Pengumuman: Semua project nonkomersial yang terdaftar untuk menggunakan Earth Engine sebelum
15 April 2025 harus
memverifikasi kelayakan nonkomersial untuk mempertahankan akses Earth Engine.
ee.Algorithms.TemporalSegmentation.Ewmacd
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Deteksi Perubahan Rata-Rata Bergerak Tertimbang Eksponensial. Algoritma ini menghitung model harmonik untuk bagian 'pelatihan' dari data input dan menguranginya dari hasil asli. Residual kemudian tunduk pada diagram X-bar Shewhart dan rata-rata pergerakan tertimbang eksponensial. Piksel yang terganggu ditunjukkan saat diagram menandakan adanya penyimpangan dari batas kontrol yang diberikan.
Outputnya adalah gambar 5 band yang berisi band:
ewma: array 1D dari skor EWMA untuk setiap gambar input. Nilai negatif menunjukkan gangguan dan nilai positif menunjukkan pemulihan.
harmonicCoefficients: Array 1-D dari pasangan koefisien harmonik yang dihitung. Koefisien diurutkan sebagai [konstanta, sin0, cos0, sin1, cos1...]
rmse: RMSE dari regresi harmonik.
rSquared: Nilai r-kuadrat dari regresi harmonik.
residual: array 1D residual dari regresi harmonik.
Lihat: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. dan Coulston, J.W., 2014. Deteksi perubahan multitemporal secara instan dalam skala besar menggunakan diagram kontrol kualitas statistik dan data Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), hlm.3316-3332.
Penggunaan | Hasil |
---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Gambar |
Argumen | Jenis | Detail |
---|
timeSeries | ImageCollection | Koleksi tempat EWMA akan diekstrak. Koleksi ini diharapkan berisi 1 gambar untuk setiap tahun dan diurutkan secara temporal. |
vegetationThreshold | Float | Nilai minimum untuk vegetasi. Nilai di bawah ini dianggap non-vegetasi. |
trainingStartYear | Bilangan Bulat | Tahun mulai periode pelatihan, inklusif. |
trainingEndYear | Bilangan Bulat | Tahun akhir periode pelatihan, eksklusif. |
harmonicCount | Bilangan bulat, default: 2 | Jumlah pasangan fungsi harmonik (sinus dan kosinus) yang digunakan. |
xBarLimit1 | Float, default: 1,5 | Nilai minimum untuk batas xBar pelatihan awal. |
xBarLimit2 | Bilangan bulat, default: 20 | Nilai minimum untuk menjalankan batas xBar. |
lambda | Float, default: 0,3 | Parameter tuning 'lambda' memberi bobot pada tahun baru vs. rata-rata yang sedang berjalan. |
lambdasigs | Float, default: 3 | Batas kontrol EWMA, dalam satuan standar deviasi. |
rounding | Boolean, default: benar (true) | Apakah pembulatan harus dilakukan untuk EWMA. |
persistence | Bilangan bulat, default: 3 | Jumlah minimum pengamatan yang diperlukan untuk mempertimbangkan perubahan. |
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2025-07-27 UTC.
[null,null,["Terakhir diperbarui pada 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. |"]]