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. Se você não fizer a verificação até 26 de setembro de 2025, seu acesso poderá ser suspenso.
  
        
 
       
     
  
  
  
    
  
  
  
    
      ee.Algorithms.TemporalSegmentation.LandTrendr
    
    
      
    
    
      
      Mantenha tudo organizado com as coleções
    
    
      
      Salve e categorize o conteúdo com base nas suas preferências.
    
  
  
      
    
  
  
  
  
  
    
  
  
    
    
    
  
  
Detecção baseada no Landsat de tendências de perturbação e recuperação: segmenta temporalmente uma série temporal de imagens extraindo as trajetórias espectrais de mudança ao longo do tempo. A primeira banda de cada imagem é usada para encontrar pontos de interrupção, que são usados para realizar o ajuste em todas as bandas subsequentes. Os pontos de interrupção são retornados como uma matriz bidimensional de quatro linhas e tantas colunas quanto imagens. As duas primeiras linhas são os valores originais de X e Y. A terceira linha contém os valores Y ajustados aos segmentos estimados, e a quarta linha contém um "1" se o ponto correspondente foi usado como um vértice de segmento ou "0" se não foi. Todas as bandas ajustadas adicionais são anexadas como linhas na saída. O ajuste de ponto de interrupção pressupõe que valores crescentes representam perturbação e valores decrescentes representam recuperação.
Consulte: Kennedy, R.E., Yang, Z. e Cohen, W.B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr: algoritmos de segmentação temporal. Remote Sensing of Environment, 114(12), pp.2897-2910.
| Uso | Retorna | 
|---|
| ee.Algorithms.TemporalSegmentation.LandTrendr(timeSeries, maxSegments, spikeThreshold, vertexCountOvershoot, preventOneYearRecovery, recoveryThreshold, pvalThreshold, bestModelProportion, minObservationsNeeded) | Imagem | 
| Argumento | Tipo | Detalhes | 
|---|
| timeSeries | ImageCollection | Série temporal anual de onde extrair os pontos de interrupção. A primeira faixa é usada para encontrar pontos de interrupção, e todas as faixas subsequentes são ajustadas usando esses pontos. | 
| maxSegments | Número inteiro | Número máximo de segmentos a serem ajustados na série temporal. | 
| spikeThreshold | Ponto flutuante, padrão: 0,9 | Limite para reduzir os picos.1,0 significa que não há redução. | 
| vertexCountOvershoot | Número inteiro, padrão: 3 | O modelo inicial pode exceder o número máximo de vértices (maxSegments + 1) por esse valor. Depois, ele será reduzido para maxSegments + 1. | 
| preventOneYearRecovery | Booleano, padrão: falso | Impedir segmentos que representam recuperações de um ano. | 
| recoveryThreshold | Ponto flutuante, padrão: 0,25 | Se um segmento tiver uma taxa de recuperação mais rápida que 1/recoveryThreshold (em anos), ele será proibido. | 
| pvalThreshold | Ponto flutuante, padrão: 0,1 | Se o valor p do modelo ajustado exceder esse limite, o modelo atual será descartado e outro será ajustado usando o otimizador de Levenberg-Marquardt. | 
| bestModelProportion | Ponto flutuante, padrão: 0,75 | Permite que modelos com mais vértices sejam escolhidos se o valor-p deles for no máximo (2 - bestModelProportion) vezes o valor-p do melhor modelo. | 
| minObservationsNeeded | Número inteiro, padrão: 6 | Número mínimo de observações necessárias para realizar o ajuste de saída. | 
  
  
  
  
  
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 2025-07-26 UTC.
  
  
  
    
      [null,null,["Última atualização 2025-07-26 UTC."],[],["The LandTrendr algorithm segments a time-series of images, using the first band to find breakpoints that identify spectral changes. These breakpoints are then applied to fit all other bands. Breakpoints are returned as a matrix, with the original data, fitted values, and segment vertex indicators.  Increasing values suggest disturbance, while decreasing values suggest recovery. Users define parameters like maximum segments, spike dampening, and recovery rates to guide the fitting process. The algorithm outputs an image containing the results.\n"]]