ee.Algorithms.TemporalSegmentation.Ewmacd
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Détection des changements de la moyenne mobile pondérée exponentielle. Cet algorithme calcule un modèle harmonique pour la partie "entraînement" des données d'entrée et le soustrait des résultats d'origine. Les résidus sont ensuite soumis à des graphiques X-bar de Shewhart et à une moyenne mobile pondérée exponentielle. Les pixels perturbés sont indiqués lorsque les graphiques signalent un écart par rapport aux limites de contrôle données.
La sortie est une image à cinq bandes contenant les bandes suivantes :
ewma : tableau 1D du score EWMA pour chaque image d'entrée. Les valeurs négatives représentent une perturbation et les valeurs positives représentent une reprise.
harmonicCoefficients : tableau à une dimension des paires de coefficients harmoniques calculées. Les coefficients sont classés comme suit : [constant, sin0, cos0, sin1, cos1...]
rmse : RMSE de la régression harmonique.
rSquared : valeur R au carré de la régression harmonique.
residuals : tableau 1D des résidus de la régression harmonique.
Voir : Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. et Coulston, J.W., 2014. Détection des changements multitemporels massifs à la volée à l'aide de graphiques de contrôle de la qualité statistique et de données Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), pp.3316-3332.
| Utilisation | Renvoie |
|---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Image |
| Argument | Type | Détails |
|---|
timeSeries | ImageCollection | Collection à partir de laquelle extraire l'EWMA. Cette collection doit contenir une image pour chaque année et être triée de manière chronologique. |
vegetationThreshold | Float | Seuil pour la végétation. Les valeurs inférieures à celle-ci sont considérées comme non végétales. |
trainingStartYear | Nombre entier | Année de début de la période d'entraînement (incluse). |
trainingEndYear | Nombre entier | Année de fin de la période de formation (exclue). |
harmonicCount | Entier, valeur par défaut : 2 | Nombre de paires de fonctions harmoniques (sinus et cosinus) utilisées. |
xBarLimit1 | Float, valeur par défaut : 1,5 | Seuil pour la limite xBar de l'entraînement initial. |
xBarLimit2 | Entier, par défaut : 20 | Seuil pour la limite de la carte Xbar. |
lambda | Flottant, valeur par défaut : 0,3 | Paramètre de réglage "lambda" pondérant les nouvelles années par rapport à la moyenne mobile. |
lambdasigs | Float, valeur par défaut : 3 | Limites de contrôle EWMA, en unités d'écart-type. |
rounding | Booléen, valeur par défaut : true | Indique si l'arrondi doit être effectué pour l'EWMA. |
persistence | Entier, par défaut : 3 | Nombre minimal d'observations nécessaires pour considérer un changement. |
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/27 (UTC).
[null,null,["Dernière mise à jour le 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. |"]]
