ee.Algorithms.TemporalSegmentation.Ewmacd
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
זיהוי שינויים בממוצע נע משוקלל אקספוננציאלית. האלגוריתם הזה מחשב מודל הרמוני לחלק 'האימון' של נתוני הקלט ומחסר אותו מהתוצאות המקוריות. לאחר מכן, השאריות עוברות ניתוח באמצעות תרשימי X-bar של שווארט וממוצע נע משוקלל אקספוננציאלית. פיקסלים שמופרעים מסומנים כשהתרשימים מצביעים על חריגה מגבולות הבקרה שצוינו.
הפלט הוא תמונה עם 5 פסים שמכילה את הפסים:
ewma: מערך חד-ממדי של ציון ה-EWMA לכל תמונת קלט. ערכים שליליים מייצגים הפרעה וערכים חיוביים מייצגים התאוששות.
harmonicCoefficients: מערך חד-ממדי של זוגות המקדמים ההרמוניים המחושבים. המקדמים מסודרים כך: [קבוע, sin0, cos0, sin1, cos1...]
rmse: ה-RMSE מרגרסיה הרמונית.
rSquared: ערך r-squared מהרגרסיה ההרמונית.
שאריות: מערך חד-ממדי של שאריות מרגרסיה הרמונית.
ראו: Brooks, E.B., ווין, ר.ה. (Wynne, R.H.), Thomas, V.A., בלין, סי. אי. (Blinn, C.E.) וקולסטון, ג'יי. וויי. (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.
| שימוש | החזרות |
|---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | תמונה |
| ארגומנט | סוג | פרטים |
|---|
timeSeries | ImageCollection | האוסף שממנו יש לחלץ את ה-EWMA. האוסף הזה צפוי להכיל תמונה אחת לכל שנה, והתמונות ימוינו לפי סדר כרונולוגי. |
vegetationThreshold | מספר ממשי (float) | סף הצמחייה. ערכים נמוכים יותר נחשבים כלא צמחייה. |
trainingStartYear | מספר שלם | שנת ההתחלה של תקופת האימון, כולל. |
trainingEndYear | מספר שלם | שנת הסיום של תקופת האימון, לא כולל. |
harmonicCount | מספר שלם, ברירת מחדל: 2 | מספר הזוגות של פונקציות הרמוניות (סינוס וקוסינוס) שנעשה בהן שימוש. |
xBarLimit1 | מספר ממשי (float), ברירת מחדל: 1.5 | סף למגבלת xBar של אימון ראשוני. |
xBarLimit2 | מספר שלם, ברירת מחדל: 20 | סף להפעלת הגבלת xBar. |
lambda | מספר ממשי (float), ברירת מחדל: 0.3 | פרמטר הכוונון 'lambda' משקלל את השנים החדשות לעומת הממוצע הנע. |
lambdasigs | מספר ממשי (float), ברירת מחדל: 3 | גבולות בקרה של EWMA, ביחידות של סטיות תקן. |
rounding | בוליאני, ברירת מחדל: true | האם לבצע עיגול ל-EWMA. |
persistence | מספר שלם, ברירת מחדל: 3 | מספר התצפיות המינימלי שנדרש כדי לשקול שינוי. |
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-27 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-27 (שעון 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. |"]]
