Объявление : Все некоммерческие проекты, зарегистрированные для использования Earth Engine до
15 апреля 2025 года, должны
подтвердить некоммерческое право на сохранение доступа к Earth Engine.
ee.Algorithms.TemporalSegmentation.Ewmacd
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Обнаружение изменений с помощью экспоненциально взвешенного скользящего среднего. Этот алгоритм вычисляет гармоническую модель для «обучающей» части входных данных и вычитает её из исходных результатов. Затем остатки подвергаются обработке с помощью диаграмм Шухарта X-bar и экспоненциально взвешенного скользящего среднего. Искажённые пиксели отображаются, когда диаграммы сигнализируют об отклонении от заданных контрольных пределов.
На выходе получается 5-полосное изображение, содержащее полосы:
ewma: одномерный массив оценок EWMA для каждого входного изображения. Отрицательные значения соответствуют нарушению, положительные — восстановлению.
harmonicCoefficients: одномерный массив вычисленных пар гармонических коэффициентов. Коэффициенты упорядочены в виде [constant, sin0, cos0, sin1, cos1...]
rmse: среднеквадратическая ошибка гармонической регрессии.
rSquared: значение r-квадрата из гармонической регрессии.
остатки: одномерный массив остатков гармонической регрессии.
См.: Брукс, Э.Б., Уайнн, Р.Х., Томас, В.А., Блинн, К.Э. и Коулстон, Дж.В., 2014. Обнаружение массовых многовременных изменений в режиме реального времени с использованием статистических карт контроля качества и данных Landsat. Труды IEEE по геонаукам и дистанционному зондированию, 52(6), стр. 3316–3332.
| Использование | Возврат | ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount , xBarLimit1 , xBarLimit2 , lambda , lambdasigs , rounding , persistence ) | Изображение |
| Аргумент | Тип | Подробности | timeSeries | Коллекция изображений | Коллекция, из которой будет извлечена информация об EWMA. Ожидается, что эта коллекция будет содержать по одному изображению за каждый год и будет отсортирована по времени. |
vegetationThreshold | Плавать | Пороговое значение для растительности. Значения ниже этого значения считаются отсутствием растительности. |
trainingStartYear | Целое число | Год начала периода обучения включительно. |
trainingEndYear | Целое число | Конец года обучения, эксклюзив. |
harmonicCount | Целое число, по умолчанию: 2 | Количество использованных пар гармонических функций (синус и косинус). |
xBarLimit1 | Плавающий, по умолчанию: 1,5 | Пороговое значение для начального тренировочного лимита xBar. |
xBarLimit2 | Целое число, по умолчанию: 20 | Пороговое значение для ограничения xBar. |
lambda | Плавающий, по умолчанию: 0,3 | Параметр настройки «лямбда», весовой коэффициент для новых лет по сравнению со скользящим средним значением. |
lambdasigs | Число с плавающей точкой, по умолчанию: 3 | Контрольные границы EWMA, в единицах стандартных отклонений. |
rounding | Логическое значение, по умолчанию: true | Следует ли производить округление для EWMA. |
persistence | Целое число, по умолчанию: 3 | Минимальное количество наблюдений, необходимое для рассмотрения изменения. |
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2025-07-24 UTC.
[null,null,["Последнее обновление: 2025-07-24 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. |"]]
