ee.Algorithms.TemporalSegmentation.Ewmacd
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Phát hiện thay đổi về giá trị trung bình động có trọng số theo hàm mũ. Thuật toán này tính toán một mô hình hài hoà cho phần "huấn luyện" của dữ liệu đầu vào và trừ phần đó khỏi kết quả ban đầu. Sau đó, các phần dư sẽ được đưa vào biểu đồ X-bar của Shewhart và giá trị trung bình động có trọng số theo cấp số nhân. Các pixel bị nhiễu sẽ được chỉ ra khi biểu đồ cho thấy có sự sai lệch so với các giới hạn kiểm soát đã cho.
Đầu ra là hình ảnh 5 dải chứa các dải:
ewma: một mảng 1D gồm điểm EWMA cho từng hình ảnh đầu vào. Giá trị âm biểu thị sự xáo trộn và giá trị dương biểu thị sự phục hồi.
harmonicCoefficients: Một mảng 1 chiều gồm các cặp hệ số điều hoà đã tính. Các hệ số được sắp xếp theo thứ tự [hằng số, sin0, cos0, sin1, cos1...]
rmse: RMSE từ hồi quy điều hoà.
rSquared: giá trị r bình phương từ hồi quy điều hoà.
phần dư: Mảng 1 chiều gồm các phần dư từ hồi quy điều hoà.
Xem: Brooks, E.B., Wynne, R.H., Thomas, V.A., Blinn, C.E. và Coulston, J.W., 2014. Phát hiện thay đổi đa thời gian quy mô lớn tức thì bằng cách sử dụng biểu đồ kiểm soát chất lượng thống kê và dữ liệu Landsat. IEEE Transactions on Geoscience and Remote Sensing, 52(6), trang 3316-3332.
| Cách sử dụng | Giá trị trả về |
|---|
ee.Algorithms.TemporalSegmentation.Ewmacd(timeSeries, vegetationThreshold, trainingStartYear, trainingEndYear, harmonicCount, xBarLimit1, xBarLimit2, lambda, lambdasigs, rounding, persistence) | Hình ảnh |
| Đối số | Loại | Thông tin chi tiết |
|---|
timeSeries | ImageCollection | Tập hợp mà từ đó cần trích xuất EWMA. Bộ sưu tập này dự kiến sẽ có 1 hình ảnh cho mỗi năm và được sắp xếp theo thời gian. |
vegetationThreshold | Số thực dấu phẩy động | Ngưỡng cho thảm thực vật. Những giá trị dưới mức này được coi là không có thảm thực vật. |
trainingStartYear | Số nguyên | Năm bắt đầu của giai đoạn huấn luyện, bao gồm cả giá trị đầu và giá trị cuối. |
trainingEndYear | Số nguyên | Năm kết thúc thời gian huấn luyện, không bao gồm giá trị đầu và giá trị cuối. |
harmonicCount | Số nguyên, mặc định: 2 | Số lượng cặp hàm điều hoà (sin và cosin) được sử dụng. |
xBarLimit1 | Độ chính xác đơn, mặc định: 1,5 | Ngưỡng cho giới hạn xBar của quá trình huấn luyện ban đầu. |
xBarLimit2 | Số nguyên, mặc định: 20 | Ngưỡng để chạy giới hạn xBar. |
lambda | Độ chính xác đơn, mặc định: 0,3 | Tham số điều chỉnh "lambda" cho biết mức độ ảnh hưởng của năm mới so với mức trung bình động. |
lambdasigs | Số thực, mặc định: 3 | Giới hạn kiểm soát EWMA, theo đơn vị độ lệch chuẩn. |
rounding | Boolean, mặc định: true | Có nên làm tròn cho EWMA hay không. |
persistence | Số nguyên, mặc định: 3 | Số lượng quan sát tối thiểu cần thiết để xem xét một thay đổi. |
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2025-07-27 UTC.
[null,null,["Cập nhật lần gần đây nhất: 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. |"]]
