Anuncio: Todos los proyectos no comerciales registrados para usar Earth Engine antes del
15 de abril de 2025 deben
verificar su elegibilidad no comercial para mantener el acceso a Earth Engine.
ee.Algorithms.TemporalSegmentation.Ewmacd
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Detección de cambios en la media móvil ponderada exponencialmente. Este algoritmo calcula un modelo armónico para la parte de "entrenamiento" de los datos de entrada y lo resta de los resultados originales. Luego, los residuos se someten a gráficos de control X-bar de Shewhart y a una media móvil ponderada exponencialmente. Los píxeles afectados se indican cuando los gráficos señalan una desviación de los límites de control determinados.
El resultado es una imagen de 5 bandas que contiene las siguientes bandas:
ewma: Es un array de 1 dimensión de la puntuación de EWMA para cada imagen de entrada. Los valores negativos representan la perturbación y los valores positivos representan la recuperación.
harmonicCoefficients: Es un array de 1 dimensión de los pares de coeficientes armónicos calculados. Los coeficientes se ordenan como [constante, sen0, cos0, sen1, cos1…].
rmse: Es la RMSE de la regresión armónica.
rSquared: Es el valor de R al cuadrado de la regresión armónica.
residuals: Es un array 1D de los residuos de la regresión armónica.
Consulta Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. and Coulston, J.W., 2014. Detección de cambios multitemporales masiva y sobre la marcha con gráficos de control de calidad estadístico y datos de Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), págs.3316-3332.
| Uso | Muestra |
|---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Imagen |
| Argumento | Tipo | Detalles |
|---|
timeSeries | ImageCollection | Es la colección de la que se extraerá el EWMA. Se espera que esta colección contenga 1 imagen por año y esté ordenada de forma temporal. |
vegetationThreshold | Número de punto flotante | Umbral de vegetación. Los valores inferiores a este se consideran no vegetación. |
trainingStartYear | Número entero | Año de inicio del período de capacitación, incluido. |
trainingEndYear | Número entero | Año de finalización del período de capacitación, exclusivo. |
harmonicCount | Número entero, valor predeterminado: 2 | Es la cantidad de pares de funciones armónicas (seno y coseno) que se usan. |
xBarLimit1 | Número de punto flotante, valor predeterminado: 1.5 | Es el umbral para el límite inicial del gráfico X-barra del entrenamiento. |
xBarLimit2 | Número entero, valor predeterminado: 20 | Es el umbral para ejecutar el límite de xBar. |
lambda | Número de punto flotante, valor predeterminado: 0.3 | Es el parámetro de ajuste "lambda" que pondera los años nuevos en comparación con el promedio móvil. |
lambdasigs | Número de punto flotante, valor predeterminado: 3 | Son los límites de control del EWMA, en unidades de desviaciones estándares. |
rounding | Booleano, valor predeterminado: verdadero | Indica si se debe realizar el redondeo para el EWMA. |
persistence | Número entero, valor predeterminado: 3 | Es la cantidad mínima de observaciones necesarias para considerar un cambio. |
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-07-27 (UTC)
[null,null,["Última actualización: 2025-07-27 (UTC)"],[[["\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. |"]]
