ঘোষণা :
15 এপ্রিল, 2025 এর আগে আর্থ ইঞ্জিন ব্যবহার করার জন্য নিবন্ধিত সমস্ত অবাণিজ্যিক প্রকল্পগুলিকে অবশ্যই আর্থ ইঞ্জিন অ্যাক্সেস বজায় রাখার জন্য
অ-বাণিজ্যিক যোগ্যতা যাচাই করতে হবে।
ee.Algorithms.TemporalSegmentation.Ewmacd
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
এক্সপোনেনশিয়ালি ওয়েটেড মুভিং এভারেজ চেঞ্জ ডিটেকশন। এই অ্যালগরিদম ইনপুট ডেটার 'প্রশিক্ষণ' অংশের জন্য একটি সুরেলা মডেল গণনা করে এবং মূল ফলাফল থেকে বিয়োগ করে। অবশিষ্টাংশগুলি তারপরে Shewhart X-বার চার্ট এবং একটি সূচকীয়ভাবে ওজনযুক্ত চলমান গড়ের অধীনস্থ হয়। বিক্ষিপ্ত পিক্সেল নির্দেশিত হয় যখন চার্ট প্রদত্ত নিয়ন্ত্রণ সীমা থেকে বিচ্যুতির সংকেত দেয়।
আউটপুট হল একটি 5 ব্যান্ডের ছবি যাতে ব্যান্ডগুলি রয়েছে:
ewma: প্রতিটি ইনপুট চিত্রের জন্য EWMA স্কোরের একটি 1D অ্যারে। নেতিবাচক মানগুলি বিরক্তির প্রতিনিধিত্ব করে এবং ইতিবাচক মানগুলি পুনরুদ্ধারের প্রতিনিধিত্ব করে।
harmonicCoefficients: গণনা করা হারমোনিক সহগ জোড়ার একটি 1-D অ্যারে। সহগগুলিকে [ধ্রুবক, sin0, cos0, sin1, cos1...] হিসাবে আদেশ করা হয়েছে
rmse: হারমোনিক রিগ্রেশন থেকে RMSE।
rSquared: হারমোনিক রিগ্রেশন থেকে r-বর্গীয় মান।
অবশিষ্টাংশ: হারমোনিক রিগ্রেশন থেকে অবশিষ্টাংশের 1D অ্যারে।
দেখুন: Brooks, EB, Wynne, RH, Thomas, VA, Blinn, CE এবং Coulston, JW, 2014। পরিসংখ্যানগত মান নিয়ন্ত্রণের চার্ট এবং Landsat ডেটা ব্যবহার করে অন-দ্য-ফ্লাই ব্যাপকভাবে মাল্টিটেম্পোরাল পরিবর্তন সনাক্তকরণ। IEEE লেনদেন অন জিওসায়েন্স অ্যান্ড রিমোট সেন্সিং, 52(6), pp.3316-3332।
| ব্যবহার | রিটার্নস | ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount , xBarLimit1 , xBarLimit2 , lambda , lambdasigs , rounding , persistence ) | ছবি |
| যুক্তি | টাইপ | বিস্তারিত | timeSeries | ইমেজ কালেকশন | সংগ্রহ যা থেকে EWMA বের করতে হবে। এই সংগ্রহে প্রতি বছরের জন্য 1টি ছবি থাকবে এবং সাময়িকভাবে সাজানো হবে বলে আশা করা হচ্ছে। |
vegetationThreshold | ভাসা | গাছপালা জন্য থ্রেশহোল্ড. এর নীচের মানগুলিকে অ-উদ্ভিদ হিসাবে বিবেচনা করা হয়। |
trainingStartYear | পূর্ণসংখ্যা | প্রশিক্ষণের সময়কালের শুরুর বছর, অন্তর্ভুক্ত। |
trainingEndYear | পূর্ণসংখ্যা | প্রশিক্ষণ সময়ের শেষ বছর, একচেটিয়া। |
harmonicCount | পূর্ণসংখ্যা, ডিফল্ট: 2 | ব্যবহৃত হারমোনিক ফাংশন জোড়ার সংখ্যা (সাইন এবং কোসাইন)। |
xBarLimit1 | ফ্লোট, ডিফল্ট: 1.5 | প্রাথমিক প্রশিক্ষণের জন্য থ্রেশহোল্ড xBar সীমা। |
xBarLimit2 | পূর্ণসংখ্যা, ডিফল্ট: 20 | xBar সীমা চালানোর জন্য থ্রেশহোল্ড। |
lambda | ফ্লোট, ডিফল্ট: 0.3 | 'ল্যাম্বডা' টিউনিং প্যারামিটার নতুন বছর বনাম চলমান গড়। |
lambdasigs | ফ্লোট, ডিফল্ট: 3 | EWMA কন্ট্রোল বাউন্ড, স্ট্যান্ডার্ড ডিভিয়েশনের এককে। |
rounding | বুলিয়ান, ডিফল্ট: সত্য | EWMA এর জন্য রাউন্ডিং করা উচিত। |
persistence | পূর্ণসংখ্যা, ডিফল্ট: 3 | একটি পরিবর্তন বিবেচনা করার জন্য ন্যূনতম সংখ্যক পর্যবেক্ষণ প্রয়োজন। |
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-24 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-24 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["\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. |"]]
