| Summary: | We analyse methods for detecting change points in optical remote sensing lake drainage time series. Change points are points in a data set where the statistical properties of the data change. The data that we look at represent drained lakes in the Arctic hemisphere. It is generally noisy, with observations missing due to difficult weather conditions. We evaluate a partitioning algorithm, with five different approaches to model the data, based on least-squares regression and an assumption of normally distributed measurement errors. We also evaluate two computer programs called DBEST and TIMESAT and a MATLAB function called findchangepts(). We find that TIMESAT, DBEST and the MATLAB function are not relevant for our purposes. We also find that the partitioning algorithm that models the data as normally distributed around a piecewise constant function, is best suited for finding change points in our data. Vi analyserar metoder för att hitta brytpunkter i optisk fjärranalysdata som beskriver uttorkning av sjöar. Brytpunkter är punkter i en tidsserie vid vilka de statistiska egenskaperna förändras. Datan som vi använder representerar uttorkande sjöar i norra hemisfären. Den är generellt väldigt fluktuerande och många observationer kan saknas på grund av väderförhållandena i dessa områden. Vi undersöker en partitionsalgoritm, med fem olika sätt att modellera datan, baserade på minstakvadratmetoden och på antagande om att mätfelen är normalfördelade. Vi utvärderar också två program som heter DBEST och TIMESAT och en funktion i MATLAB som heter findchangepts(). Vi kommer fram till att TIMESAT, DBEST och MATLAB-funktionen inte är lämpliga för att analysera vår data. Vår slutsats är också att partitionsalgoritmen som modellerar datan som normalfördelad runt en styckvis konstant funktion bäst lämpar sig för att hitta brytpunkter i vår data.
|
|---|