GEE C17 LandTrendr

参考文章：Demystifying LandTrendr and CCDC temporal segmentation 

                   https://mp.weixin.qq.com/s/dddFLu7-nCZaGwKksb_TxQ

一、摘要

获得遥感图像和时间序列算法的改进，加上云计算资源和平台(如Google Earth Engine)的可用性增加，大大扩大了处理和分析卫星观测时间序列的用户群体。虽然各个时间序列分析方法及其应用往往有很好的文献记录，但对不同方法的比较对于面临不同算法和参数化选择的新用户是有益的。我们回顾了在土地覆盖制图和监测中越来越流行的两种时间分割方法:LandTrendr(基于landsat的扰动和恢复趋势检测)和CCDC(连续变化检测和分类)。我们检查这些方法使用时间和谱域的方式的差异，并比较模型规格和输出。这篇综述强调了以前的工作和应用，当前的限制，正在进行的挑战，以及未来集成和比较方法和地图产品的机会，并期望对用户和开发人员社区都有利。

 二、引言

随着前所未有的卫星图像访问和基于云的处理能力，越来越多的用户正在使用多时相地球观测数据集(Gorelick等人，2017;Wulder et al, 2012)。自2008年开放陆地卫星档案以来，基于时间序列的土地覆盖制图和变化检测方法变得越来越普遍，并且在方法和理论方面仍然是一个活跃的发展领域(Banskota等人，2014;Chaves et al, 2020;Gomez’et al, 2016;Hemati等，2021;Woodcock et al, 2020)。虽然已经提出了用于表征变化检测方法的更细粒度分类法(例如，Zhu, 2017)，但我们认为广义的时间分割算法包括将观测值分组到更大的代表性时间段或“段”中的方法，以便在段内应用单个模型，而在段间应用不同的模型。这些分段拟合方法可以被视为与空间分割算法在时间上的等价，空间分割算法利用光谱属性将连续像素分组成代表更大景观物体或斑块的形状(例如，Hossain和Chen, 2019)。时间片段的特征可以分析景观特性和地表条件的短期和长期趋势和模式。然而，可以识别的变化过程和事件类型与用于执行时间分割的算法具有内在联系(Kennedy et al, 2014)。

 

在自然资源监测应用中越来越流行的两种时间分割方法是LandTrendr(基于陆地卫星的扰动和恢复趋势检测)和CCDC(连续变化检测和分类)算法(Zhu, 2017)。虽然这些方法的使用曾经仅限于具有足够数据存储和处理能力的一小部分用户，但无论是LandTrendr (Kennedy et al .， 2010)还是CCDC (Zhu et al .， 2012;Zhu和Woodcock, 2014)已经在Google Earth Engine中实现(Ar ' evalo等人，2020a;Kennedy等人，2018b)。在Earth Engine的云计算环境中的实现使全球用户社区能够运行这些和其他时间分割方法，例如指数加权移动平均变化检测(EWMACD);Brooks et al .， 2014)，植被变化跟踪器;Huang et al .， 2010)和植被更新和扰动估计(VeRDET;Hughes et al, 2017)。此外，LandTrendr和CCDC都被用于大面积制图和监测工作(例如，Brown等人，2019;Kennedy等人，2018a;Lister et al, 2020;Tarrio等人，2019;Xian等，2021;Zhu et al .， 2016)。因此，我们预计这些算法及其衍生产品的使用将继续增加。

 

随着用户群体的不断增长，全面了解单个算法的假设、优势和局限性以及不同方法之间的差异变得越来越重要(Zhu, 2017)。以LandTrendr和CCDC为例，这两种算法都将观测的时间序列划分为模拟的时间片段序列，都可以用于生成年度土地覆盖和土地覆盖变化地图产品，都可以生成平滑或“合成”图像。然而，这些算法在分割方法、对结果模型拟合的解释和输出数据集方面存在根本差异。Cohen等人(2017)等其他研究已经解决了使用独立参考数据进行特定变化检测应用的定量评估问题，他们对使用不同时间分割方法生成的森林干扰图进行了更全面的比较。在本文中，我们使用以前发表的研究案例以及说明性的单像素示例来回顾使用LandTrendr和CCDC算法时的关键决策。这种集中的、深入的观点旨在帮助用户解释结果和产品，并作为与其他时间分割方法进一步比较的基础。

 

三、算法概述

景观变化过程发生在许多时间尺度上，可能包括物候和条件的年内(季节)变化，以及年际过程，如土地覆盖的突变、长期趋势和更复杂的扰动恢复轨迹(Coppin et al .， 2004;Pasquarella et al, 2016;Vogelmann et al, 2016)。用于检测和模拟时间动态的观测频率直接影响可使用遥感观测时间序列表征的过程类型(Kennedy等人，2014年)。虽然时间分割方法可以推广到任何连续值的时间序列，但LandTrendr和CCDC最初都是为了利用Landsat记录无与伦比的时间覆盖而开发的，这两种算法通常都使用完整的Landsat数据集作为输入。然而，它们在如何减少和分析给定像素的观测记录方面存在显著差异。

 

LandTrendr方法通常应用于时间序列数据，其中选择一个观测值或值来代表每年。介质复合材料的标准使用旨在最大限度地减少植被物候的影响，在建模时间轨迹之前有效地控制季节变化，并且使用Roy等人(2016)提出的转换来协调来自不同Landsat传感器的光谱值。LandTrendr分割将输入时间序列解释为连续的分段轨迹，通常用“段”和“顶点”来描述(图1)。由于LandTrendr分割是在每年时间步长的时间序列上执行的，因此变化过程与检测年份相关，而不是与变化的特定日期(月/日)相关。

相比之下，CCDC分割通常使用所有清晰观测的时间序列来执行。这种方法试图以输入时间序列的固有频率检测变化，这样的变化可以与特定的采集日期相关联，而不是与合成年份相关联。为了明确解释由光照条件、大气条件和植被物候变化引起的地表反射信号的年际循环模式，CCDC使用了包含正弦和余弦项的线性谐波模型。这些谐波项消除了预先指定合成周期的需要，并提供了一组更大的系数/特征，可用于基于片段的分类(例如，Pasquarella等人，2018;Zhu等，2016;Zhu and Woodcock, 2014)。与LandTrendr拟合不同的是，在LandTrendr拟合中，顶点代表共享的片段开始/结束日期，CCDC使用由独立片段和“中断”组成的不连续分段模型拟合输入时间序列。其中间断对应于离散变化事件，表示为时间轨迹中的跳跃或偏移(图1)。在某些情况下，谐波模型拟合可能不稳定，因为用于拟合的观测数量较少，导致CCDC模型段之间的间隙期延长(图2)。可以应用相邻段的CCDC参数向前或回填，或在基于段的分类中使用“扰动”类别来调和这些间隙期。相比之下，LandTrendr总是会产生一个连续的轨迹。

由于这两种算法都假定时间与反射率(或其他建模值)之间存在简单的线性关系，因此它们非常适合于识别稳定或相对稳定的变化率时期，并且可以根据变化方向(稳定、损失或增益)来描述片段，并根据变化幅度和持续时间进行排序。然而，非线性动力学，即具有增加、减少或其他非平稳变化率的周期，使用线性基函数来近似更具挑战性(图2)。因此，除了诸如突然扰动和土地覆盖变化之类的离散事件外，断裂和顶点更一般地可能表示拟合轨迹速率的近似拐点。

 

 

尽管CCDC试图拟合给定像素的所有可用观测值(图3)，用户仍然必须考虑观测频率的时空变化如何影响分割结果。表3显示了以前采用CCDC分割方法的研究中使用的时间段示例。由于CCDC根据偏离当前分段预测轨迹的连续观测数量来识别断点，当有很长一段时间的数据缺失(例如，全年没有观测)时，在这些时期之后发现断点的趋势会更大，从而导致与间隙后采集日期相关的人为夸大的变化数量。在这些情况下，用户可以选择删除从分析中获得稀疏采集记录的年份(例如，Ar ' evalo等人，2020b)。同样，观测频率的增加会导致标记变化所需的时间缩短。例如，Brown等人(2019)发现，在陆地卫星分析就绪数据上运行CCDC时(Dwyer等人，2018;Egorov等人，2019)，在轨道重叠(侧边)区和多颗卫星运行期间(如1999年4月至2011年11月，陆地卫星5号和7号同时运行)，变化探测率增加。这些影响可以通过动态调整检测变化所需的观测数量来减轻;然而，这种自定义修改并没有被纳入CCDC的所有版本，目前也没有在地球引擎实现中可用。因此，在跨越多个场景的更大研究区域中使用合并的Landsat集合的地球引擎用户应该考虑空间和时间的不一致性，并且可能希望在路径重叠和行末端应用额外的过滤器，或者为单个基于场景的图像堆栈运行单独的模型。观测密度和不规则性的变化也会影响调和回归模型在时间序列重建中的使用(即生成合成图像)，对于Landsat时间序列分析，建议每年至少进行7次观测的数据密度(Zhang et al .， 2021)。

时间分割的另一组重要考虑因素是时间序列的开始和结束日期以及被分割的时间序列的长度。LandTrendr被认为是一种“离线”方法，因为它使用完整的合成值系列来确定最优的段和顶点集(Zhu, 2017)。用户必须指定用于模型拟合的最大段数，改变时间序列的开始和结束日期会影响轨迹拟合和顶点的时间(图4)。改变用于拟合的段数也会导致拟合轨迹的差异，通常建议在研究频繁受干扰的景观时增加允许的段数。相对于时间序列记录的长度，段数通常也应增加，以考虑在较长时间内发生多重干扰事件的可能性增加。与LandTrendr不同，CCDC采用“在线”方法进行分割，以便在确定中断位置时以迭代、前瞻性的方式考虑观察结果(Zhu, 2017)。因此，CCDC模型对拟合初期的值很敏感，并且在拟合过程中包含稳定性测试，以鼓励更稳定的模型初始化(Zhu et al .， 2020)。改变输入时间序列的起始年份可以显著影响中断的时间以及谐波段的拟合，特别是如果监测开始于一个相对不稳定的时期(例如，图4)。CCDC分割结果也可能随着添加新的图像日期来更新时间序列和结果而改变，基于更多观测数据和强时间特征的更长的CCDC分段往往对添加新的观测数据更稳健。