Ogłoszenie:  wszystkie projekty niekomercyjne zarejestrowane do korzystania z Earth Engine przed 
15 kwietnia 2025 r. muszą 
potwierdzić spełnianie warunków użycia niekomercyjnego, aby zachować dostęp. Jeśli nie przejdziesz weryfikacji do 26 września 2025 r., Twój dostęp może zostać wstrzymany.
  
        
 
       
     
  
  
  
    
  
  
  
    
      ee.Algorithms.TemporalSegmentation.Ccdc
    
    
      
    
    
      
      Zadbaj o dobrą organizację dzięki kolekcji
    
    
      
      Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
    
  
  
      
    
  
  
  
  
  
    
  
  
    
    
    
  
  
Implementuje algorytm czasowego punktu podziału ciągłego wykrywania i klasyfikacji zmian. Ten algorytm znajduje w kolekcji obrazów punkty przerwania czasowego, iteracyjnie dopasowując do danych funkcje harmoniczne. Współczynniki dopasowania są generowane dla wszystkich pasm wejściowych, ale pasma używane do wykrywania punktów przerwania można określić za pomocą argumentu „breakpointBands”.
Więcej informacji znajdziesz w artykule Zhu, Z. i Woodcock, C.E., 2014 r. Ciągłe wykrywanie zmian i klasyfikacja pokrycia terenu z użyciem wszystkich dostępnych danych Landsat. Remote sensing of Environment, 144, pp.152-171.
| Wykorzystanie | Zwroty | 
|---|
| ee.Algorithms.TemporalSegmentation.Ccdc(collection, breakpointBands, tmaskBands, minObservations, chiSquareProbability, minNumOfYearsScaler, dateFormat, lambda, maxIterations) | Obraz | 
| Argument | Typ | Szczegóły | 
|---|
| collection | ImageCollection | Zbiór obrazów, na których ma być uruchomiony CCDC. | 
| breakpointBands | Lista, domyślna: null | Nazwa lub indeks pasm, które mają być używane do wykrywania zmian. Jeśli nie zostanie określony, używane będą wszystkie pasma. | 
| tmaskBands | Lista, domyślna: null | Nazwa lub indeks pasm do użycia na potrzeby iteracyjnego wykrywania chmur za pomocą TMask. Są to zwykle pasmo zielone i pasmo SWIR1. Jeśli nie zostanie określony, maska TMask nie będzie używana. Jeśli parametr „tmaskBands” jest określony, musi być uwzględniony w parametrze „breakpointBands”. | 
| minObservations | Liczba całkowita, domyślnie: 6 | Liczba obserwacji wymaganych do oznaczenia zmiany. | 
| chiSquareProbability | Liczba zmiennoprzecinkowa, domyślnie: 0,99 | Próg prawdopodobieństwa chi-kwadrat dla wykrywania zmian w zakresie [0, 1]. | 
| minNumOfYearsScaler | Liczba zmiennoprzecinkowa, domyślnie: 1,33 | Współczynniki minimalnej liczby lat, po których należy zastosować nowe dopasowanie. | 
| dateFormat | Liczba całkowita, domyślnie: 0 | Reprezentacja czasu, która ma być używana podczas dopasowywania: 0 = dni juliańskie, 1 = ułamkowe lata, 2 = czas systemu UNIX w milisekundach. W ten sposób będą kodowane godziny rozpoczęcia i zakończenia każdego segmentu czasowego oraz przerwy. | 
| lambda | Liczba zmiennoprzecinkowa, domyślnie: 20 | Wartość lambda do dopasowywania regresji LASSO. Jeśli wartość wynosi 0, zamiast LASSO używana jest zwykła metoda najmniejszych kwadratów. | 
| maxIterations | Liczba całkowita, domyślnie: 25000 | Maksymalna liczba uruchomień zbieżności regresji LASSO. Jeśli wartość wynosi 0, zamiast LASSO używana jest zwykła metoda najmniejszych kwadratów. | 
  
  
  
  
  
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
  Ostatnia aktualizacja: 2025-07-26 UTC.
  
  
  
    
      [null,null,["Ostatnia aktualizacja: 2025-07-26 UTC."],[],[]]