Annuncio: tutti i progetti non commerciali registrati per l'utilizzo di Earth Engine prima del
15 aprile 2025 devono
verificare l'idoneità non commerciale per mantenere l'accesso a Earth Engine.
ee.Algorithms.TemporalSegmentation.Ewmacd
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Rilevamento delle variazioni della media mobile ponderata esponenziale. Questo algoritmo calcola un modello armonico per la parte "training" dei dati di input e lo sottrae dai risultati originali. I residui vengono quindi sottoposti a grafici X-bar di Shewhart e a una media mobile ponderata esponenziale. I pixel disturbati vengono indicati quando i grafici segnalano una deviazione dai limiti di controllo specificati.
L'output è un'immagine a 5 bande contenente le bande:
ewma: un array 1D del punteggio EWMA per ogni immagine di input. I valori negativi rappresentano il disturbo e i valori positivi rappresentano il recupero.
harmonicCoefficients: un array unidimensionale delle coppie di coefficienti armonici calcolati. I coefficienti sono ordinati come [costante, sin0, cos0, sin1, cos1...]
rmse: l'RMSE della regressione armonica.
rSquared: valore R quadrato della regressione armonica.
residui: array 1D dei residui della regressione armonica.
Vedi: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. and Coulston, J.W., 2014. Rilevamento delle modifiche multitemporali massivo al volo utilizzando i grafici di controllo statistico della qualità e i dati Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), pp.3316-3332.
Utilizzo | Resi |
---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Immagine |
Argomento | Tipo | Dettagli |
---|
timeSeries | ImageCollection | Raccolta da cui estrarre la media mobile ponderata esponenziale. Questa raccolta dovrebbe contenere un'immagine per ogni anno ed essere ordinata in base al tempo. |
vegetationThreshold | Float | Soglia per la vegetazione. I valori inferiori a questo sono considerati non vegetazione. |
trainingStartYear | Numero intero | Anno di inizio del periodo di addestramento (valore inserito incluso). |
trainingEndYear | Numero intero | Anno di fine del periodo di addestramento (valore inserito escluso). |
harmonicCount | Numero intero, valore predefinito: 2 | Numero di coppie di funzioni armoniche (seno e coseno) utilizzate. |
xBarLimit1 | Float, valore predefinito: 1,5 | Soglia per il limite xBar dell'addestramento iniziale. |
xBarLimit2 | Numero intero, valore predefinito: 20 | Soglia per l'esecuzione del limite xBar. |
lambda | Float, valore predefinito: 0,3 | Il parametro di ottimizzazione "lambda" pondera i nuovi anni rispetto alla media corrente. |
lambdasigs | Virgola mobile, valore predefinito: 3 | Limiti di controllo EWMA, in unità di deviazione standard. |
rounding | Booleano, valore predefinito: true | Se deve essere eseguito l'arrotondamento per EWMA. |
persistence | Numero intero, valore predefinito: 3 | Numero minimo di osservazioni necessarie per considerare una modifica. |
Salvo quando diversamente specificato, i contenuti di questa pagina sono concessi in base alla licenza Creative Commons Attribution 4.0, mentre gli esempi di codice sono concessi in base alla licenza Apache 2.0. Per ulteriori dettagli, consulta le norme del sito di Google Developers. Java è un marchio registrato di Oracle e/o delle sue consociate.
Ultimo aggiornamento 2025-07-27 UTC.
[null,null,["Ultimo aggiornamento 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. |"]]