Cette collection contient des résultats précalculés obtenus en exécutant l'algorithme CCDC (Continuous Change Detection and Classification) sur 20 ans de données de réflectance de surface Landsat. CCDC est un algorithme de détection de points d'arrêt qui utilise l'ajustement harmonique avec un seuil RMSE dynamique pour détecter les points d'arrêt dans les données de séries temporelles.
L'ensemble de données a été créé à partir des séries temporelles de réflectance de surface Landsat 5, 7 et 8 Collection-1, Tier-1, en utilisant toutes les images de jour entre le 1er janvier 1999 et le 31 décembre 2019. Chaque image a été prétraitée pour masquer les pixels identifiés comme nuages, ombres ou neige (selon la bande "pixel_qa"), les pixels saturés et les pixels avec une opacité atmosphérique supérieure à 300 (identifiés par les bandes "sr_atmos_opacity" et "sr_aerosol"). Les pixels répétés dans le chevauchement des scènes nord/sud ont été dédupliqués. Les résultats ont été générés dans des tuiles de deux degrés pour toutes les masses terrestres entre -60° et +85° de latitude.
Les images peuvent être simplement mosaïquées() en une seule image globale.
L'algorithme CCDC a été exécuté avec les paramètres d'algorithme par défaut, à l'exception de dateFormat :
tmaskBands: ['green', 'swir']
minObservations : 6
chiSquareProbability: 0.99
minNumOfYearsScaler : 1,33
dateFormat : 1 (année fractionnée)
lambda : 20
maxIterations: 25000
Chaque pixel de la sortie est encodé à l'aide de tableaux de longueur variable. La longueur externe de chaque tableau (axe 0) correspond au nombre de points d'arrêt trouvés à cet emplacement. Les bandes de coefficients contiennent des tableaux à deux dimensions, où chaque tableau intérieur contient les facteurs de mise à l'échelle pour les huit termes du modèle harmonique linéaire, dans l'ordre suivant : [offset, t, cos(ωt), sin(ωt), cos(2ωt), sin(2ωt), cos(3ωt), sin(3ωt)], où ω = 2Π. Les modèles sont mis à l'échelle pour produire des unités de réflectance (0,0 à 1,0) pour les bandes optiques et des degrés (K) / 100,0 pour la bande thermique.
Notez que les bandes de sortie sont des tableaux et ne peuvent être sous-échantillonnées qu'à l'aide d'une stratégie de pyramide SAMPLE. À des niveaux de zoom plus faibles, les résultats ne sont généralement plus représentatifs des données en pleine résolution. Par exemple, les limites des tuiles peuvent être visibles en raison des masques sous-échantillonnés.
Il n'est donc pas recommandé d'utiliser cet ensemble de données à des résolutions inférieures à 240 m/pixel.
Nous ne prévoyons pas d'ajouter des éléments postérieurs à 2019 à cet ensemble de données.
Bracelets
Taille des pixels 30 mètres
Bandes de fréquences
Nom
Taille des pixels
Description
tStart
mètres
Tableau à une dimension contenant la date de début de chaque segment (année fractionnée).
tEnd
mètres
Tableau à une dimension contenant la date de fin de chaque segment (année fractionnée).
tBreak
mètres
Tableau à une dimension contenant la date du point d'arrêt détecté pour chaque segment (année fractionnaire).
numObs
mètres
Tableau à une dimension contenant le nombre d'observations trouvées dans chaque segment.
changeProb
mètres
Pseudo-probabilité que le point d'arrêt détecté soit réel.
BLUE_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande bleue, pour chaque segment.
GREEN_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande verte, pour chaque segment.
RED_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande rouge, pour chaque segment.
NIR_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande proche infrarouge, pour chaque segment.
SWIR1_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande infrarouge à ondes courtes (1,55 μm à 1,75 μm), pour chaque segment.
SWIR2_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande infrarouge à ondes courtes (2,09 μm à 2,35 μm), pour chaque segment.
TEMP_coefs
mètres
Tableau 2D contenant les coefficients du modèle harmonique pour la bande thermique, pour chaque segment.
BLUE_rmse
mètres
Tableau à une dimension contenant la RMSE du modèle pour la bande bleue, pour chaque segment.
GREEN_rmse
mètres
Tableau à une dimension contenant la RMSE du modèle pour la bande verte, pour chaque segment.
RED_rmse
mètres
Tableau à une dimension contenant la RMSE du modèle pour la bande rouge, pour chaque segment.
NIR_rmse
mètres
Tableau à une dimension contenant la RMSE du modèle pour la bande proche infrarouge, pour chaque segment.
SWIR1_rmse
mètres
Tableau 1D contenant la RMSE du modèle pour la bande infrarouge à ondes courtes (1,55 μm à 1,75 μm), pour chaque segment.
SWIR2_rmse
mètres
Tableau à une dimension contenant la RMSE du modèle pour la bande infrarouge à ondes courtes (2,09 μm à 2,35 μm), pour chaque segment.
TEMP_rmse
mètres
Tableau à une dimension contenant la RMSE du modèle pour la bande thermique, pour chaque segment.
BLUE_magnitude
mètres
Tableau à une dimension contenant l'amplitude du point d'arrêt détecté pour la bande bleue, pour chaque segment.
GREEN_magnitude
mètres
Tableau à une dimension contenant l'ampleur du point d'arrêt détecté pour la bande verte, pour chaque segment.
RED_magnitude
mètres
Tableau 1D contenant l'ampleur du point d'arrêt détecté pour la bande rouge, pour chaque segment.
NIR_magnitude
mètres
Tableau à une dimension contenant l'amplitude du point d'arrêt détecté pour la bande infrarouge proche, pour chaque segment.
SWIR1_magnitude
mètres
Tableau à une dimension contenant l'amplitude du point d'arrêt détecté pour la bande infrarouge à ondes courtes 1 (1,55 μm à 1,75 μm), pour chaque segment.
SWIR2_magnitude
mètres
Tableau à une dimension contenant l'amplitude du point d'arrêt détecté pour la bande infrarouge à ondes courtes 2 (2,09 μm à 2,35 μm), pour chaque segment.
TEMP_magnitude
mètres
Tableau à une dimension contenant l'ampleur du point d'arrêt détecté pour la bande thermique, pour chaque segment.
Cette collection contient des résultats précalculés de l'algorithme CCDC (Continuous Change Detection and Classification) exécuté sur 20 ans de données de réflectance de surface Landsat. CCDC est un algorithme de détection de points d'arrêt qui utilise l'ajustement harmonique avec un seuil RMSE dynamique pour détecter les points d'arrêt dans les données de séries temporelles. L'ensemble de données a été créé à partir de…
[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)"]]
