ee.Algorithms.TemporalSegmentation.Verdet
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
تخمین بازسازی و اختلال پوشش گیاهی از طریق زمان، الگوریتم تشخیص تغییر جنگل. این الگوریتم سالانه یک ترکیب آسمان صاف را از تصاویر ماهواره‌ای تولید می‌کند، یک شاخص پوشش گیاهی طیفی را برای هر پیکسل در آن ترکیب محاسبه می‌کند، تصویر شاخص پوشش گیاهی را به صورت مکانی تقسیم می‌کند، سری‌های زمانی را به بخش‌هایی با شیب متفاوت تقسیم می‌کند و سپس آن بخش‌ها را به‌عنوان مختل‌شده، ثابت‌کننده یا ثابت‌کننده مجدد برچسب‌گذاری می‌کند. تقسیم بندی در هر دو مرحله مکانی و زمانی با استفاده از تنظیم تغییرات کلی انجام می شود.
خروجی شامل یک آرایه 1 بعدی در هر پیکسل است که شامل شیب خطوط روند متناسب است. مقادیر منفی نشان دهنده اختلال و مقادیر مثبت بازسازی است.
ببینید: Hughes, MJ, Kaylor, SD and Hayes, DJ, 2017. تشخیص تغییر جنگل مبتنی بر پچ از سری زمانی Landsat. جنگل ها، 8(5)، ص166.
| استفاده | برمی گرداند | ee.Algorithms.TemporalSegmentation.Verdet(timeSeries, tolerance , alpha , nRuns ) | تصویر |
| استدلال | تایپ کنید | جزئیات | timeSeries | ImageCollection | مجموعه ای که از آن نمرات VerDET استخراج می شود. انتظار می رود این مجموعه شامل 1 تصویر برای هر سال باشد که به صورت زمانی مرتب شده است. |
tolerance | شناور، پیش فرض: 0.0001 | تحمل همگرایی |
alpha | شناور، پیش فرض: 0.03333333333333333 | پارامتر منظم سازی برای تقسیم بندی |
nRuns | عدد صحیح، پیش فرض: 100 | حداکثر تعداد اجراها برای همگرایی. |
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eThe algorithm detects forest change by analyzing yearly satellite imagery and identifying areas of disturbance and regeneration.\u003c/p\u003e\n"],["\u003cp\u003eIt uses a spectral vegetation index and segments the imagery spatially and temporally to track vegetation changes.\u003c/p\u003e\n"],["\u003cp\u003eDisturbance is indicated by negative trend slopes, while regeneration is indicated by positive slopes in the output array.\u003c/p\u003e\n"],["\u003cp\u003eThe algorithm utilizes total variation regularization for both spatial and temporal segmentation to enhance accuracy.\u003c/p\u003e\n"],["\u003cp\u003eUsers can adjust parameters like tolerance, regularization, and maximum runs for customized analysis using the provided function.\u003c/p\u003e\n"]]],[],null,["# ee.Algorithms.TemporalSegmentation.Verdet\n\nVegetation Regeneration and Disturbance Estimates through Time, forest change detection algorithm. This algorithm generates a yearly clear-sky composite from satellite imagery, calculates a spectral vegetation index for each pixel in that composite, spatially segments the vegetation index image into patches, temporally divides the time series into differently sloped segments, and then labels those segments as disturbed, stable, or regenerating. Segmentation at both the spatial and temporal steps are performed using total variation regularization.\n\n\u003cbr /\u003e\n\nThe output consists of a 1D array per pixel containing the slope of fitted trend lines. Negative values indicate disturbance and positive values regeneration.\n\nSee: Hughes, M.J., Kaylor, S.D. and Hayes, D.J., 2017. Patch-based forest change detection from Landsat time series. Forests, 8(5), p.166.\n\n| Usage | Returns |\n|------------------------------------------------------------------------------------------------|---------|\n| `ee.Algorithms.TemporalSegmentation.Verdet(timeSeries, `*tolerance* `, `*alpha* `, `*nRuns*`)` | Image |\n\n| Argument | Type | Details |\n|--------------|-------------------------------------|----------------------------------------------------------------------------------------------------------------------------------|\n| `timeSeries` | ImageCollection | Collection from which to extract VeRDET scores. This collection is expected to contain 1 image for each year, sorted temporally. |\n| `tolerance` | Float, default: 0.0001 | Convergence tolerance. |\n| `alpha` | Float, default: 0.03333333333333333 | Regularization parameter for segmentation. |\n| `nRuns` | Integer, default: 100 | Maximum number of runs for convergence. |"]]
