با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
الگوریتم نقطه شکست موقتی تشخیص و طبقه‌بندی تغییر مداوم را پیاده‌سازی می‌کند. این الگوریتم با برازش مکرر توابع هارمونیک به داده ها، نقاط شکست زمانی را در مجموعه تصویر پیدا می کند. ضرایب تناسب برای همه باندهای ورودی تولید می شود، اما باندهای مورد استفاده برای تشخیص نقطه شکست را می توان با آرگومان 'breakpointBands' مشخص کرد.
برای جزئیات بیشتر، به Zhu، Z. و Woodcock، CE، 2014 مراجعه کنید. تشخیص تغییرات مداوم و طبقه بندی پوشش زمین با استفاده از تمام داده های موجود Landsat. سنجش از دور محیط زیست، 144، صص152-171.
نام یا شاخص باندهایی که برای تشخیص تغییر استفاده می شود. اگر نامشخص باشد، از تمام باندها استفاده می شود.
tmaskBands
لیست، پیش فرض: null
نام یا فهرست باندهایی که برای تشخیص ابری تکراری TMask استفاده می شود. اینها معمولاً نوار سبز و باند SWIR1 هستند. اگر مشخص نشده باشد، TMask استفاده نمی شود. اگر مشخص شده باشد، «tmaskBands» باید در «breakpointBands» گنجانده شود.
minObservations
عدد صحیح، پیش فرض: 6
تعداد مشاهدات مورد نیاز برای علامت گذاری یک تغییر.
chiSquareProbability
شناور، پیش فرض: 0.99
آستانه احتمال خی دو برای تشخیص تغییر در محدوده [0، 1].
minNumOfYearsScaler
شناور، پیش فرض: 1.33
عوامل حداقل تعداد سال برای اعمال اتصالات جدید.
dateFormat
عدد صحیح، پیش فرض: 0
نمایش زمان برای استفاده در طول اتصال: 0 = jDays، 1 = سال کسری، 2 = زمان یونیکس در میلی ثانیه. زمان شروع، پایان و استراحت برای هر بخش زمانی به این ترتیب رمزگذاری می شود.
lambda
شناور، پیش فرض: 20
لامبدا برای برازش رگرسیون LASSO. اگر روی 0 تنظیم شود، به جای LASSO از OLS معمولی استفاده می شود.
maxIterations
عدد صحیح، پیش فرض: 25000
حداکثر تعداد اجراها برای همگرایی رگرسیون LASSO. اگر روی 0 تنظیم شود، به جای LASSO از OLS معمولی استفاده می شود.
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[[["Implements the Continuous Change Detection and Classification (CCDC) algorithm to identify temporal breakpoints (changes over time) within an image collection."],["Uses harmonic functions to fit the image data and detect changes based on specified bands and statistical thresholds."],["Offers customization options such as selecting specific bands for change detection, adjusting sensitivity parameters, and configuring the time format for results."],["Provides fit coefficients for all input bands, aiding in understanding the nature of the detected changes."],["Relies on iterative fitting and statistical analysis to pinpoint breakpoints and ensure robust change detection."]]],[]]
