片段。其次，我们过滤掉不符合感兴趣标准的该类型的片段。例如，当算法错误地在信号的随机噪声中找到模式时，可能会发生非常低的干扰，因此我们不想将其包括在内。第三，我们从感兴趣的片段中提取有关其特征的信息，以便在逐像素的基础上进行映射：其起始年份、持续时间、光谱值或光谱变化的值。

　　理论：我们将从单个像素开始，学习如何根据主要干扰片段解释干扰像素时间序列。对于我们在上图中使用的扰动时间序列，我们可以识别与扰动相关的片段的关键参数。对于上面的例子，我们提取了拟合时间序列的实际 NBR 值并将其记录在表格中。这不是 GUI 的一部分——它只是在这里用来理解概念。

　　当植被丧失和土壤暴露增加时，NBR 指数会下降，因此我们知道急剧下降表明植被突然丧失。尽管一些早期段显示出非常微妙的变化，但只有顶点4 和 5之间的段显示出大幅度的植被损失。
　　从图4.5.5所示的表格中，我们可以推断出该像素的几个关键信息：

　　?它可能在 2006 年2007年期间受到干扰。这是因为 NBR 值在2006年和2007年以顶点（断点）为界的部分急剧下降。

　　?光谱变化的幅度很大1175个缩放的 NBR 单位超出了2000个缩放单位的可能范围。

　　?早些时候，NBR 出现了小幅下降，这可能表明像素中植被在很长一段时间内出现了一些细微的损失。然而，由于这些液滴的微妙性质，需要在单独的分析中进行探索。

　　?这次主要扰动的持续时间只有一年。这种突然性与高强度相结合表明发生了重大的植物干扰，例如收获或火灾。

　　?干扰后植被恢复，但未达到干扰前的水平。注意：生态学家会将生长信号视为演替信号之一，或通过人类干预积极重新植被。

　　按照本节介绍中提到的三个后处理步骤，为了绘制该像素的干扰年份，我们首先将潜在的干扰片段识别为具有负 NBR 的片段。然后，我们将通过过滤掉不突然和/或幅度较小的潜在干扰片段来磨练感兴趣的干扰。这将仅留下高强度、短持续时间的部分。对于该细分市场，我们有干扰证据的第一年是该细分市场开始后的第一年。该部分从2006年开始，这意味着2007年是我们拥有此类证据的第一年。因此，我们将2007分配给该像素。

　　如果我们想要绘制干扰的幅度，我们将遵循相同的前两个步骤，但然后报告像素值起始段和结束段之间的幅度差异。

　　LandTrendr GUI 提供了一组工具，可以轻松地将相同的逻辑规则应用于所有感兴趣的像素并创建地图。单击“更改过滤器选项”菜单。

　　选择植被变化类型并排序以磨练感兴趣的片段类型，然后选中复选框以应用选择性过滤器以消除不感兴趣的变化。

　　前两部分用于识别感兴趣的片段。

　　选择植被变化类型提供了增益或损失的选项，指的是植被的增益或损失，假设干扰与植被损失有关。注意：高级用户可以在 landtrendr.js 库中的“calcindex”函数中添加新的指数，并根据自己的选择定义增益和损失。底层算法的构建是为了查找指数中的干扰，当干扰发生时，指数会增加，因此 NBR 或NDVI等指数需要乘以(?1)然后再输入 LandTrendr 算法。这是在 calcIndex 函数中处理的。

　　选择植被变化排序提供了各种选项，允许你根据时间或持续时间选择感兴趣的部分。默认情况下，选择最大幅度的干扰。

　　每个过滤器（幅度、持续时间等）用于进一步筛选可能感兴趣的片段。所有其他滤波器均在像素尺度上应用，但Filter by MMU 应用于基于给定最小映射单元 (MMU) 的像素组。一旦定义了所有其他过滤器，某些像素就会被标记为感兴趣，而其他像素则不会。MMU 过滤器查看有多少连接的像素已被标记为在同一年发生，并忽略像素数小于此处指示的数字的组（默认为11个像素，或大约1公顷）。

　　如果你正在跟进并进行更改，或者你只是使用默认位置和参数，请单击“添加过滤后的干扰图像”以将其添加到地图中。

　　地图上添加了多层干扰。使用地图图层复选框更改显示的图层。例如，扰动的幅度是段的起点和终点之间的增量变化图。