إشعار: يجب
إثبات أهلية جميع المشاريع غير التجارية المسجّلة لاستخدام Earth Engine قبل
15 أبريل 2025 من أجل الحفاظ على إمكانية الوصول إلى Earth Engine.
ee.Algorithms.TemporalSegmentation.Ewmacd
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
رصد التغيّرات في المتوسط المتغيّر المرجّح أُسّيًا: تحسب هذه الخوارزمية نموذجًا توافقيًا لجزء "التدريب" من البيانات المدخلة وتطرحه من النتائج الأصلية. بعد ذلك، يتم إخضاع البقايا لمخططات Shewhart X-bar ومتوسط متحرك مرجّح أسيًا. يتم الإشارة إلى وحدات البكسل المضطربة عندما تشير الرسوم البيانية إلى انحراف عن حدود التحكّم المحدّدة.
الناتج هو صورة بخمس نطاقات تحتوي على النطاقات التالية:
ewma: مصفوفة أحادية البعد تتضمّن نتيجة EWMA لكل صورة إدخال. تمثّل القيم السالبة الاضطراب وتمثّل القيم الموجبة التعافي.
harmonicCoefficients: مصفوفة أحادية الأبعاد لأزواج معاملات التوافقيات المحسوبة. يتم ترتيب المعاملات على النحو التالي: [ثابت، sin0، cos0، sin1، cos1...]
rmse: جذر الخطأ التربيعي المتوسّط من الانحدار التوافقي
rSquared: قيمة r-squared من الانحدار التوافقي.
البواقي: مصفوفة أحادية الأبعاد للبواقي من الانحدار التوافقي.
يُرجى الاطّلاع على: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. and Coulston, J.W., 2014. On-the-fly massively multitemporal change detection using statistical quality control charts and Landsat data. IEEE Transactions on Geoscience and Remote Sensing, 52(6), pp.3316-3332.
| الاستخدام | المرتجعات |
|---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | صورة |
| الوسيطة | النوع | التفاصيل |
|---|
timeSeries | ImageCollection | المجموعة التي سيتم استخراج EWMA منها. من المتوقّع أن تحتوي هذه المجموعة على صورة واحدة لكل عام وأن يتم ترتيبها زمنيًا. |
vegetationThreshold | عدد عائم | الحدّ الأدنى للمساحة النباتية ويتم اعتبار القيم الأقل من ذلك غير نباتية. |
trainingStartYear | عدد صحيح | تمثّل هذه السمة عام بدء فترة التدريب، وهي قيمة شاملة. |
trainingEndYear | عدد صحيح | تمثّل هذه السمة السنة الأخيرة من فترة التدريب، وهي قيمة حصرية. |
harmonicCount | عدد صحيح، القيمة التلقائية: 2 | عدد أزواج الدوال التوافقية (الجيب وجيب التمام) المستخدَمة |
xBarLimit1 | العدد العائم، القيمة التلقائية: 1.5 | الحدّ الأدنى لعدد مرات الظهور في فترة التدريب الأولية |
xBarLimit2 | عدد صحيح، القيمة التلقائية: 20 | الحدّ الأدنى لتشغيل حدّ xBar. |
lambda | عدد عشري، القيمة التلقائية: 0.3 | معامل الضبط "lambda" الذي يحدّد وزن السنوات الجديدة مقارنةً بالمتوسط المتحرك |
lambdasigs | Float, default: 3 | حدود التحكّم في المتوسط المرجّح أسيًا (EWMA)، بوحدات الانحرافات المعيارية |
rounding | قيمة منطقية، القيمة التلقائية: true | لتحديد ما إذا كان يجب التقريب في EWMA. |
persistence | عدد صحيح، القيمة التلقائية: 3 | الحدّ الأدنى لعدد المشاهدات اللازمة للنظر في تغيير |
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eExponentially Weighted Moving Average Change Detection (EWMACD) identifies disturbed pixels by comparing image data to a harmonic model and analyzing residuals using control charts.\u003c/p\u003e\n"],["\u003cp\u003eEWMACD uses a training period to establish a baseline and then monitors deviations from this baseline in subsequent years.\u003c/p\u003e\n"],["\u003cp\u003eThe output includes an EWMA score indicating disturbance (negative values) or recovery (positive values), harmonic coefficients, RMSE, r-squared, and residuals.\u003c/p\u003e\n"],["\u003cp\u003eUsers can customize parameters such as the training period, harmonic count, control limits, and persistence for change detection.\u003c/p\u003e\n"],["\u003cp\u003eThe algorithm is designed for analyzing multitemporal image collections, particularly for vegetation change detection using thresholds.\u003c/p\u003e\n"]]],[],null,["# ee.Algorithms.TemporalSegmentation.Ewmacd\n\nExponentially Weighted Moving Average Change Detection. This algorithm computes a harmonic model for the 'training' portion of the input data and subtracts that from the original results. The residuals are then subjected to Shewhart X-bar charts and an exponentially weighted moving average. Disturbed pixels are indicated when the charts signal a deviation from the given control limits.\n\n\u003cbr /\u003e\n\nThe output is a 5 band image containing the bands:\n\newma: a 1D array of the EWMA score for each input image. Negative values represent disturbance and positive values represent recovery.\n\nharmonicCoefficients: A 1-D array of the computed harmonic coefficient pairs. The coefficients are ordered as \\[constant, sin0, cos0, sin1, cos1...\\]\n\nrmse: the RMSE from the harmonic regression.\n\nrSquared: r-squared value from the harmonic regression.\n\nresiduals: 1D array of residuals from the harmonic regression.\n\nSee: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. and Coulston, J.W., 2014. On-the-fly massively multitemporal change detection using statistical quality control charts and Landsat data. IEEE Transactions on Geoscience and Remote Sensing, 52(6), pp.3316-3332.\n\n| Usage | Returns |\n|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|\n| `ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, `*harmonicCount* `, `*xBarLimit1* `, `*xBarLimit2* `, `*lambda* `, `*lambdasigs* `, `*rounding* `, `*persistence*`)` | Image |\n\n| Argument | Type | Details |\n|-----------------------|------------------------|-------------------------------------------------------------------------------------------------------------------------------|\n| `timeSeries` | ImageCollection | Collection from which to extract EWMA. This collection is expected to contain 1 image for each year and be sorted temporally. |\n| `vegetationThreshold` | Float | Threshold for vegetation. Values below this are considered non-vegetation. |\n| `trainingStartYear` | Integer | Start year of training period, inclusive. |\n| `trainingEndYear` | Integer | End year of training period, exclusive. |\n| `harmonicCount` | Integer, default: 2 | Number of harmonic function pairs (sine and cosine) used. |\n| `xBarLimit1` | Float, default: 1.5 | Threshold for initial training xBar limit. |\n| `xBarLimit2` | Integer, default: 20 | Threshold for running xBar limit. |\n| `lambda` | Float, default: 0.3 | The 'lambda' tuning parameter weighting new years vs the running average. |\n| `lambdasigs` | Float, default: 3 | EWMA control bounds, in units of standard deviations. |\n| `rounding` | Boolean, default: true | Should rounding be performed for EWMA. |\n| `persistence` | Integer, default: 3 | Minimum number of observations needed to consider a change. |"]]
