Earth Engine introduit des niveaux de quota non commerciaux pour protéger les ressources de calcul partagées et garantir des performances fiables pour tous. Tous les projets non commerciaux devront sélectionner un niveau de quota d'ici le 27 avril 2026, faute de quoi le niveau "Communauté" sera appliqué par défaut. Les quotas de niveau s'appliqueront à tous les projets (quelle que soit la date de sélection du niveau) à compter du 27 avril 2026. En savoir plus
Google uses AI technology to translate content into your preferred language. AI translations can contain errors.
ee.Algorithms.TemporalSegmentation.LandTrendr
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Détection basée sur Landsat des tendances en matière de perturbation et de récupération : segmente temporellement une série temporelle d'images en extrayant les trajectoires spectrales de changement au fil du temps. La première bande de chaque image est utilisée pour trouver des points d'arrêt, qui sont ensuite utilisés pour effectuer un ajustement sur toutes les bandes suivantes. Les points d'arrêt sont renvoyés sous la forme d'une matrice 2D de quatre lignes et d'autant de colonnes que d'images. Les deux premières lignes correspondent aux valeurs X et Y d'origine. La troisième ligne contient les valeurs Y ajustées aux segments estimés, et la quatrième ligne contient la valeur 1 si le point correspondant a été utilisé comme sommet de segment, ou 0 dans le cas contraire. Toutes les bandes ajustées supplémentaires sont ajoutées en tant que lignes dans la sortie. L'ajustement des points d'arrêt suppose que les valeurs croissantes représentent une perturbation et que les valeurs décroissantes représentent une récupération.
Voir : Kennedy, R.E., Yang, Z. et Cohen, W.B., 2010. Détection des tendances en matière de perturbation et de récupération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr – Algorithmes de segmentation temporelle. Remote Sensing of Environment, 114(12), p.2897-2910.
Série temporelle annuelle à partir de laquelle extraire les points d'arrêt. La première bande est utilisée pour trouver les points d'arrêt, et toutes les bandes suivantes sont ajustées à l'aide de ces points d'arrêt.
maxSegments
Nombre entier
Nombre maximal de segments à ajuster sur la série temporelle.
spikeThreshold
Flottant, valeur par défaut : 0,9
Seuil d'atténuation des pics (1,0 signifie aucune atténuation).
vertexCountOvershoot
Nombre entier, valeur par défaut : 3
Le modèle initial peut dépasser le nombre maximal de sommets (maxSegments + 1) de cette valeur. Il sera ensuite réduit à maxSegments + 1.
preventOneYearRecovery
Booléen, valeur par défaut : false
Empêche les segments qui représentent des récupérations d'un an.
recoveryThreshold
Flottant, valeur par défaut : 0,25
Si un segment a un taux de récupération plus rapide que 1/recoveryThreshold (en années), il est interdit.
pvalThreshold
Flottant, valeur par défaut : 0,1
Si la valeur P du modèle ajusté dépasse ce seuil, le modèle actuel est ignoré et un autre est ajusté à l'aide de l'optimiseur Levenberg-Marquardt.
bestModelProportion
Flottant, valeur par défaut : 0,75
Permet de choisir des modèles avec plus de sommets si leur valeur P n'est pas supérieure à (2 - bestModelProportion) fois la valeur P du meilleur modèle.
minObservationsNeeded
Nombre entier, valeur par défaut : 6
Nombre minimal d'observations nécessaires pour effectuer l'ajustement de la sortie.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2026/04/20 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2026/04/20 (UTC)."],[],["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"]]