این مجموعه شامل نتایج از پیش محاسبه‌شده‌ای از اجرای الگوریتم تشخیص و طبقه‌بندی تغییر مداوم (CCDC) بر روی داده‌های بازتاب سطح لندست ۲۰ ساله است. CCDC یک الگوریتم یافتن نقطه شکست است که از برازش هارمونیک با آستانه RMSE پویا برای تشخیص نقاط شکست در داده‌های سری زمانی استفاده می‌کند.
مجموعه داده از مجموعه زمانی Landsat 5، 7، و 8 Collection-1، Tier-1، سری زمانی بازتاب سطح، با استفاده از تمام تصاویر روزانه بین 01-01-1999 و 2019-12-31 ایجاد شده است. هر تصویر برای پوشاندن پیکسل‌های شناسایی شده به‌عنوان ابر، سایه یا برف (طبق باند «pixel_qa»)، پیکسل‌های اشباع، و پیکسل‌هایی با کدورت جوی > 300 (همانطور که با باندهای «sr_atmos_opacity» و «sr_aerosol» شناسایی می‌شوند، از پیش پردازش شده بود. پیکسل‌های تکرار شده در همپوشانی صحنه شمالی/جنوبی تکرار نشدند. نتایج در کاشی های 2 درجه برای تمام خشکی های بین -60 درجه و عرض جغرافیایی +85 درجه خروجی شد. این تصاویر به سادگی به شکل موزاییک() در یک تصویر سراسری مناسب هستند.
الگوریتم CCDC با پارامترهای الگوریتم پیش‌فرض به جز dateFormat اجرا شد:
tmaskBands: ['green', 'swir']
مشاهدات کوچک: 6
chiSquareProbability: 0.99
minNumOfYearsScaler: 1.33
فرمت date: 1 (سال کسری)
لامبدا: 20
حداکثر تکرار: 25000
هر پیکسل در خروجی با استفاده از آرایه های طول متغیر کدگذاری می شود. طول بیرونی هر آرایه (محور 0) با تعداد نقاط شکست یافت شده در آن مکان مطابقت دارد. باندهای ضریب شامل آرایه‌های دو بعدی هستند، که در آن هر آرایه داخلی شامل فاکتورهای مقیاس‌بندی برای 8 عبارت در مدل هارمونیک خطی است، به ترتیب: [offset، t، cos(ωt)، sin(ωt)، cos(2ωt)، sin(2ωt)، cos(3ωt)، sin(3ωt)]، که در آن ω = 2. مدل ها برای تولید واحدهای بازتاب (0.0 - 1.0) برای باندهای نوری و درجه (K) / 100.0 برای باند حرارتی هستند.
توجه داشته باشید که از آنجایی که باندهای خروجی آرایه هستند و فقط با استفاده از یک خط مشی هرمی SAMPLE می توان نمونه برداری کرد. در سطوح زوم پایین‌تر، نتایج معمولاً دیگر نماینده داده‌های با وضوح کامل نیستند، و برای مثال، مرزهای کاشی را می‌توان به دلیل ماسک‌های نمونه‌برداری شده مشاهده کرد. بنابراین استفاده از این مجموعه داده در وضوح کمتر از 240 متر بر پیکسل توصیه نمی شود.
هیچ برنامه‌ای برای افزودن دارایی‌های پس از سال ۲۰۱۹ به این مجموعه داده وجود ندارد.
باندها
اندازه پیکسل 30 متر
باندها
نام
اندازه پیکسل
توضیحات
tStart
متر
آرایه 1 بعدی حاوی تاریخ شروع هر بخش (سال کسری).
tEnd
متر
آرایه 1 بعدی حاوی تاریخ پایان هر بخش (سال کسری).
tBreak
متر
آرایه 1 بعدی حاوی تاریخ نقطه شکست شناسایی شده هر بخش (سال کسری).
numObs
متر
آرایه 1 بعدی حاوی تعداد مشاهدات یافت شده در هر بخش.
changeProb
متر
یک شبه احتمال واقعی بودن نقطه شکست شناسایی شده.
BLUE_coefs
متر
آرایه دو بعدی حاوی ضرایب مدل هارمونیک برای نوار آبی، برای هر بخش.
GREEN_coefs
متر
آرایه دو بعدی حاوی ضرایب مدل هارمونیک برای نوار سبز، برای هر بخش.
RED_coefs
متر
آرایه دو بعدی حاوی ضرایب مدل هارمونیک برای نوار قرمز، برای هر بخش.
NIR_coefs
متر
آرایه دو بعدی حاوی ضرایب مدل هارمونیک برای باند مادون قرمز نزدیک، برای هر بخش.
SWIR1_coefs
متر
آرایه 2 بعدی حاوی ضرایب مدل هارمونیک برای باند موج کوتاه مادون قرمز (1.55μm-1.75μm)، برای هر بخش.
SWIR2_coefs
متر
آرایه 2 بعدی حاوی ضرایب مدل هارمونیک برای باند موج کوتاه مادون قرمز (2.09μm-2.35μm)، برای هر بخش.
TEMP_coefs
متر
آرایه 2 بعدی حاوی ضرایب مدل هارمونیک برای باند حرارتی، برای هر بخش.
BLUE_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای نوار آبی، برای هر بخش.
GREEN_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای باند سبز، برای هر بخش.
RED_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای نوار قرمز، برای هر بخش.
NIR_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای باند مادون قرمز نزدیک، برای هر بخش.
SWIR1_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای باند موج کوتاه مادون قرمز (1.55μm-1.75μm)، برای هر بخش.
SWIR2_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای باند موج کوتاه مادون قرمز (2.09μm-2.35μm)، برای هر بخش.
TEMP_rmse
متر
آرایه 1 بعدی حاوی RMSE مدل برای باند حرارتی، برای هر بخش.
BLUE_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای نوار آبی، برای هر بخش.
GREEN_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای نوار سبز، برای هر بخش.
RED_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای نوار قرمز، برای هر بخش.
NIR_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای باند مادون قرمز نزدیک، برای هر بخش.
SWIR1_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای باند موج کوتاه-مادون قرمز-1 (1.55μm-1.75μm)، برای هر بخش.
SWIR2_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای باند موج کوتاه-مادون قرمز-2 (2.09μm-2.35μm)، برای هر بخش.
TEMP_magnitude
متر
آرایه 1 بعدی حاوی مقدار نقطه شکست شناسایی شده برای باند حرارتی، برای هر بخش.
این مجموعه شامل نتایج از پیش محاسبه‌شده‌ای از اجرای الگوریتم تشخیص و طبقه‌بندی تغییر مداوم (CCDC) بر روی داده‌های بازتاب سطح لندست ۲۰ ساله است. CCDC یک الگوریتم یافتن نقطه شکست است که از برازش هارمونیک با آستانه RMSE پویا برای تشخیص نقاط شکست در داده‌های سری زمانی استفاده می‌کند. مجموعه داده از…
[null,null,[],[[["\u003cp\u003eThe Google Global Landsat-based CCDC Segments dataset provides precomputed results of the Continuous Change Detection and Classification (CCDC) algorithm applied to 20 years of Landsat data (1999-2019).\u003c/p\u003e\n"],["\u003cp\u003eCCDC detects breakpoints in time-series data using harmonic fitting with a dynamic RMSE threshold, identifying changes in land cover and land use.\u003c/p\u003e\n"],["\u003cp\u003eThe dataset covers landmasses between -60° and +85° latitude at a 30-meter resolution, derived from Landsat 5, 7, and 8 Collection-1, Tier-1 surface reflectance data.\u003c/p\u003e\n"],["\u003cp\u003eEach pixel contains information about detected breakpoints, including start and end dates, magnitude of change, and harmonic model coefficients for various spectral bands.\u003c/p\u003e\n"],["\u003cp\u003eThe dataset is available in Earth Engine and is intended for research, education, and non-profit use under a CC-BY-4.0 license.\u003c/p\u003e\n"]]],["The dataset, available from 1999-01-01 to 2020-01-01 via Google Earth Engine, provides precomputed results from the Continuous Change Detection and Classification (CCDC) algorithm applied to 20 years of Landsat data. Using harmonic fitting, CCDC identifies breakpoints in time-series data across landmasses between -60° and +85° latitude. The output, at 30-meter resolution, includes start, end, and breakpoint dates, observation counts, change probabilities, model coefficients, RMSE, and breakpoint magnitudes for various spectral bands.\n"],null,["# Google Global Landsat-based CCDC Segments (1999-2019)\n\nDataset Availability\n: 1999-01-01T00:00:00Z--2020-01-01T00:00:00Z\n\nDataset Provider\n:\n\n\n [Google](https://earthengine.google.com/)\n\nTags\n:\n[change-detection](/earth-engine/datasets/tags/change-detection) [google](/earth-engine/datasets/tags/google) [landcover](/earth-engine/datasets/tags/landcover) [landsat-derived](/earth-engine/datasets/tags/landsat-derived) [landuse](/earth-engine/datasets/tags/landuse) [landuse-landcover](/earth-engine/datasets/tags/landuse-landcover) \n\n#### Description\n\nThis collection contains precomputed results from running the\nContinuous Change Detection and Classification (CCDC) algorithm on\n20 years of Landsat surface reflectance data. CCDC is a break-point\nfinding algorithm that uses harmonic fitting with a dynamic RMSE\nthreshold to detect breakpoints in time-series data.\n\nThe dataset was created from the Landsat 5, 7, and 8 Collection-1, Tier-1,\nsurface reflectance time series, using all daytime images between 1999-01-01\nand 2019-12-31. Each image was preprocessed to mask pixels identified as\ncloud, shadow, or snow (according to the 'pixel_qa' band), saturated pixels,\nand pixels with an atmospheric opacity \\\u003e 300 (as identified by the\n'sr_atmos_opacity' and 'sr_aerosol' bands). Pixels repeated in\nnorth/south scene overlap were deduplicated. The results were\noutput in 2-degree tiles for all landmasses between -60° and +85° latitude.\nThe images are suitable to simply mosaic() into one global image.\n\nThe CCDC algorithm was run with the default algorithm parameters except for\nthe dateFormat:\n\n- tmaskBands: \\['green', 'swir'\\]\n- minObservations: 6\n- chiSquareProbability: 0.99\n- minNumOfYearsScaler: 1.33\n- dateFormat: 1 (fractional year)\n- lambda: 20\n- maxIterations: 25000\n\nEach pixel in the output is encoded using variable length arrays. The outer\nlength of each array (axis 0) corresponds to the number of breakpoints\nfound at that location. The coefs bands contain 2-D arrays, where each inner\narray contains the scaling factors for the 8 terms in the linear harmonic\nmodel, in the order: \\[offset, t, cos(ωt), sin(ωt), cos(2ωt),\nsin(2ωt), cos(3ωt), sin(3ωt)\\], where ω = 2Π. The\nmodels are scale to produce refelectance units (0.0 - 1.0) for the optical\nbands and degrees (K) / 100.0 for the thermal band.\n\nNote that since the output bands are arrays and can only be downsampled\nusing a SAMPLE pyramiding policy. At lower zoom levels, the\nresults are usually no longer representative of the full-resolution data,\nand, for instance, tile boundaries can be seen due to the downsampled masks.\nIt's therefore not recommended to use this dataset at resolutions less than\n240m/pixel.\n\nThere are no current plans to add post-2019 assets to this dataset.\n\n### Bands\n\n\n**Pixel Size**\n\n30 meters\n\n**Bands**\n\n| Name | Pixel Size | Description |\n|-------------------|------------|------------------------------------------------------------------------------------------------------------------------------------|\n| `tStart` | meters | 1-D Array containing the date of the start of each segment (fractional year). |\n| `tEnd` | meters | 1-D Array containing the date of the end of each segment (fractional year). |\n| `tBreak` | meters | 1-D Array containing the date of the detected breakpoint of each segment (fractional year). |\n| `numObs` | meters | 1-D Array containing the number of observations found in each segment. |\n| `changeProb` | meters | A pseudo-probability of the detected breakpoint being real. |\n| `BLUE_coefs` | meters | 2-D array containing harmonic model coefficients for the blue band, for each segment. |\n| `GREEN_coefs` | meters | 2-D array containing harmonic model coefficients for the green band, for each segment. |\n| `RED_coefs` | meters | 2-D array containing harmonic model coefficients for the red band, for each segment. |\n| `NIR_coefs` | meters | 2-D array containing harmonic model coefficients for the near-infrared band, for each segment. |\n| `SWIR1_coefs` | meters | 2-D array containing harmonic model coefficients for the shortwave-infrared (1.55μm-1.75μm) band, for each segment. |\n| `SWIR2_coefs` | meters | 2-D array containing harmonic model coefficients for the shortwave-infrared (2.09μm-2.35μm) band, for each segment. |\n| `TEMP_coefs` | meters | 2-D array containing harmonic model coefficients for the thermal band, for each segment. |\n| `BLUE_rmse` | meters | 1-D array containing the RMSE of the model for the blue band, for each segment. |\n| `GREEN_rmse` | meters | 1-D array containing the RMSE of the model for the green band, for each segment. |\n| `RED_rmse` | meters | 1-D array containing the RMSE of the model for the red band, for each segment. |\n| `NIR_rmse` | meters | 1-D array containing the RMSE of the model for the near-infrared band, for each segment. |\n| `SWIR1_rmse` | meters | 1-D array containing the RMSE of the model for the the shortwave-infrared (1.55μm-1.75μm) band, for each segment. |\n| `SWIR2_rmse` | meters | 1-D array containing the RMSE of the model for the shortwave-infrared (2.09μm-2.35μm) band, for each segment. |\n| `TEMP_rmse` | meters | 1-D array containing the RMSE of the model for the thermal band, for each segment. |\n| `BLUE_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the blue band, for each segment. |\n| `GREEN_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the green band, for each segment. |\n| `RED_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the red band, for each segment. |\n| `NIR_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the near-infrared band, for each segment. |\n| `SWIR1_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the shortwave-infrared-1 (1.55μm-1.75μm) band, for each segment. |\n| `SWIR2_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the shortwave-infrared-2 (2.09μm-2.35μm) band, for each segment. |\n| `TEMP_magnitude` | meters | 1-D array containing the magnitude of the detected breakpoint for the thermal band, for each segment. |\n\n### Terms of Use\n\n**Terms of Use**\n\n[CC-BY-4.0](https://spdx.org/licenses/CC-BY-4.0.html)\n**Important:** Earth Engine is a platform for petabyte-scale scientific analysis and visualization of geospatial datasets, both for public benefit and for business and government users. Earth Engine is free to use for research, education, and nonprofit use. To get started, please [register for Earth Engine access.](https://console.cloud.google.com/earth-engine) \n[Google Global Landsat-based CCDC Segments (1999-2019)](/earth-engine/datasets/catalog/GOOGLE_GLOBAL_CCDC_V1) \nThis collection contains precomputed results from running the Continuous Change Detection and Classification (CCDC) algorithm on 20 years of Landsat surface reflectance data. CCDC is a break-point finding algorithm that uses harmonic fitting with a dynamic RMSE threshold to detect breakpoints in time-series data. The dataset was created from the ... \nGOOGLE/GLOBAL_CCDC/V1, change-detection,google,landcover,landsat-derived,landuse,landuse-landcover \n1999-01-01T00:00:00Z/2020-01-01T00:00:00Z \n-60 -180 72 180 \nGoogle Earth Engine \nhttps://developers.google.com/earth-engine/datasets\n\n- [](https://doi.org/https://earthengine.google.com/)\n- [](https://doi.org/https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_GLOBAL_CCDC_V1)"]]
