ee.Algorithms.TemporalSegmentation.Ccdc
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Triển khai thuật toán điểm ngắt tạm thời Phân loại và phát hiện thay đổi liên tục. Thuật toán này tìm các điểm ngắt tạm thời trong một tập hợp hình ảnh bằng cách lặp lại việc điều chỉnh các hàm điều hoà cho dữ liệu. Các hệ số phù hợp được tạo cho tất cả các dải đầu vào, nhưng bạn có thể chỉ định các dải được dùng để phát hiện điểm ngắt bằng đối số "breakpointBands".
Để biết thêm chi tiết, hãy xem Zhu, Z. và Woodcock, C.E., 2014. Liên tục phát hiện và phân loại thay đổi về mức độ bao phủ đất bằng cách sử dụng tất cả dữ liệu Landsat hiện có. Remote sensing of Environment, 144, pp.152-171.
| Cách sử dụng | Giá trị trả về |
|---|
ee.Algorithms.TemporalSegmentation.Ccdc(collection, breakpointBands, tmaskBands, minObservations, chiSquareProbability, minNumOfYearsScaler, dateFormat, lambda, maxIterations) | Hình ảnh |
| Đối số | Loại | Thông tin chi tiết |
|---|
collection | ImageCollection | Tập hợp hình ảnh để chạy CCDC. |
breakpointBands | Danh sách, mặc định: null | Tên hoặc chỉ mục của các dải tần cần dùng để phát hiện thay đổi. Nếu bạn không chỉ định, thì tất cả các dải tần đều được sử dụng. |
tmaskBands | Danh sách, mặc định: null | Tên hoặc chỉ mục của các dải tần cần sử dụng để phát hiện đám mây TMask lặp lại. Đây thường là dải màu xanh lục và dải SWIR1. Nếu không chỉ định, TMask sẽ không được dùng. Nếu được chỉ định, "tmaskBands" phải có trong "breakpointBands". |
minObservations | Số nguyên, mặc định: 6 | Số lần quan sát cần thiết để gắn cờ một thay đổi. |
chiSquareProbability | Độ chính xác đơn, mặc định: 0,99 | Ngưỡng xác suất bình phương khi phát hiện thay đổi trong phạm vi [0, 1]. |
minNumOfYearsScaler | Độ chính xác đơn, mặc định: 1,33 | Các yếu tố của số năm tối thiểu để áp dụng phương pháp lắp đặt mới. |
dateFormat | Số nguyên, mặc định: 0 | Biểu thị thời gian để sử dụng trong quá trình điều chỉnh: 0 = jDays, 1 = năm phân số, 2 = thời gian Unix tính bằng mili giây. Thời gian bắt đầu, thời gian kết thúc và thời gian nghỉ của mỗi phân đoạn thời gian sẽ được mã hoá theo cách này. |
lambda | Độ chính xác đơn, mặc định: 20 | Lambda để điều chỉnh hồi quy LASSO. Nếu bạn đặt thành 0, thì hệ thống sẽ sử dụng OLS thông thường thay vì LASSO. |
maxIterations | Số nguyên, mặc định: 25000 | Số lần chạy tối đa để hội tụ hồi quy LASSO. Nếu bạn đặt thành 0, thì hệ thống sẽ sử dụng OLS thông thường thay vì LASSO. |
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2025-07-26 UTC.
[null,null,["Cập nhật lần gần đây nhất: 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. |"]]
