# 时序遥感变化检测模型-Prophet
## 1. 参考论文
### - offline model《A time-series classification approach based on change detection for rapid land cover mapping》2019
## 2. Tips
- $n$_$changepoints$设置为时间序列的长度,增加模型对于变化的敏感程度(默认为25)。
- $changepoint$_$range$设置为1,可以全时序做变化检测(默认为0.8)
- $changepoint$\_$prior$\_$scale$视情况而定,默认为0.05,该值越大,模型拟合越好,但是容易过拟合,需要实验调试。
- 做时序遥感变化检测,需要设置模型的先验参数:$m.add$_$seasonality(name='yearly', period=365, fourier$\_$order=3)$,$fourier$_$order$为傅里叶拟合的阶数。
- 由于Prophet的官方模型并不提供精确的变化检测,所以我们采用经验模型定位变化点,即变化率最大的K个时刻所在的变化分布最左侧的时刻定义为变化点,该方法已经证明有效(仅针对MODIS),具体参考论文《Inter-comparison of four models for detecting forest fire disturbance from MOD13A2 time series》
- $m.plot$_$components(forecast)$代码可以查看年际变化和年内周期变化。
## 3. Prophet模型安装
```
pip install prophet
```
Prophet模型的优化使用L-BFGS,代码使用了pyStan,模型预测速度较快。
## 4. 官方文档 python-api
- [https://facebook.github.io/prophet/docs/quick_start.html#python-api](https://facebook.github.io/prophet/docs/quick_start.html#python-api)
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
时间序列分析 一个时间序列通常由4种要素组成:趋势、季节变动、循环波动和不规则波动。 趋势:是时间序列在长时期内呈现出来的持续向上或持续向下的变动。 季节变动:是时间序列在一年内重复出现的周期性波动。它是诸如气候条件、生产条件、节假日或人们的风俗习惯等各种因素影响的结果。 循环波动:是时间序列呈现出得非固定长度的周期性变动。循环波动的周期可能会持续一段时间,但与趋势不同,它不是朝着单一方向的持续变动,而是涨落相同的交替波动。 不规则波动:是时间序列中除去趋势、季节变动和周期波动之后的随机波动。不规则波动通常总是夹杂在时间序列中,致使时间序列产生一种波浪形或震荡式的变动。只含有随机波动的序列也称为平稳序列。 时间序列建模基本步骤是:①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图,进行相关分析,求自相关函数。相关图能显示出变化的趋势和周期,并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象,则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。
资源推荐
资源详情
资源评论
收起资源包目录
时间序列遥感变化检测.zip (13个子文件)
新建文本文档.txt 2KB
time-series-change-detection-Prophet
data
ee-chart1.csv 3KB
ee-chart2.csv 3KB
.idea
other.xml 193B
vcs.xml 180B
misc.xml 197B
inspectionProfiles
profiles_settings.xml 174B
modules.xml 266B
deployment.xml 632B
Prophet.iml 486B
.gitignore 176B
prophetCD.py 2KB
README.md 1KB
共 13 条
- 1
资源评论
野生的狒狒
- 粉丝: 2302
- 资源: 2037
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功