ee.Algorithms.TemporalSegmentation.LandTrendr
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
การตรวจหาแนวโน้มการรบกวนและการฟื้นตัวโดยอิงตาม Landsat: แบ่งกลุ่มชุดรูปภาพอนุกรมเวลาตามเวลาโดยการดึงวิถีสเปกตรัมของการเปลี่ยนแปลงเมื่อเวลาผ่านไป ระบบจะใช้แถบแรกของแต่ละรูปภาพเพื่อค้นหาจุดแบ่ง และใช้จุดแบ่งเหล่านั้นเพื่อทำการปรับแถบทั้งหมดที่ตามมา โดยจะแสดงผลเบรกพอยต์เป็นเมทริกซ์ 2 มิติที่มี 4 แถวและมีจำนวนคอลัมน์เท่ากับจำนวนรูปภาพ 2 แถวแรกคือค่า X และ Y เดิม แถวที่ 3 มีค่า Y ที่ปรับให้เข้ากับกลุ่มที่ประมาณ และแถวที่ 4 มีค่า 1 หากใช้จุดที่สอดคล้องกันเป็นจุดยอดของกลุ่ม หรือ 0 หากไม่ได้ใช้ ระบบจะต่อท้ายแถบที่ปรับเพิ่มเติมเป็นแถวในเอาต์พุต การปรับจุดเปลี่ยนจะถือว่าค่าที่เพิ่มขึ้นแสดงถึงการรบกวน และค่าที่ลดลงแสดงถึงการฟื้นตัว
ดูที่ Kennedy, R.E., Yang, Z. and Cohen, W.B., 2010 การตรวจหาแนวโน้มการรบกวนและการฟื้นตัวของป่าโดยใช้ชุดข้อมูลอนุกรมเวลา Landsat รายปี: 1. LandTrendr - อัลกอริทึมการแบ่งกลุ่มตามเวลา Remote Sensing of Environment, 114(12), pp.2897-2910.
| การใช้งาน | การคืนสินค้า |
|---|
ee.Algorithms.TemporalSegmentation.LandTrendr(timeSeries, maxSegments, spikeThreshold, vertexCountOvershoot, preventOneYearRecovery, recoveryThreshold, pvalThreshold, bestModelProportion, minObservationsNeeded) | รูปภาพ |
| อาร์กิวเมนต์ | ประเภท | รายละเอียด |
|---|
timeSeries | ImageCollection | อนุกรมเวลาแบบรายปีที่จะใช้ดึงจุดเปลี่ยน แถบแรกใช้เพื่อค้นหาจุดแบ่ง และแถบต่อๆ ไปทั้งหมดจะปรับให้พอดีโดยใช้จุดแบ่งเหล่านั้น |
maxSegments | จำนวนเต็ม | จำนวนกลุ่มสูงสุดที่จะปรับให้พอดีกับอนุกรมเวลา |
spikeThreshold | Float, ค่าเริ่มต้น: 0.9 | เกณฑ์สำหรับการลดช่วงที่เพิ่มขึ้น (1.0 หมายถึงไม่มีการลด) |
vertexCountOvershoot | จำนวนเต็ม ค่าเริ่มต้น: 3 | โมเดลเริ่มต้นอาจมีจุดยอดเกิน maxSegments + 1 ได้ตามจำนวนนี้ ต่อมาจะมีการตัดแต่งให้เหลือ maxSegments + 1 |
preventOneYearRecovery | บูลีน ค่าเริ่มต้น: false | ป้องกันกลุ่มที่แสดงการกู้คืน 1 ปี |
recoveryThreshold | ลอย ค่าเริ่มต้น: 0.25 | หากกลุ่มมีอัตราการกู้คืนเร็วกว่า 1/recoveryThreshold (เป็นปี) ระบบจะไม่อนุญาตกลุ่มดังกล่าว |
pvalThreshold | Float, ค่าเริ่มต้น: 0.1 | หากค่า p ของโมเดลที่ปรับแล้วเกินเกณฑ์นี้ ระบบจะทิ้งโมเดลปัจจุบันและปรับโมเดลอื่นโดยใช้ตัวเพิ่มประสิทธิภาพ Levenberg-Marquardt |
bestModelProportion | Float, ค่าเริ่มต้น: 0.75 | อนุญาตให้เลือกโมเดลที่มีจุดยอดมากกว่าได้ หากค่า P-Value ของโมเดลนั้นไม่เกิน (2 - bestModelProportion) เท่าของค่า P-Value ของโมเดลที่ดีที่สุด |
minObservationsNeeded | จำนวนเต็ม ค่าเริ่มต้น: 6 | จำนวนการสังเกตการณ์ขั้นต่ำที่จำเป็นต่อการปรับเอาต์พุต |
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-26 UTC
[null,null,["อัปเดตล่าสุด 2025-07-26 UTC"],[[["\u003cp\u003eLandTrendr is a temporal segmentation algorithm designed to detect trends in disturbance and recovery within yearly Landsat time-series data.\u003c/p\u003e\n"],["\u003cp\u003eIt identifies breakpoints in spectral trajectories, using the first band of the image collection for initial detection and then fitting the breakpoints to all other bands.\u003c/p\u003e\n"],["\u003cp\u003eThese breakpoints, representing changes in land cover, are fitted to a model assuming increasing values indicate disturbance and decreasing values signify recovery.\u003c/p\u003e\n"],["\u003cp\u003eThe algorithm offers parameters for controlling spike dampening, segment recovery rates, model selection, and minimum data requirements to fine-tune the analysis.\u003c/p\u003e\n"],["\u003cp\u003eThe output is an image containing the original and fitted values, segment vertices, and optionally fitted values for additional bands.\u003c/p\u003e\n"]]],["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"],null,["# ee.Algorithms.TemporalSegmentation.LandTrendr\n\nLandsat-based detection of Trends in Disturbance and Recovery: temporally segments a time-series of images by extracting the spectral trajectories of change over time. The first band of each image is used to find breakpoints, and those breakpoints are used to perform fitting on all subsequent bands. The breakpoints are returned as a 2-D matrix of 4 rows and as many columns as images. The first two rows are the original X and Y values. The third row contains the Y values fitted to the estimated segments, and the 4th row contains a 1 if the corresponding point was used as a segment vertex or 0 if not. Any additional fitted bands are appended as rows in the output. Breakpoint fitting assumes that increasing values represent disturbance and decreasing values represent recovery.\n\n\u003cbr /\u003e\n\nSee: Kennedy, R.E., Yang, Z. and Cohen, W.B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - Temporal segmentation algorithms. Remote Sensing of Environment, 114(12), pp.2897-2910.\n\n| Usage | Returns |\n|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|\n| `ee.Algorithms.TemporalSegmentation.LandTrendr(timeSeries, maxSegments, `*spikeThreshold* `, `*vertexCountOvershoot* `, `*preventOneYearRecovery* `, `*recoveryThreshold* `, `*pvalThreshold* `, `*bestModelProportion* `, `*minObservationsNeeded*`)` | Image |\n\n| Argument | Type | Details |\n|--------------------------|-------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| `timeSeries` | ImageCollection | Yearly time-series from which to extract breakpoints. The first band is usedto find breakpoints, and all subsequent bands are fitted using those breakpoints. |\n| `maxSegments` | Integer | Maximum number of segments to be fitted on the time series. |\n| `spikeThreshold` | Float, default: 0.9 | Threshold for dampening the spikes (1.0 means no dampening). |\n| `vertexCountOvershoot` | Integer, default: 3 | The initial model can overshoot the maxSegments + 1 vertices by this amount. Later, it will be pruned down to maxSegments + 1. |\n| `preventOneYearRecovery` | Boolean, default: false | Prevent segments that represent one year recoveries. |\n| `recoveryThreshold` | Float, default: 0.25 | If a segment has a recovery rate faster than 1/recoveryThreshold (in years), then the segment is disallowed. |\n| `pvalThreshold` | Float, default: 0.1 | If the p-value of the fitted model exceeds this threshold, then the current model is discarded and another one is fitted using the Levenberg-Marquardt optimizer. |\n| `bestModelProportion` | Float, default: 0.75 | Allows models with more vertices to be chosen if their p-value is no more than (2 - bestModelProportion) times the p-value of the best model. |\n| `minObservationsNeeded` | Integer, default: 6 | Min observations needed to perform output fitting. |"]]
