Bu koleksiyon, 20 yıllık Landsat yüzey yansıtma verileri üzerinde Sürekli Değişiklik Algılama ve Sınıflandırma (CCDC) algoritması çalıştırılarak önceden hesaplanmış sonuçları içerir. CCDC, zaman serisi verilerindeki kesme noktalarını tespit etmek için dinamik bir RMSE eşiğiyle harmonik uyumlaştırma kullanan bir kesme noktası bulma algoritmasıdır.
Veri kümesi, 1999-01-01 ile 2019-12-31 arasındaki tüm gündüz görüntüleri kullanılarak Landsat 5, 7 ve 8 Collection-1, Tier-1 yüzey yansıtma zaman serisinden oluşturulmuştur. Her görüntü, bulut, gölge veya kar olarak tanımlanan pikselleri ("pixel_qa" bandına göre), doygun pikselleri ve atmosferik opaklığı 300'den fazla olan pikselleri ("sr_atmos_opacity" ve "sr_aerosol" bantları tarafından tanımlandığı şekilde) maskelemek için önceden işlenmiştir. Kuzey/güney sahne çakışmasında tekrarlanan piksellerin kopyaları kaldırıldı. Sonuçlar, -60° ile +85° enlem arasındaki tüm kara parçaları için 2 derecelik kutucuklar halinde çıktı olarak verildi.
Resimler, tek bir global resimde mozaik oluşturmak için uygundur.
CCDC algoritması, dateFormat dışında varsayılan algoritma parametreleriyle çalıştırıldı:
tmaskBands: ['green', 'swir']
minObservations: 6
chiSquareProbability: 0.99
minNumOfYearsScaler: 1.33
dateFormat: 1 (kesirli yıl)
lambda: 20
maxIterations: 25000
Çıkıştaki her piksel, değişken uzunluklu diziler kullanılarak kodlanır. Her dizinin dış uzunluğu (0 ekseni), o konumda bulunan kesme noktalarının sayısına karşılık gelir. Katsayı bantları, 2 boyutlu diziler içerir. Her iç dizi, doğrusal harmonik modeldeki 8 terimin ölçeklendirme faktörlerini şu sırayla içerir: [offset, t, cos(ωt), sin(ωt), cos(2ωt), sin(2ωt), cos(3ωt), sin(3ωt)], burada ω = 2Π'dir. Modeller, optik bantlar için yansıtma birimleri (0,0-1,0) ve termal bant için derece (K) / 100,0 üretmek üzere ölçeklendirilir.
Çıkış bantlarının diziler olduğunu ve yalnızca SAMPLE piramit oluşturma politikası kullanılarak alt örnekleme yapılabileceğini unutmayın. Daha düşük yakınlaştırma düzeylerinde sonuçlar genellikle tam çözünürlüklü verileri temsil etmez ve örneğin, alt örneklenmiş maskeler nedeniyle döşeme sınırları görülebilir.
Bu nedenle, bu veri kümesinin 240 m/pikselden daha düşük çözünürlüklerde kullanılması önerilmez.
2019'dan sonraki öğelerin bu veri kümesine eklenmesiyle ilgili şu anda bir plan bulunmamaktadır.
Bantlar
Piksel Boyutu 30 metre
Bantlar
Ad
Piksel Boyutu
Açıklama
tStart
metre
Her segmentin başlangıç tarihini (kesirli yıl) içeren 1 boyutlu dizi.
tEnd
metre
Her segmentin bitiş tarihini (kesirli yıl) içeren 1 boyutlu dizi.
tBreak
metre
Her segmentin algılanan kesme noktasının tarihini (kesirli yıl) içeren 1 boyutlu dizi.
numObs
metre
Her segmentte bulunan gözlem sayısını içeren 1 boyutlu dizi.
changeProb
metre
Algılanan kesme noktasının gerçek olma olasılığıdır.
BLUE_coefs
metre
Her segment için mavi bantla ilgili harmonik model katsayılarını içeren 2 boyutlu dizi.
GREEN_coefs
metre
Her segment için yeşil bantla ilgili harmonik model katsayılarını içeren 2 boyutlu dizi.
RED_coefs
metre
Her segment için kırmızı bantla ilgili harmonik model katsayılarını içeren 2 boyutlu dizi.
NIR_coefs
metre
Yakın kızılötesi bant için her segmentin harmonik model katsayılarını içeren 2 boyutlu dizi.
SWIR1_coefs
metre
Her segment için kısa dalga kızılötesi (1,55 μm-1,75 μm) bandının harmonik model katsayılarını içeren 2 boyutlu dizi.
SWIR2_coefs
metre
Her segment için kısa dalga kızılötesi (2,09 μm-2,35 μm) bandının harmonik model katsayılarını içeren 2 boyutlu dizi.
TEMP_coefs
metre
Her segment için termal bantla ilgili harmonik model katsayılarını içeren 2 boyutlu dizi.
BLUE_rmse
metre
Her segment için mavi bantla ilgili modelin RMSE'sini içeren 1 boyutlu dizi.
GREEN_rmse
metre
Her segment için yeşil banttaki modelin RMSE'sini içeren 1 boyutlu dizi.
RED_rmse
metre
Her segment için kırmızı banttaki modelin RMSE'sini içeren 1 boyutlu dizi.
NIR_rmse
metre
Yakın kızılötesi bant için modelin her segmentteki RMSE'sini içeren 1 boyutlu dizi.
SWIR1_rmse
metre
Her segment için kısa dalga kızılötesi (1,55 μm-1,75 μm) bantta modelin RMSE'sini içeren 1 boyutlu dizi.
SWIR2_rmse
metre
Her segment için kısa dalga kızılötesi (2,09 μm-2,35 μm) bantta modelin RMSE'sini içeren 1 boyutlu dizi.
TEMP_rmse
metre
Her segment için termal banttaki modelin RMSE'sini içeren 1 boyutlu dizi.
BLUE_magnitude
metre
Her segment için mavi bantta algılanan kesme noktasının büyüklüğünü içeren 1 boyutlu dizi.
GREEN_magnitude
metre
Her segment için yeşil bantta algılanan kesme noktasının büyüklüğünü içeren 1 boyutlu dizi.
RED_magnitude
metre
Her segment için kırmızı bantta algılanan kesme noktasının büyüklüğünü içeren 1 boyutlu dizi.
NIR_magnitude
metre
Her segment için, yakın kızılötesi bantta algılanan kesme noktasının büyüklüğünü içeren 1 boyutlu dizi.
SWIR1_magnitude
metre
Kısa dalga kızılötesi-1 (1,55 μm-1,75 μm) bandı için algılanan kesme noktasının büyüklüğünü içeren ve her segment için bir değer içeren 1 boyutlu dizi.
SWIR2_magnitude
metre
Her segment için kısa dalga kızılötesi-2 (2,09 μm-2,35 μm) bandında algılanan kırılma noktasının büyüklüğünü içeren 1 boyutlu dizi.
TEMP_magnitude
metre
Her segment için termal bantta algılanan kesme noktasının büyüklüğünü içeren 1 boyutlu dizi.
Bu koleksiyon, 20 yıllık Landsat yüzey yansıtma verileri üzerinde Sürekli Değişiklik Tespiti ve Sınıflandırma (CCDC) algoritması çalıştırılarak önceden hesaplanmış sonuçları içerir. CCDC, zaman serisi verilerindeki kesme noktalarını tespit etmek için dinamik bir RMSE eşiğiyle harmonik uyumlaştırma kullanan bir kesme noktası bulma algoritmasıdır. Veri kümesi, … kullanılarak oluşturuldu.
[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)"]]
