Anúncio: todos os projetos não comerciais registrados para usar o Earth Engine antes de
15 de abril de 2025 precisam
verificar a qualificação não comercial para manter o acesso ao Earth Engine.
ee.Algorithms.TemporalSegmentation.Ewmacd
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Detecção de mudança de média móvel ponderada exponencialmente. Esse algoritmo calcula um modelo harmônico para a parte de "treinamento" dos dados de entrada e subtrai isso dos resultados originais. Os resíduos são então submetidos a gráficos de controle X-barra de Shewhart e a uma média móvel ponderada exponencialmente. Os pixels afetados são indicados quando os gráficos sinalizam um desvio dos limites de controle especificados.
A saída é uma imagem de cinco bandas que contém:
ewma: uma matriz 1D da pontuação de EWMA para cada imagem de entrada. Valores negativos representam perturbação, e valores positivos representam recuperação.
harmonicCoefficients: uma matriz unidimensional dos pares de coeficientes harmônicos calculados. Os coeficientes são ordenados como [constante, sin0, cos0, sin1, cos1...].
rmse: o REQM da regressão harmônica.
rSquared: valor de R ao quadrado da regressão harmônica.
residuals: matriz 1D de resíduos da regressão harmônica.
Consulte: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. e Coulston, J.W., 2014. Detecção de mudanças multitemporais em grande escala usando gráficos de controle de qualidade estatística e dados do Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), pp.3316-3332.
Uso | Retorna |
---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Imagem |
Argumento | Tipo | Detalhes |
---|
timeSeries | ImageCollection | Coleção de onde extrair a EWMA. Essa coleção precisa ter uma imagem para cada ano e ser classificada temporalmente. |
vegetationThreshold | Ponto flutuante | Limite para vegetação. Valores abaixo disso são considerados não vegetação. |
trainingStartYear | Número inteiro | Ano de início do período de treinamento, inclusive. |
trainingEndYear | Número inteiro | Ano de término do período de treinamento, exclusivo. |
harmonicCount | Número inteiro, padrão: 2 | Número de pares de funções harmônicas (seno e cosseno) usados. |
xBarLimit1 | Ponto flutuante, padrão: 1,5 | Limite para o limite de xBar do treinamento inicial. |
xBarLimit2 | Número inteiro, padrão: 20 | Limite para execução do limite xBar. |
lambda | Ponto flutuante, padrão: 0,3 | O parâmetro de ajuste "lambda" pondera os novos anos em relação à média móvel. |
lambdasigs | Ponto flutuante, padrão: 3 | Limites de controle de EWMA, em unidades de desvios padrão. |
rounding | Booleano, padrão: verdadeiro | O arredondamento deve ser feito para EWMA. |
persistence | Número inteiro, padrão: 3 | Número mínimo de observações necessárias para considerar uma mudança. |
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-07-27 UTC.
[null,null,["Última atualização 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. |"]]