エチオピアの変わりゆく地形の評価

2020 年から 2022 年にかけて、エチオピアでは、サバクトビバッタが大量発生し、数十年ぶりにアフリカ東部を襲っています。 国連の食糧農業機関は、この蝗害を全国規模の植生被覆率と作物生産性の低下による「食の安全と生活に対する空前の脅威」と呼びました。 過去数十年で、エチオピアも人口増加により変化し、国の居住地域において、都市部や農業が拡大して、森林や他の自然植生が失われました。

エチオピアにおけるこれらのさまざまな土地被覆の変化を解析するために、ArcGIS Pro で [変化の検出ウィザード] を使用します。 最初に、土地被覆データセットを使用して 1992 年から 2018 年までの長期的な土地被覆の変化を解析します。 次に、画像データを使用して、2020 年の蝗害により植生が失われたエリアを特定します。

このチュートリアルは、ArcGIS Pro 3.1 を使用して、2023 年 5 月 9 日に最終テストされました。 異なるバージョンの ArcGIS Pro を使用している場合、機能や結果が異なる可能性があります。

要件

• ArcGIS Pro ((ソフトウェア アクセスのオプションをご参照ください)
• ArcGIS Image Analyst

過去の土地被覆の変化の分析

過去数十年間の人口増加によるエチオピアの変化を理解するため、[変化の検出ウィザード] を使用して 1992 年から 2018 年までの土地被覆の変化を計算します。

土地被覆レイヤーの調査

まず、このチュートリアルで使用するデータを含む、圧縮された .zip ファイルをダウンロードします。

1. ChangeInEthiopiaData フォルダーをダウンロードします。

   データには、大きなラスター ファイルが含まれているため、ダウンロードに時間がかかる場合があります。

2. コンピューター上でダウンロードしたフォルダーを見つけ、[ドキュメント] フォルダーなどの任意の場所に移動します。 フォルダーを右クリックして、コンテンツを抽出します。

   注意:

   お使いの Web ブラウザーによっては、ダウンロードを開始する前に、ファイルの場所を選択するよう求めるメッセージが表示される場合があります。 ほとんどのブラウザーでは、デフォルトでコンピューターのダウンロード フォルダーがダウンロード先の場所になります。

   続いて、ArcGIS Pro プロジェクトを作成し、ダウンロードしたデータを追加します。

3. ArcGIS Pro を開きます。 必要に応じて、ArcGIS Online のアカウントにサイン インします。

   注意:

   ArcGIS Pro へのアクセス権限または組織アカウントがない場合は、ソフトウェア アクセスのオプションをご参照ください。

   [マップ] テンプレートを使用してプロジェクトを作成します。

4. [新しいプロジェクト] の下の [マップ] を選択します。

   

5. [新しいプロジェクトの作成] ウィンドウの [名前] に「Change in Ethiopia」と入力します。 [場所] でデフォルトの場所を受け入れるか、任意の場所を選択します。
6. [OK] をクリックします。

   新しいプロジェクトが作成されます。 次に、ダウンロードした土地被覆データを追加します。

7. リボンの [マップ] タブをクリックします。 [レイヤー] グループの [データの追加] ボタンをクリックします。

   

8. [データの追加] ウィンドウで、展開した [ChangeInEthiopiaData] フォルダーがあるコンピューター上の場所を参照します。 [ChangeInEthiopiaData] をダブルクリックして開きます。
9. Ctrl キーを押しながら、[Ethiopia_LandCover_1992.crf] および [Ethiopia_LandCover_2018.crf] データセットをクリックして選択します。

   

10. [OK] をクリックします。

    2 つのラスター レイヤーがマップに追加されます。 マップがレイヤーの範囲のエチオピアにズームします。

    

    各レイヤーは、欧州宇宙機関 (ESA) の Climate Change Initiative (気候変化への取り組み) による世界の土地被覆マップから取得した土地被覆データセットです。 詳細については、「アイテムの詳細」ページをご参照ください。 ESA では、1992 年から 2018 年までの各年における世界の土地被覆マップを作成しました。

    一番上のレイヤーは 2018 年の土地被覆マップです。 両方のレイヤーには、単純化された土地被覆クラス (農地、森林、灌木地、草地、河川や湖沼、都市部、露出土壌) が表示されています。 露出土壌の多くはエチオピア北部 (高地) に存在する一方、エチオピア南部は主に灌木地で構成されていることに注目します。 ピンク色でシンボル表示されている農業地域は国の中央部にあり、濃い赤色で示されているアディスアベバの密集した都市部を囲んでいます。

    次に、2 つのレイヤーを比較します。

11. 必要に応じ、[コンテンツ] ウィンドウで、[Ethiopia_LandCover_2018.crf] レイヤーを選択します。

    注意:

    レイヤー上の .crf 拡張子は、データセットが CRF (Cloud Raster Format) 形式であることを示しています。 これは Esri のネイティブ ラスター形式で、分散処理および格納環境で大きなファイルを読み書きするために最適化されています。

12. リボンの [ラスター レイヤー] タブをクリックします。 [比較] グループの [スワイプ] をクリックします。

    

13. マップの最上部からポインターを下にドラッグし、下側にあるレイヤーを表示します。 ポインターを前後にドラッグして、2 つのレイヤーを比較します。

    

    上側のレイヤーが 2018 年の土地被覆で、下側のレイヤーが 1992 年の土地被覆です。

    国の一部が視覚的に変化しています。 たとえば、首都のアディスアベバは、国の中央部にある濃い赤色のピクセル群で示されています。 首都は 26 年間で顕著に拡大しています。

    注意:

    両方のレイヤーともカテゴリ ラスター データセットです。 カテゴリ ラスター データは、各ピクセルにクラスまたはカテゴリを表す値があるラスター データです。 不連続データ、主題データ、または非連続データとも呼ばれ、ほとんどの場合、土地被覆や土地利用、その他のゾーン情報 (リスク レベルなど) を表すために GIS で使用されます。 この場合のカテゴリは、農地、森林、水域、都市などの土地被覆タイプを表しています。

14. リボンの [マップ] タブをクリックします。 [ナビゲーション] グループで、[マップ操作] ボタンをクリックして、スワイプ モードを終了します。

    

15. [クイック アクセス ツールバー] の [保存] ボタンをクリックします。

    

土地被覆の変化の計算

次に、[変化の検出ウィザード] を使用して、1992 年から 2018 年までの間の国全体の変化を検出し、人口増加が原因と考えられる変化に着目します。

1. [コンテンツ] ウィンドウで、[Ethiopia_LandCover_1992.crf] レイヤーを選択します。
2. リボンの [画像] タブをクリックします。 [解析] グループで [変化の検出] ボタンをクリックし、[変化の検出ウィザード] を選択します。

   

   [変化の検出ウィザード] ウィンドウが表示されます。

3. [変化の検出ウィザード] ウィンドウの [構成] ウィンドウで、[変化の検出方法] ドロップダウン メニューをクリックすると、変化の検出に使用できるオプションが表示されます。

   

   [カテゴリの変化] オプションは、土地被覆やリスク地帯など、2 つの主題ラスター (またはカテゴリ ラスター) 間で発生した変化を特定するために使用されます。 [ピクセル値の変化] オプションは、温度ラスターやマルチバンド画像など、2 つの連続ラスター間のピクセル値の差を計算するために使用されます。 最後に、[時系列の変化] オプションは、時系列画像の変化の日付を特定するために使用されます。

   ウィザードの起動時に [コンテンツ] ウィンドウで選択されていたラスター レイヤーがカテゴリ ラスター データのため、[カテゴリの変化] メソッドがデフォルトで選択されています。

4. [From ラスター] で [Ethiopia_LandCover_1992.crf] が選択されていることを確認します。 [To ラスター] で [Ethiopia_LandCover_2018.crf] を選択します。

   

   このオプションを選択して、[Ethiopia_LandCover_1992.crf] レイヤーと [Ethiopia_LandCover_2018.crf] レイヤーが必ず比較されるようにします。

5. [次へ] をクリックします。

   [クラス構成] ウィンドウでは、実行するフィルタリングの種類、解析に含めるクラス、および結果のレンダリング方法を選択できます。 変化したエリアと、人口増加が原因と考えられる変化のみを表示する必要があります。

6. [フィルター方法] で [変化のみ] が選択されていることを確認します。 [開始 クラス] リストで、すべてのクラスを選択したままにします。

   

7. [終了 クラス] リストにある [Urban] カテゴリにポインターを合わせ、[のみ] をクリックします。

   

   これで、リスト内で [Urban] クラスのみが選択されている状態になりました。 ただし、人口増加による変化を示している可能性があるクラスは、都市の成長だけではありません。 農地の拡大も人口増加を示している可能性があります。

8. [Cropland] の横にあるチェックボックスをオンにします。

   これから、都市または農地の土地被覆タイプに変化したすべてのエリアを検出します。 [遷移クラスの彩色方法] は、デフォルト値の [平均値] のままにします。 このパラメーターにより、出力クラスのレンダリング方法が決定します。

9. [プレビュー] ボタンをクリックします。

   

   [コンテンツ] ウィンドウに、[Preview_ComputeChange] レイヤーが追加されます。 このレイヤーは動的に生成され、保存されません。 永続的な変更レイヤーの生成は、ワークフローの後半で行います。

10. [コンテンツ] ウィンドウで、[Ethiopia_LandCover_2018.crf] と [Ethiopia_LandCover_1992.crf] をオフにします。 マップ上で、マウス ホイール ボタンで拡大して、首都のアディスアベバを表示します。

    

    ピクセル クラスターは、変化しているエリアを示します。

11. マップ上で、変化を示す複数のピクセルをクリックします。

    クリックしたピクセルのポップアップが表示され、発生した変化のタイプが示されます。

    

    その大半は、Cropland、Shrubland、Grassland、または Forest から Urban エリアに変化しているように見えます。 1992 年から 2018 年までの間に、都市は明らかに拡大しています。

12. 開いたポップアップをすべて閉じます。 [変化の検出ウィザード] ウィンドウで [次へ] をクリックします。

    [出力の生成] ウィンドウが表示されます。 出力をコンピューターに保存します。

    デフォルトの [近傍範囲をスムージング] パラメーターは [なし] です。 このパラメーターを使用すると、結果をスムージングして視覚化の効果を高めることができます。 今回は、土地被覆の面積を計算する必要があり、結果をスムージングするとピクセル値が変化するため、結果のスムージングは行いません。

13. [結果を別名で保存] で [ラスター データセット] が選択されていることを確認します。
14. [出力データセット] で [参照] ボタンをクリックします。

    

15. [出力データセット] ウィンドウで [フォルダー] をクリックし、[Change in Ethiopia] をダブルクリックします。 [名前] に「Ethiopia_LandCoverChange_1992_2018.tif」と入力します。

    

16. [保存] をクリックします。 [変化の検出ウィザード] ウィンドウで [実行] をクリックします。

    変化を示すデータセットがマップに追加されます。

17. [変化の検出ウィザード] ウィンドウで [完了] をクリックします。
18. [コンテンツ] ウィンドウで、[Ethiopia_LandCoverChange_1992_2018.tif] を右クリックして [レイヤーにズーム] を選択します。
19. プロジェクトを保存します。

結果の解析

土地被覆の変化を示すラスターを生成しました。 次に、その結果を調査し、チャートを作成します。

最初に、生成したプレビューは不要になったため、削除します。

1. [コンテンツ] ウィンドウで、[Preview_ComputeChange] を右クリックし、[削除] を選択します。

   注意:

   [完了] をクリックせずに [変化の検出ウィザード] ウィンドウを閉じた場合、[Preview] レイヤーは削除できません。

2. [Ethiopia_LandCoverChange_1992_2018.tif] を右クリックして [属性テーブル] を選択します。

   

   属性テーブルが開きます。

   

   [Class_name] フィールドには、Cropland クラスおよび Urban クラスへのさまざまな遷移がリストされています。 [Count] フィールドは、各カテゴリのピクセルの合計数を示します。 [Area] フィールドは、これが表す総面積を示します (平方メートル単位)。 データセットが投影座標系であり、距離単位がメートルであるため、面積が計算できます。

   注意:

   面積を計算する際は、等面積とも呼ばれる、面積を維持する投影法が設定されたラスター データセットから始めることが重要です。 今回、土地被覆レイヤーは、アフリカ アルベルス正積円錐図法を使用しています。

3. 属性テーブルで [Area] フィールド ヘッダーを右クリックし、[降順で並べ替え] を選択します。

   

   行は面積に基づいて並べ替えられ、面積が最大の遷移が先頭に表示されます。

   最初の行は、[Class_name] 値が [Other] で、1992 年から 2018 年までに発生した、分析に含まれていないすべての遷移を表しています。 2 行目の [No Change] は、遷移が発生せず変化しなかったピクセルを表しています。

   これらの行は不要であるため、テーブルから削除します。

4. 属性テーブルで、Ctrl を押しながら、両方の行の先頭をクリックして選択します。

   

5. Delete キーを押します。 [削除] ウィンドウで、[はい] をクリックします。

   2 つの行が削除されます。 この変更内容を保存します。

6. リボンの [編集] タブをクリックします。 [編集の管理] グループにある [保存] をクリックします。

   

7. 必要に応じて、[編集の保存] ウィンドウで [はい] をクリックします。

   属性テーブルで、面積が最大のクラス遷移が Shrubland から Cropland への遷移になりました。 分析によると、1992 年から 2018 年にかけて、5,537,592,079.12 平方メートル (約 5,538 平方キロメートル) の灌木地が農地に変化しました。 一方、大量の森林も農地に変化しています。この変化は、人口増加を支えるため、自然植生地域に農地が拡大したことを示唆しています。

   4 行目は、大量の農地が市街地の土地被覆に変化したことを示しています。 これは、都市の急速な拡大がアディスアベバ周辺の肥沃な農地を脅かしているという調査結果 (Deribew, 2020) と一致しています。

   これらの結果を集約したバー チャートを作成します。

8. 属性テーブルを閉じます。
9. [コンテンツ] ウィンドウで、[Ethiopia_LandCoverChange_1992_2018.tif] レイヤーを右クリックして、[チャートの作成] をポイントし、[バー チャート] を選択します。

   

   [チャート プロパティ] ウィンドウが表示され、プロジェクトの下部に空白のチャートが表示されます。

10. [チャート プロパティ] ウィンドウで、次のパラメーターを設定します。
    • [カテゴリまたは日付] で、[Class_From] を選択します。
    • [集約] で、[合計値] を選択します。
    • [数値フィールド] で [選択] をクリックし、[Area] をオンにします。 [適用] をクリックします。
    • [分割] で [Class_To] を選択します。

    

    チャートが更新されます。 X 軸は [Class_From] 土地被覆タイプを示し、Y 軸は [Cropland] (水色のバー) または [Urban] (濃い青色のバー) に遷移した各カテゴリの面積 (平方メートル単位) を示しています。

    

    次に、データのシンボルに合わせてチャートの外観を改善します。

11. [チャート プロパティ] ウィンドウで、[シリーズ] タブをクリックします。 [複数のシリーズを表示] で [積み上げ] を選択します。

    

    Cropland および Urban バーが重なって表示されるようになりました。 次に、土地被覆データで使用したシンボルに合わせてバーの色を変更します。

12. [シリーズ] テーブルで、[Cropland] のシンボルをクリックし、[色プロパティ] を選択します。

    

13. [カラー エディター] ウィンドウで、次の値を設定します。
    • [赤] を「247」に設定します。
    • [緑] を「198」に設定します。
    • [青] を「196」に設定します。
    • [透過表示] を「0%」に設定します。

    

14. [OK] をクリックして、色を適用します。
15. 次の値を使用して、[Urban] 土地被覆バーの色を変更します。
    • [赤] を「175」に設定します。
    • [緑] を「55」に設定します。
    • [青] を「46」に設定します。
    • [透過表示] を「0%」に設定します。
16. [チャート プロパティ] ウィンドウで、[一般] タブをクリックします。 次のパラメーターを設定します。
    • [チャートのタイトル] に「Cropland and Urban Growth in Ethiopia」と入力します。
    • [X 軸のタイトル] に「Original Class (1992)」と入力します。
    • [Y 軸のタイトル] に「Total Area (m2)」と入力します。
    • [凡例タイトル] に「New Class (2018)」と入力します。
    • [説明] をオフにします。

    

    チャートが最終的な外観に更新されます。

    

    Bare、Forest、Grassland、Shrubland、および Water カテゴリの減少エリアの多くが Cropland クラスに変化しています。 Cropland バーにポインターを合わせると、約 4 億 6,800 万平方メートル (468 平方キロメートル) の農地が都市エリアに変化したことがわかります。 一方、農地の拡大に最も寄与したのは Shrubland で、続いて Forest、Grassland の順となります。 このチャートに基づくと、1992 年から 2018 年までのエチオピアの人口増加は、主に農業の土地利用の大幅な増加に寄与していると考えられます。 都市の成長にも寄与していますが、二次的です。

17. チャートと [チャート プロパティ] ウィンドウを閉じます。 プロジェクトを保存します。

エチオピアの過去の土地被覆の変化を解析しました。 次に、近年の植生変化を解析します。

近年の植生変化の解析

エチオピアにおける大規模な蝗害の影響を理解するため、Landsat 8 衛星画像を使用し、2019 年 12 月にケニアで始まり、その後数か月で周辺諸国に広がった蝗害の前後における植生指数の値を比較します。

イメージ レイヤーの調査

まず、プロジェクト内にマップを作成し、2 つの Landsat 8 画像を追加します。

1. リボンの [挿入] タブをクリックします。 [プロジェクト] グループで、[新しいマップ] ボタンをクリックします。

   

   新しいマップ [マップ 1] が、最初のマップの横にあるプロジェクトに追加されます。

2. リボンの [マップ] タブをクリックします。 [レイヤー] グループの [データの追加] ボタンをクリックします。
3. [データの追加] ウィンドウで、展開した [ChangeInEthiopiaData] フォルダーがある場所を参照します。
4. Ctrl キーを押して、[Landsat8_2019_10_15.tif] および [Landsat8_2020_11_18.tif] データセットを選択します。 [OK] をクリックします。

   2 つの Landsat 8 画像がマップに追加されます。

   

   最初のレイヤーは、蝗害が始まる前の 2019 年 10 月 15 日に撮影された画像です。 2 つ目の画像は、蝗害が地域中に広がった後の 2020 年 11 月 18 日に撮影された画像です。 画像には、アディスアベバ市とその周辺の農村地域からアレデギ野生生物保護区の境界までが含まれています。

   2 つの画像のレンダリングを最適化して比較します。

5. 必要に応じ、[コンテンツ] ウィンドウで [Landsat8_2020_11_18.tif] レイヤーを選択します。
6. リボンの [ラスター レイヤー] タブをクリックします。 [レンダリング] グループにある [シンボル] ボタンをクリックします。

   

   [シンボル] ウィンドウが表示されます。 [プライマリ シンボル] オプションは [RGB] に設定されます。 Landsat 8 マルチスペクトル画像には本来 11 個のスペクトル バンドがありますが、ダウンロードした画像ではそのうちの 7 個が提供されています。 [赤]、[緑]、[青] の各チャンネルは、現在それぞれバンド 1 (コースタル エアロゾル)、2 (青) 、3 (緑) に設定されています。 これは、元のバンドの順序によるデフォルトのバンドの組み合わせです。 シンボルを変更して、バンド 4 (赤)、バンド 3 (緑)、バンド 2 (青) で構成された自然なカラー レンダリングで画像を表示します。

7. [シンボル] ウィンドウで、次のチャンネルを設定します。
   • [赤] を [sr_band4] に変更します。
   • [緑] を [sr_band3] に変更します。
   • [青] を [sr_band2] に変更します。

   

   マップ上でレイヤーが更新されます。 これで、植生は緑、植生がない場所は茶色または茶色がかったグレー、水は青または青みがかったグレー、都市部は明るいグレーで表示されるようになりました。

   注意:

   画像上の雲および雲の影は、Landsat 8 地表反射率に含まれる品質評価 (QA) バンドを使用して [NoData] 値として設定されています。 これらの地域は空白で表示されるため、その場所には下側にあるレイヤーが見えることがあります。

8. [コンテンツ] ウィンドウで [Landsat8_2019_10_15.tif] レイヤーをクリックします。 [シンボル] ウィンドウで、次のチャンネルを設定します。
   • [赤] を [sr_band4] に変更します。
   • [緑] を [sr_band3] に変更します。
   • [青] を [sr_band2] に変更します。

   スワイプ ツールを使用して、蝗害の前後の 2 つの画像を比較します。

9. [コンテンツ] ウィンドウで [Landsat8_2020_11_18.tif] レイヤーをクリックして選択します。
10. リボンの [ラスター レイヤー] タブの [比較] グループで、[スワイプ] をクリックします。
11. ポインターを上から下にドラッグし、一番上の画像をめくって、下側にある 2 番目の画像を表示します。

    

    2020 年の画像と比較して、2019 年の画像には非常に多くの植生が存在します。

12. リボンの [マップ] タブをクリックします。 [ナビゲーション] グループで、[マップ操作] をクリックします。
13. マップを保存します。

ピクセル値の差を計算する

これで 2 つの画像の違いが視覚化されたため、[変化の検出ウィザード] で NDVI 植生指数を使用して、植生の違いを計算します。

1. リボンの [画像] タブをクリックします。 [解析] グループで [変化の検出] をクリックし、[変化の検出ウィザード] を選択します。

   デフォルトでは、[変化の検出方法] は [ピクセル値の変化] に設定されています。 今回は、画像が連続しているため、このオプションがデフォルトで選択されていました。

2. [From ラスター] で 2019 年の画像を選択します。 [To ラスター] で 2020 年の画像を選択します。

   

3. [次へ] をクリックします。

   [バンドの差分] ウィンドウが表示されます。 ピクセル値の変化モードに固有の複数のオプションを選択できます。

   デフォルトでは、[差分タイプ] は [絶対] に設定されています。 絶対差分は、各画像のピクセル値の数学的な差を示します。 相対差分は、比較される値の大きさを考慮に入れます。 今回は、使用する植生指数の値はすでに正規化されているため (-1 〜 1)、相対差分を使用する必要はありません。

4. [バンド差分方法] で [バンド インデックス差分] を選択します。

   このオプションでは、比較を実行する前に、まず各画像のバンド インデックスを計算することができます。 今回は、植被の比較に使用する NDVI 指数を使用します。 [バンド インデックス] パラメーターは、デフォルトで [NDVI] に設定されています。

   正規化差植生指数 (NDVI) は、画像内の健全な緑色植生の有無を評価する際によく使用される指数です。 赤色および近赤外 (NIR) バンドのスペクトル反射率の情報を使用し、次の式で比率を計算します。

   NDVI = (NIR – Red) / (NIR + Red)

   NIR および赤のスペクトル バンドに対応する画像のバンドを指定します。

5. 両方の画像の [短波赤外バンド インデックス] を [5 - sr_band5] に設定します。 両方の画像の [赤バンド インデックス] を [4 - sr_band4] に設定します。

   

6. [次へ] をクリックします。
7. [差分の分類] ウィンドウで、[統計情報とヒストグラムの計算] ボタンをクリックします。

   

   [変化の検出ウィザード] は、両方の画像の NDVI を計算し、その差を計算するため、完了までに 1 分程度かかることがあります。 [Preview_Mask] レイヤーがマップに追加されます。 このレイヤーは、NDVI 値の差を示しています。

   

   [変化の検出ウィザード] の [差分の分類] ウィンドウには、2 つの日付の差分値の分散を表すヒストグラムが表示されています。 正の値は NDVI の増加 (健全な植生の増加)、負の値は NDVI の減少 (健全な植生の減少) を示しています。

   

   レイヤーのシンボルを変更して、表示内容をわかりやすくします。

8. [コンテンツ] ウィンドウで、[Preview_Mask] カラー ランプをクリックします。

   

   [シンボル] ウィンドウが表示されます。

9. [シンボル] ウィンドウの [配色] でドロップダウン リストを展開し、[名前の表示] チェックボックスをオンにします。 [黄緑青 (連続)] を選択します。

   

10. [反転] チェックボックスをオンにします。

    

    プレビュー マスクが更新されます。 健全な植生が減少した地域はダーク ブルーまたはミディアム ブルーになります。 健全な植生が増加した地域はライト イエローになります。 レイヤーのいくつかの地域は、画像に雲が含まれるために色が付いておらず、[NoData] として表示されています。

    

11. [シンボル] ウィンドウを閉じます。
12. [差分の分類] ウィンドウの [差分の探索] ヒストグラムで、最大ハンドルの矢印を [0] にドラッグし、ヒストグラムの負の値のみが最小ハンドルと最大ハンドルの間で選択されるようにします。

    

    マップ上のプレビュー マスクが更新され、ヒストグラムで選択された最小値 (-1.36) と最大値 (0) の間のピクセル値のみが表示されます。 値の大半が 0 未満です。これは、ほとんどの地域で植生が失われていることを意味します。 特に、撮影日が 1 か月以上離れている場合、2 つの日付の間で NDVI がわずかに低下していることが予想されます。 NDVI が著しく低下している地域を特定する必要があります。

13. 最大ハンドルを約 -0.25 にドラッグします。

    レイヤーが更新されます。 これで、NDVI が 0.25 以上低下した地域のみがマップ上に表示されるようになりました。 この値は NDVI が著しく低下していると考えられます。

14. [値の差分の分類] がオンであることを確認します。 [新しいクラスの追加] ボタンをクリックします。

    

    最小値と最大値が [出力の分類] テーブルに追加されます。 この機能を使用すると、差分ラスターから特定の範囲の値を抽出して分類することができます。 2 つのデータセットの差を計算する代わりに、注目した現象をハイライト表示することができます。

15. [出力の分類] テーブルで、[出力] 値を「1」、[Class Name] を「NDVI Loss」、[色] を赤色に選択します。

    

16. ウィンドウの下部にある [プレビュー] をクリックします。

    [Preview_ClassifiedDifference] レイヤーがマップに追加されました。 赤色のピクセルは、NDVI が著しく低下したすべてのエリアを表しています。

    

    毎年 NDVI はわずかに変化することが予想されますが、今回特定したような NDVI の大きな低下は、破壊的なイベントに起因するとしか考えられません。 画像に見られる低下の原因は、蝗害であると考えられます。 イナゴは植生地域に群がるため、農地は特に被害を受けやすくなります。 このため、何百万人もの人々が壊滅的な損失を被りました。

17. [次へ] をクリックします。

    次に、出力を保存します。

18. [出力の生成] ウィンドウで、次のパラメーターを設定します。
    • [近傍範囲をスムージング] で [なし] が選択されていることを確認します。
    • [結果を別名で保存] で [ラスター データセット] が選択されていることを確認します。
    • [出力データセット] で [参照] をクリックします。 [フォルダー] をダブルクリックし、[Change in Ethiopia] をクリックします。 [名前] に [NDVILoss_2019_2020.tif] と入力します。 [保存] をクリックします。

    

    注意:

    拡張子に .tif を指定すると、ラスター データセットの出力形式が TIFF ファイルになります。 サポートされているすべてのラスター形式のリストについては、「ラスター ファイル形式」ドキュメントをご参照ください。

19. [実行] をクリックします。

    新しいデータセットがマップに追加されます。

20. [コンテンツ] ウィンドウで、[Preview_ClassifiedDifference] および [Preview_Mask] レイヤーをオフにします。

    注意:

    [Preview_ClassifiedDifference] レイヤーが最終結果と異なるように見える場合、原因はプレビュー レイヤーがラスター関数を使用して生成されているためであり、ラスター関数はデータセットの現在の表示に応じてリサンプリングされたピクセル サイズを使用して動的に結果を計算します。

21. プロジェクトを保存します。 [変化の検出ウィザード] を閉じないでください。

同じ解析の複数回の実施

この変化の検出ワークフローはラスター関数を使用して実行されるため、その出力 (および前のモジュールの出力) をラスター関数テンプレートとして保存することができます。 その後、このラスター関数テンプレートを他の画像に使用することで、複数の地域やさまざまな年のデータに適用できる高速かつ反復可能な分析を行うことができます。

次に、NDVI 比較ワークフローを、新しいラスター関数テンプレートとして作成します。

1. [コンテンツ] ウィンドウで、[NDVILoss_2019_2020.tif] レイヤーをオフにします。
2. [変化の検出ウィザード] ウィンドウの [出力の生成] ウィンドウで、[結果を別名で保存] に [ラスター関数テンプレート] を選択します。 [実行] をクリックします。

   解析の実行に使用した関数が設定された [ラスター関数テンプレート] エディター ウィンドウが表示されます。

   

3. 一番上の [ラスター] 入力を右クリックし、[名前の変更] を選択して「From ラスター」に名前を変更します。 一番下の [ラスター] 入力の名前を「To Raster」に変更します。
4. 一番上の [バンド演算] 関数をダブルクリックします。 [バンド演算のプロパティ] ウィンドウで [変数] タブをクリックし、[From ラスター] パラメーターの [パブリック] チェックボックスをオンにします。

   

   この設定により、最終的なラスター関数に [From ラスター] パラメーターが表示されます。 関数を実行する際、[From Raster] パラメーターとして使用するラスターを選択できます。

5. [OK] をクリックします。
6. 一番下の [バンド演算] 関数をダブルクリックします。 [バンド演算のプロパティ] ウィンドウで [変数] タブをクリックし、[To ラスター] パラメーターの [パブリック] チェックボックスをオンにします。
7. [OK] をクリックします。 [ラスター関数テンプレート 1] ウィンドウで [保存] ボタンをクリックします。

   

8. [保存] ウィンドウで、次のパラメーターを設定します。
   • [名前] に「Landsat 8 NDVI Loss」と入力します。
   • [カテゴリ] で [カスタム] を選択します。
   • [説明] に「Compares two Landsat 8 images and extracts a loss in NDVI of 0.25 or more」(2 つの Landsat 8 画像を比較し、NDVI が 0.25 以上低下した地域を抽出) と入力します。

   

9. [OK] をクリックします。
10. [ラスター関数テンプレート 1] ウィンドウを閉じます。 編集した関数チェーンを保存するかどうか確認するメッセージが表示されたら、[いいえ] をクリックします。
11. [変化の検出ウィザード] ウィンドウで [完了] をクリックします。

    直前に作成した関数をテストします。

12. リボンの [画像] タブの [解析] グループで [ラスター関数] ボタンをクリックします。

    

    [ラスター関数] ウィンドウが表示されます。

13. [ラスター関数] ウィンドウで、[カスタム] タブをクリックし、[Custom1] カテゴリを展開します。

    

14. [Landsat 8 NDVI Loss] をクリックします。

    作成した関数が開きます。

15. [Landsat 8 NDVI Loss Properties] ウィンドウにある [From ラスター] で [Landsat8_2019_10_15.tif] を選択します。 [To ラスター] で [Landsat8_2020_11_18.tif] を選択します。
16. [新しいレイヤーの作成] をクリックします。

    生成された関数ラスター レイヤーがマップに追加されます。 [変化の検出ウィザード] で使用したのとまったく同じ処理手順を使用しています。 任意の 2 つの Landsat 8 画像を入力すれば、同様の結果を生成できます。

    注意:

    別のセンサー (別の画像タイプ) を選択する場合は、NDVI の計算に正しいバンドが使用されるよう、バンド演算関数でバンド インデックス値を変更する必要があります。

17. プロジェクトを保存します。 ArcGIS Pro を閉じます。

[変化の検出ウィザード] を使用して、Landsat イメージ レイヤー間のピクセル値の差を計算し、植生が失われた地域を特定しました。 また、再利用可能なラスター関数テンプレートを作成して、同じ解析を他のデータに適用しました。

自分の居住地域の変化解析の実行

[変化の検出ウィザード] を使用すると、独自のデータ コレクションの 2 つのラスター間で差異を計算できます。 また、このウィザードを使用して、グローバル イメージ サービスの 2 つのレイヤーを比較することもできます。このとき、ご自身の居住地域など、任意の場所を対象に解析を行うオプションもあります。

Global Land Cover イメージ サービスによる変化の解析

Global Land Cover 1992-2019 イメージ サービスは ArcGIS Living Atlas でホストされており、指定した年にご自身の居住地域で土地被覆がどのように変化したかを確認するためにアクセスして構成できます。 補足的な演習として次のステップを実行し、ご自身の居住地域の変化を確認します。

1. ArcGIS Pro を起動し、[マップ] テンプレートを使用して任意の名前でプロジェクトを作成します。

   先ほど使用したような情報を含むダイナミック レイヤーにアクセスしますが、ここでは世界全土のレイヤーを使用します。

2. リボンの [表示] タブをクリックします。 [ウィンドウ] グループで、[カタログ ウィンドウ] をクリックします。
3. [カタログ] ウィンドウで [ポータル] タブをクリックして、[Living Atlas] ボタンをクリックします。

   

4. 「Global Land Cover」を検索します。 [Global Land Cover 1992-2019] イメージ サービスを右クリックし、[現在のマップに追加] を選択します。

   

5. リボンの [マップ] タブをクリックします。 [照会] グループで、[場所検索] ボタンをクリックします。

   

6. [場所検索] ウィンドウで「Denver, CO, USA」と入力して、Enter を押します。

   マップが対象地域にズームします。

7. [場所検索] ウィンドウを閉じます。

   注意:

   必要に応じて、地域全体が見えるまでズーム アウトします。

   

8. [コンテンツ] ウィンドウで [Global Land Cover 1992-2019] をクリックして、[プロパティ] を選択します。
9. [レイヤー プロパティ] ウィンドウで、[時間] タブをクリックします。 [時間を使用したフィルター] で、[時間なし - コンテンツは常に表示] を選択します。

   

10. [定義クエリ] タブをクリックします。
11. [新しい定義クエリ] をクリックし、Where 句 [Start Date] が [1992/1/1] [と等しい] という定義クエリを作成します。

    

12. [適用] をクリックします。 [OK] をクリックします。

    マップの土地被覆データは 1992 年のデータです。 解析のためにこのデータのローカル コピーを保存します。

13. [コンテンツ] ウィンドウの [Global Land Cover 1992-2019] レイヤーを右クリックし、[データ] をポイントして [ラスターのエクスポート] を選択します。

    

    [ラスターのエクスポート] ウィンドウが表示されます。

14. [ラスターのエクスポート] ウィンドウの [出力ラスター データセット] で [参照] ボタンをクリックします。 任意の場所を参照して、出力レイヤーの名前として LandCover_1992.tif を指定し、[保存] をクリックします。
15. [座標系] で、[空間参照] ボタンをクリックします。 [空間参照] ウィンドウの検索バーに「アルベルス正積円錐図法」と入力して Enter を押します。

    

16. [投影座標系] を展開して、対象地域に適した座標系を選択します。 [OK] をクリックします。
17. [クリップ ジオメトリ] で [現在の表示範囲] を選択します。

    

18. [エクスポート] をクリックします。

    1992 年の土地被覆ラスターが [コンテンツ] ウィンドウに追加されます。

    

    注意:

    解析の場所によっては、表示される結果が異なることがあります。

    次に、プロセスを繰り返して 2019 年の土地被覆レイヤーを作成します。

19. [Global Land Cover 1992-2019] で次の操作を実行します。
    • [レイヤー プロパティ] ウィンドウで、Where 句 [Start Date] が [2019/1/1] [と等しい] という定義クエリを構築します。
    • [ラスターのエクスポート] ウィンドウの [出力ラスター データセット] で、出力場所を選択し、ラスターの名前として「LandCover_2019.tif」を指定します。
    • [ラスターのエクスポート] ウィンドウの [座標系] で、前に使用したのと同じ座標系を選択します。
    • [ラスターのエクスポート] ウィンドウの [クリップ ジオメトリ] で、[現在の表示範囲] を選択します。
    • [エクスポート] をクリックします。

    2019 年の新しい土地被覆のラスターが、解析に使用するマップに追加されます。

20. [コンテンツ] ウィンドウの [Global Land Cover 1992-2019] レイヤーを右クリックして、[削除] を選択します。

    これで、取得された年が異なる 2 つのカテゴリ ラスターを比較できるようになりました。

21. リボンの [画像] タブの [解析] グループで [変化の検出] をクリックし、[変化の検出ウィザード] を選択します。
22. [変化の検出ウィザード] で次のパラメーターを設定します。
    • [変化検出方法] は [カテゴリの変化] のままにしておきます。
    • [From ラスター] で [LandCover_1992.tif] を選択します。
    • [To ラスター] で [LandCover_2019.tif] を選択します。

    対象地域の土地被覆の変化の解析に進みます。

    ヒント:

    結果をわかりやすく表示するために、1992 年から 2019 年までの元の土地被覆レイヤーをオフにします。

このチュートリアルでは、1992 年と 2018 年の土地被覆データセットを比較し、エチオピアの都市の成長と農業の発展による変化を計算しました。 調査の結果、エチオピアの人口増加は農業の土地利用の増加によるものが大きく、都市の成長は二次的であることがわかりました。 農業は発展を遂げましたが、2020 年にバッタの大群が農作物を食い荒らしたことで、NDVI が低下しました。 2 つの Landsat 8 画像を比較し、NDVI が低下した地域を抽出しました。

他のチュートリアルについては、チュートリアル ギャラリーをご覧ください。

使用許諾

• このチュートリアルで使用される土地被覆データは、年間の European Space Agency Climate Change Initiative による世界の土地被覆マップの時系列から取得されました。 このチュートリアルのレイヤーはグローバル データセットからエチオピアの境界線にクリップされ、詳細な土地被覆クラスはシンプルな分類にマージされました。 元のデータセットの詳細については、ArcGIS Living Atlas から「アイテムの詳細ページ」をご参照ください。
• Landsat 8 画像は USGS EarthExplorer を使用してダウンロードされました。
• Deribew, K.T. エチオピアの衛星都市であるアディスアベバ市の西端で、地理空間手法とシャノン エントロピー法を使用する、森林および農地での都市の成長の時空間解析。 Ecological Processes 9, 46 (2020). https://doi.org/10.1186/s13717-020-00248-3.