ee.Algorithms.TemporalSegmentation.Ccdc
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Implémente l'algorithme de classification et de détection des changements continus. Cet algorithme trouve des points d'arrêt temporels dans une collection d'images en ajustant de manière itérative des fonctions harmoniques aux données. Des coefficients d'ajustement sont générés pour toutes les bandes d'entrée, mais les bandes utilisées pour la détection des points d'arrêt peuvent être spécifiées avec l'argument "breakpointBands".
Pour en savoir plus, consultez Zhu, Z. et Woodcock, C.E., 2014. Détection et classification continues des changements de couverture terrestre à l'aide de toutes les données Landsat disponibles. Remote sensing of Environment, 144, pp.152-171.
Utilisation | Renvoie |
---|
ee.Algorithms.TemporalSegmentation.Ccdc(collection, breakpointBands, tmaskBands, minObservations, chiSquareProbability, minNumOfYearsScaler, dateFormat, lambda, maxIterations) | Image |
Argument | Type | Détails |
---|
collection | ImageCollection | Collection d'images sur lesquelles exécuter CCDC. |
breakpointBands | Liste, valeur par défaut : null | Nom ou index des bandes à utiliser pour la détection des changements. Si aucune valeur n'est spécifiée, toutes les bandes sont utilisées. |
tmaskBands | Liste, valeur par défaut : null | Nom ou index des bandes à utiliser pour la détection itérative des nuages TMask. Il s'agit généralement de la bande verte et de la bande SWIR1. Si aucune valeur n'est spécifiée, TMask n'est pas utilisé. Si elle est spécifiée, "tmaskBands" doit être incluse dans "breakpointBands". |
minObservations | Entier, par défaut : 6 | Nombre d'observations requises pour signaler un changement. |
chiSquareProbability | Flottant, valeur par défaut : 0,99 | Seuil de probabilité du chi carré pour la détection des changements, dans la plage [0, 1]. |
minNumOfYearsScaler | Flottant, valeur par défaut : 1,33 | Facteurs du nombre minimal d'années pour appliquer un nouvel ajustement. |
dateFormat | Entier, valeur par défaut : 0 | Représentation temporelle à utiliser lors de l'ajustement : 0 = jDays, 1 = années fractionnaires, 2 = heure Unix en millisecondes. Les heures de début, de fin et de pause de chaque segment temporel seront encodées de cette manière. |
lambda | Float, valeur par défaut : 20 | Lambda pour l'ajustement de la régression LASSO. Si la valeur est définie sur 0, la régression OLS standard est utilisée à la place de LASSO. |
maxIterations | Entier, par défaut : 25 000 | Nombre maximal d'exécutions pour la convergence de la régression LASSO. Si la valeur est définie sur 0, la régression OLS standard est utilisée à la place de LASSO. |
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/26 (UTC).
[null,null,["Dernière mise à jour le 2025/07/26 (UTC)."],[[["\u003cp\u003eImplements the Continuous Change Detection and Classification (CCDC) algorithm to identify temporal breakpoints (changes over time) within an image collection.\u003c/p\u003e\n"],["\u003cp\u003eUses harmonic functions to fit the image data and detect changes based on specified bands and statistical thresholds.\u003c/p\u003e\n"],["\u003cp\u003eOffers customization options such as selecting specific bands for change detection, adjusting sensitivity parameters, and configuring the time format for results.\u003c/p\u003e\n"],["\u003cp\u003eProvides fit coefficients for all input bands, aiding in understanding the nature of the detected changes.\u003c/p\u003e\n"],["\u003cp\u003eRelies on iterative fitting and statistical analysis to pinpoint breakpoints and ensure robust change detection.\u003c/p\u003e\n"]]],[],null,["# ee.Algorithms.TemporalSegmentation.Ccdc\n\nImplements the Continuous Change Detection and Classification temporal breakpoint algorithm. This algorithm finds temporal breakpoints in an image collection by iteratively fitting harmonic functions to the data. Fit coefficients are produced for all input bands, but the bands used for breakpoint detection can be specified with the 'breakpointBands' argument.\n\n\u003cbr /\u003e\n\nFor more details, see Zhu, Z. and Woodcock, C.E., 2014. Continuous change detection and classification of land cover using all available Landsat data. Remote sensing of Environment, 144, pp.152-171.\n\n| Usage | Returns |\n|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|\n| `ee.Algorithms.TemporalSegmentation.Ccdc(collection, `*breakpointBands* `, `*tmaskBands* `, `*minObservations* `, `*chiSquareProbability* `, `*minNumOfYearsScaler* `, `*dateFormat* `, `*lambda* `, `*maxIterations*`)` | Image |\n\n| Argument | Type | Details |\n|------------------------|-------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| `collection` | ImageCollection | Collection of images on which to run CCDC. |\n| `breakpointBands` | List, default: null | The name or index of the bands to use for change detection. If unspecified, all bands are used. |\n| `tmaskBands` | List, default: null | The name or index of the bands to use for iterative TMask cloud detection. These are typically the green band and the SWIR1 band. If unspecified, TMask is not used. If specified, 'tmaskBands' must be included in 'breakpointBands'. |\n| `minObservations` | Integer, default: 6 | The number of observations required to flag a change. |\n| `chiSquareProbability` | Float, default: 0.99 | The chi-square probability threshold for change detection in the range of \\[0, 1\\]. |\n| `minNumOfYearsScaler` | Float, default: 1.33 | Factors of minimum number of years to apply new fitting. |\n| `dateFormat` | Integer, default: 0 | The time representation to use during fitting: 0 = jDays, 1 = fractional years, 2 = unix time in milliseconds. The start, end and break times for each temporal segment will be encoded this way. |\n| `lambda` | Float, default: 20 | Lambda for LASSO regression fitting. If set to 0, regular OLS is used instead of LASSO. |\n| `maxIterations` | Integer, default: 25000 | Maximum number of runs for LASSO regression convergence. If set to 0, regular OLS is used instead of LASSO. |"]]