ee.Algorithms.TemporalSegmentation.Ccdc
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
מיישם את האלגוריתם של נקודת זמן שבה מתרחש שינוי זמני וסיווג של זיהוי שינוי רציף. האלגוריתם הזה מוצא נקודות שבירה זמניות באוסף תמונות על ידי התאמה איטרטיבית של פונקציות הרמוניות לנתונים. מקבלים מקדמי התאמה לכל רצועות הקלט, אבל אפשר לציין את הרצועות שמשמשות לזיהוי נקודות שבירה באמצעות הארגומנט breakpointBands.
לפרטים נוספים, אפשר לקרוא את Zhu, Z. and Woodcock, C.E., 2014. זיהוי רציף של שינויים וסיווג של כיסוי הקרקע באמצעות כל הנתונים הזמינים של Landsat. חישה מרחוק של הסביבה, 144, עמ' 152-171.
| שימוש | החזרות |
|---|
ee.Algorithms.TemporalSegmentation.Ccdc(collection, breakpointBands, tmaskBands, minObservations, chiSquareProbability, minNumOfYearsScaler, dateFormat, lambda, maxIterations) | תמונה |
| ארגומנט | סוג | פרטים |
|---|
collection | ImageCollection | אוסף תמונות שרוצים להריץ עליהן את CCDC. |
breakpointBands | רשימה, ברירת מחדל: null | השם או האינדקס של הפסים שבהם רוצים להשתמש לזיהוי שינויים. אם לא מציינים, נעשה שימוש בכל הפסים. |
tmaskBands | רשימה, ברירת מחדל: null | השם או האינדקס של הפסים שבהם יש להשתמש לזיהוי איטרטיבי של עננים ב-TMask. בדרך כלל מדובר בפס הירוק ובפס SWIR1. אם לא צוין ערך, לא נעשה שימוש ב-TMask. אם מציינים את המאפיין tmaskBands, הוא חייב להיכלל במאפיין breakpointBands. |
minObservations | מספר שלם, ברירת מחדל: 6 | מספר התצפיות שנדרשות כדי לסמן שינוי. |
chiSquareProbability | מספר ממשי (float), ברירת מחדל: 0.99 | הסף של ההסתברות לשינוי במבחן חי בריבוע בטווח [0, 1]. |
minNumOfYearsScaler | מספר ממשי (float), ברירת מחדל: 1.33 | גורמים שקובעים את מספר השנים המינימלי שצריך לעבור כדי להחיל התאמה חדשה. |
dateFormat | מספר שלם, ברירת מחדל: 0 | ייצוג הזמן שבו צריך להשתמש במהלך ההתאמה: 0 = ימים, 1 = שברים של שנים, 2 = זמן יוניקס באלפיות השנייה. שעות ההתחלה, הסיום וההפסקה של כל מקטע זמני יקודדו בצורה הזו. |
lambda | מספר ממשי (float), ברירת מחדל: 20 | Lambda להתאמת רגרסיה של LASSO. אם הערך הוא 0, נעשה שימוש ב-OLS רגיל במקום ב-LASSO. |
maxIterations | מספר שלם, ברירת מחדל: 25000 | מספר הריצות המקסימלי להתכנסות של רגרסיית LASSO. אם הערך הוא 0, נעשה שימוש ב-OLS רגיל במקום ב-LASSO. |
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-26 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-26 (שעון 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. |"]]
