deafrica_tools.temporal#

Fonctions pour calculer des statistiques récapitulatives temporelles par pixel sur une série temporelle stockée dans un xarray.DataArray.

Les fonctions clés sont :

xr_phenology

Obtenir des mesures phénologiques de la surface terrestre à partir d'un xarray.DataArray contenant une série temporelle d'un indice de végétation tel que le NDVI.

temporal_statistics

Calculer diverses statistiques récapitulatives génériques sur n'importe quelle série temporelle.

Fonctions

allNaN_arg(da, dim, stat)

Calculer da.argmax() ou da.argmin() tout en gérant les tranches entièrement NaN.

temporal_statistics(da, stats)

Calculer diverses statistiques récapitulatives génériques sur n'importe quelle série temporelle.

xr_phenology(da[, stats, method_sos, ...])

Obtenir des mesures phénologiques de la surface terrestre à partir d'un xarray.DataArray contenant une série temporelle d'un indice de végétation tel que le NDVI.
deafrica_tools.temporal.allNaN_arg(da, dim, stat)#

Calculer da.argmax() ou da.argmin() tout en gérant les tranches entièrement NaN. Remplit les emplacements entièrement NaN avec un flottant, puis masque les cellules problématiques.

Paramètres:

  • da (xarray.DataArray)

  • dim (str) – Dimension sur laquelle calculer argmax, argmin, par ex. “time”

  • stat (str) – La statistique à calculer, soit “min” pour argmin() ou “max” pour .argmax()

Type renvoyé:

xarray.DataArray

deafrica_tools.temporal.temporal_statistics(da, stats)#

Calculer diverses statistiques récapitulatives génériques sur n’importe quelle série temporelle.

Cette fonction utilise la bibliothèque temporelle hdstats : daleroberts/hdstats

dernière modification juin 2023

Paramètres:

  • da (xarray.DataArray) – DataArray doit contenir une série temporelle 3D.

  • stats (list) – liste des statistiques temporelles à calculer. Les options incluent : * “discordance” = * “f_std” = écart-type des coefficients de la transformée de Fourier discrète, retourne trois couches : f_std_n1, f_std_n2, f_std_n3 * “f_mean” = moyenne des coefficients de la transformée de Fourier discrète, retourne trois couches : f_mean_n1, f_mean_n2, f_mean_n3 * “f_median” = médiane des coefficients de la transformée de Fourier discrète, retourne trois couches : f_median_n1, f_median_n2, f_median_n3 * “mean_change” = moyenne de la différence discrète le long de la dimension temporelle * “median_change” = médiane de la différence discrète le long de la dimension temporelle * “abs_change” = moyenne de la différence discrète absolue le long de la dimension temporelle * “complexity” = * “central_diff” = * “num_peaks” : Le nombre de pics dans la série temporelle, défini avec une fenêtre locale de taille 10. REMARQUE : Cette statistique est très lente

Renvoie:

Dataset contenant les variables pour les statistiques temporelles sélectionnées

Type renvoyé:

xarray.Dataset

deafrica_tools.temporal.xr_phenology(da, stats=['SOS', 'POS', 'EOS', 'Trough', 'vSOS', 'vPOS', 'vEOS', 'LOS', 'AOS', 'ROG', 'ROS'], method_sos='first', method_eos='last', verbose=True)#

Obtenir des mesures phénologiques de la surface terrestre à partir d’un xarray.DataArray contenant une série temporelle d’un indice de végétation tel que le NDVI.

dernière modification juin 2023

Paramètres:

  • da (xarray.DataArray) – DataArray doit contenir une série temporelle 2D ou 3D d’un indice de végétation tel que NDVI, EVI

  • stats (list) – liste des statistiques phénologiques à retourner. Indépendamment des métriques retournées, toutes les statistiques sont calculées en raison des interdépendances entre les métriques. Les options incluent : * SOS = Date de début de saison * POS = Date de pic de saison * EOS = Date de fin de saison * vSOS = Valeur au début de saison * vPOS = Valeur au pic de saison * vEOS = Valeur à la fin de saison * Trough = Valeur minimale de la saison * LOS = Durée de la saison (Jours) * AOS = Amplitude de la saison (en unités de valeur) * ROG = Taux de verdissement * ROS = Taux de sénescence

  • method_sos (str) – Si “first”, alors vSOS est estimé comme la première pente positive sur le côté verdissement de la courbe. Si “median”, alors vSOS est estimé comme la valeur médiane des pentes positives sur le côté verdissement de la courbe.

  • method_eos (str) – Si “last”, alors vEOS est estimé comme la dernière pente négative sur le côté sénescence de la courbe. Si “median”, alors vEOS est estimé comme la valeur “médiane” des pentes négatives sur le côté sénescence de la courbe.

Renvoie:

Dataset contenant les variables pour les statistiques phénologiques sélectionnées

Type renvoyé:

xarray.Dataset