十二

意事项需要记住。首先，植被、水或雪的季节性通常会影响兴趣变化的信号。由于我们使用跨越一系列日期的ImageCollection ，因此最好选择一个日期范围，从该日期范围的开始到结束，植物人状态不可能发生重大变化。云也可能是一个因素。某些季节云量较多，因此很难找到好的图像。通常，使用光学传感器时，我们只能在云较少的时期进行工作，或者使用较宽的日期范围来为像素提供许多无云的机会。

有可能没有任何索引或数据范围的组合对兴趣的变化敏感。如果是这种情况，有两种选择：尝试使用不同的传感器和变化检测技术，或者接受变化是不可辨别的。如果感兴趣的变化占据给定30 m x 30 m Landsat 像素的一小部分，或者变化的光谱表现非常微妙，以至于无法与未变化的像素进行光谱分离，则通常会发生这种情况

即使你作为人类可以识别灰线光谱轨迹中感兴趣的变化，算法也可能无法类似地跟踪它。为了让算法有机会，你需要探索是否可以使用不同的拟合参数来将红色拟合线与灰色源图像线进行匹配。

整个拟合过程包括减少噪声和最好地识别潜在信号的步骤。时间分割算法由拟合参数控制，这些参数在Kennedy 等人中详细描述。你可以使用LandTrendr选项菜单的拟合参数块来调整这些参数。下面简要概述了哪些值通常有用，但当你使用不同的光谱指数时，这些值可能会发生变化。

首先，所需的最小观测值标准用于评估给定轨迹是否有足够的未过滤（即清晰的观测）年来运行拟合。我们建议将此值保留为默认值6。

分割从降噪步骤开始，以消除可能由未过滤的云或阴影引起的尖峰。尖峰阈值参数控制过滤程度。值1.0对应于无过滤，较低的值对应于更严格的过滤。我们建议将此值保留为0.9；如果更改，0.7到1.0的范围是合适的。

下一步是寻找顶点。这从开始年和结束年作为顶点年开始，根据线性拟合的偏差逐步添加候选顶点年。为了避免使用此方法最初发现的顶点年份过多，我们建议将顶点计数超调值保留为3。第二组算法使用偏转角将这种过剩剔除到设定数量的最大候选顶点年。

顶点年数由max_segments 参数控制。作为一般规则，你的分段数量不应超过可能的年度观察总数的三分之一。然后将这些顶点的年份（X 值）传递到模型构建步骤。假设你正在使用至少30年的档案，并且你所在的区域具有合理的图像可用性，则值8是一个很好的起点。

在模型构建步骤中，通过拟合由顶点年份（X 值）定义的周期的 Y 值（光谱值）来构建直线段。这个过程从左到右——早年到晚年。每个后续片段的回归都连接到前一个片段的末尾。回归也受到限制，以防止干扰后不切实际的恢复，由恢复阈值参数控制。值越小表示约束越大：值为1.0表示约束关闭；值为0.25意味着不允许在超过四年(4=1/0.25)的时间内完全恢复的段。注：该参数对拟合的控制力较强，是测试参数时首先探索的参数之一。

此外，PreventOneYearRecovery将不允许具有一年持续时间恢复段的配合。这可能有助于防止在如此快速的植物恢复在生态上不现实的环境中过度拟合噪声数据。

一旦找到最大段数的模型，就会通过迭代删除信息量最少的顶点来连续创建更简单的模型。每个模型都使用伪f 统计量进行评分，该统计量会惩罚具有更多分段的模型，从而为每个模型创建伪p值。p 值阈值参数用于识别所有被认为足够好的拟合。从值0.05开始，但检查拟合线是否捕获灰色源轨迹的显着形状和特征。如果你看到灰线中的时间模式可能不是噪声（基于你对所研究系统的理解），请考虑将 p值阈值切换为0.10甚至 0.15

注意：由于时间自相关，这些不能解释为真实的f和p值，而是解释为相对标量以区分模型之间的拟合优度。如果根据用户设置的p值参数使用这些标准找不到好的模型，则使用第二种方法同时求解所有顶点年份的 Y 值。如果没有找到好的模型，则使用直线均值模型。

从通过p 值阈值的模型中，选择一个作为最终拟合。它可能是 p 值最低的一个。然而，我们进行了调整，以允许选择更复杂的模型（具有更多细分的模型），即使它们的 p值在最佳评分模型的定义比例内。该比例由最佳模型比例参数设置。例如，最佳模型比例值为0.75，如果其分数大于最佳模型的75%，则允许选择更复杂的模型。

第2节：将像素转换为地图

尽管完整的时间序列是每个像素“生命史”的最佳描述，但我们通常对研究区域中所有像素的行为感兴趣。手动可视化所有这些都效率低下，尝试总结区域和位置也效率低下。因此，我们寻求制作地图。

将分段轨迹转换为地图需要三个后处理步骤。首先，我们确定感兴趣的部分；如果