ee.Algorithms.TemporalSegmentation.Ewmacd
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
تشخیص تغییر میانگین متحرک به صورت نمایی. این الگوریتم یک مدل هارمونیک را برای بخش "آموزش" داده های ورودی محاسبه می کند و آن را از نتایج اولیه کم می کند. سپس باقیمانده ها در معرض نمودارهای میله ای ایکس شوهارت و میانگین متحرک وزنی نمایی قرار می گیرند. هنگامی که نمودارها انحراف از محدودیت های کنترل داده شده را نشان می دهند، پیکسل های مختل نشان داده می شوند.
خروجی یک تصویر 5 باندی حاوی باندهای زیر است:
ewma: یک آرایه 1 بعدی از امتیاز EWMA برای هر تصویر ورودی. مقادیر منفی نشان دهنده اختلال و مقادیر مثبت نشان دهنده بهبود هستند.
ضرایب هارمونیک: آرایه 1 بعدی از جفت های ضریب هارمونیک محاسبه شده. ضرایب به صورت [ثابت، sin0، cos0، sin1، cos1...] مرتب شده اند.
rmse: RMSE از رگرسیون هارمونیک.
rSquared: مقدار r-squared از رگرسیون هارمونیک.
باقیمانده ها: آرایه 1 بعدی از باقیمانده ها از رگرسیون هارمونیک.
مشاهده کنید: Brooks, EB, Wynne, RH, Thomas, VA, Blinn, CE and Coulston, JW, 2014. تشخیص تغییرات انبوه چند زمانی در پرواز با استفاده از نمودارهای کنترل کیفیت آماری و داده های Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), pp.3316-3332.
| استفاده | برمی گرداند | ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount , xBarLimit1 , xBarLimit2 , lambda , lambdasigs , rounding , persistence ) | تصویر |
| استدلال | تایپ کنید | جزئیات | timeSeries | ImageCollection | مجموعه ای که از آن می توان EWMA را استخراج کرد. انتظار می رود این مجموعه شامل 1 تصویر برای هر سال باشد و به طور موقت مرتب شود. |
vegetationThreshold | شناور | آستانه پوشش گیاهی مقادیر زیر این غیر پوشش گیاهی در نظر گرفته می شوند. |
trainingStartYear | عدد صحیح | سال شروع دوره آموزشی، فراگیر. |
trainingEndYear | عدد صحیح | پایان سال دوره آموزشی، اختصاصی. |
harmonicCount | عدد صحیح، پیش فرض: 2 | تعداد جفت تابع هارمونیک (سینوس و کسینوس) استفاده شده. |
xBarLimit1 | شناور، پیش فرض: 1.5 | آستانه آموزش اولیه محدودیت xBar. |
xBarLimit2 | عدد صحیح، پیش فرض: 20 | آستانه اجرای محدودیت xBar. |
lambda | شناور، پیش فرض: 0.3 | پارامتر تنظیم "لامبدا" سال جدید را در مقابل میانگین در حال اجرا وزن می کند. |
lambdasigs | شناور، پیش فرض: 3 | مرزهای کنترل EWMA، در واحدهای انحراف استاندارد. |
rounding | بولی، پیش فرض: درست است | آیا باید گرد کردن برای EWMA انجام شود. |
persistence | عدد صحیح، پیش فرض: 3 | حداقل تعداد مشاهدات مورد نیاز برای در نظر گرفتن تغییر. |
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[[["\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. |"]]
