Duyuru:
15 Nisan 2025'ten önce Earth Engine'i kullanmak için kaydedilen tüm ticari olmayan projelerin Earth Engine erişimini sürdürmek için
ticari olmayan uygunluğu doğrulaması gerekir.
ee.Algorithms.TemporalSegmentation.Ewmacd
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Üstel olarak ağırlıklandırılmış hareketli ortalama değişikliği algılama. Bu algoritma, giriş verilerinin "eğitim" kısmı için bir harmonik model hesaplar ve bunu orijinal sonuçlardan çıkarır. Kalanlar daha sonra Shewhart X-bar grafikleri ve üstel olarak ağırlıklandırılmış hareketli ortalamaya tabi tutulur. Grafikler, verilen kontrol sınırlarından sapma olduğunu gösterdiğinde bozuk pikseller belirtilir.
Çıkış, şu bantları içeren 5 bantlı bir görüntüdür:
ewma: Her giriş resmi için EWMA puanının 1 boyutlu dizisi. Negatif değerler rahatsızlığı, pozitif değerler ise iyileşmeyi temsil eder.
harmonicCoefficients: Hesaplanan harmonik katsayı çiftlerinin 1 boyutlu dizisi. Katsayılar [sabit, sin0, cos0, sin1, cos1...] şeklinde sıralanır.
rmse: Harmonik regresyondan elde edilen RMSE.
rKare: Harmonik regresyondan elde edilen r kare değeri.
residuals: Harmonik regresyondan elde edilen artıkların 1 boyutlu dizisi.
Bkz: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. ve Coulston, J.W., 2014. İstatistiksel kalite kontrol çizelgeleri ve Landsat verileri kullanılarak anında büyük ölçekli çok zamanlı değişiklik algılama. IEEE Transactions on Geoscience and Remote Sensing, 52(6), s.3316-3332.
| Kullanım | İadeler |
|---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Resim |
| Bağımsız Değişken | Tür | Ayrıntılar |
|---|
timeSeries | ImageCollection | EWMA'nın ayıklanacağı koleksiyon. Bu koleksiyonda her yıl için 1 resim olması ve resimlerin zamana göre sıralanması beklenir. |
vegetationThreshold | Kayan | Bitki örtüsü eşiği. Bu değerin altındaki değerler bitki örtüsü dışı olarak kabul edilir. |
trainingStartYear | Tamsayı | Eğitim döneminin başlangıç yılı (girilen tarihler dahil). |
trainingEndYear | Tamsayı | Eğitim döneminin bitiş yılı (girilen tarihler dahil değil). |
harmonicCount | Tamsayı, varsayılan: 2 | Kullanılan harmonik fonksiyon çiftlerinin (sinüs ve kosinüs) sayısı. |
xBarLimit1 | Ondalık sayı, varsayılan: 1,5 | İlk eğitim xBar sınırı için eşik. |
xBarLimit2 | Tamsayı, varsayılan: 20 | xBar sınırını çalıştırma eşiği. |
lambda | Kayan, varsayılan: 0,3 | Yeni yıllara karşı çalışan ortalamayı ağırlıklandıran "lambda" ayarlama parametresi. |
lambdasigs | Ondalık sayı, varsayılan: 3 | Standart sapma birimleriyle ifade edilen EWMA kontrol sınırları. |
rounding | Boole değeri, varsayılan: true | EWMA için yuvarlama yapılmalı mı? |
persistence | Tamsayı, varsayılan: 3 | Bir değişikliğin dikkate alınması için gereken minimum gözlem sayısı. |
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-27 UTC.
[null,null,["Son güncelleme tarihi: 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. |"]]
