def change_detection(arr):
    """
    Funcion para detectar cambios en la serie temporal de NDVI, trabaja de forma hibrida con codigo R y Python
    Requiere de los paquetes: numpy, pandas, rpy2 y la libreria strucchange (R)
    Esta funcion fue programada por Miguel Moncada en octubre de 2019.
    """


    # Transformamos el input array a serie para trabajar con pandas

    series = pd.Series(arr)
    window, scale = 46, 1.96

    # Computamos la media movil para el tamaño de ventana deseado y el n de desv. tipicas del intervalo de confianza

    rolling_mean = series.rolling(window=window).mean()

    # Calculamos el limite inferior del intervalo de confianza

    mae = mean_absolute_error(series[window:], rolling_mean[window:])
    deviation = np.std(series[window:] - rolling_mean[window:])
    lower_bond = rolling_mean - (mae + scale * deviation)

    # Creamos un array llamado 'lista' con la etiqueta del eje cuyo valor en 'y' es inferior al limite inferior

    lista = banda[np.less(series,lower_bond)]


    # Incorporamos el codigo escrito en R a nuestro programa
    # Esta funcion nos permite encontrar los puntos de cambio estructural en la serie de tiempo

    # Primero definimos la variable equivalente en R a nuestro array en Python
    ro.globalenv["arr_r"] = arr

    # Creamos la funcion en R como string y la convertimos a objeto en R y despues en Python
    struc = """
    strchange <- function(){
        strucchange::breakpoints(arr_r~1)[1]
    }
    """

    ro.r(struc)
    strc_py = ro.globalenv['strchange']

    vector = np.array(strc_py()[0]).astype(int)

    # Creamos nuestros arrays vacios 'change' (donde incorporaremos anomalias - resultado final) y warn (incertidumbres)

    change = []
    warn = []

    # Filtramos las anomalías que no nos interesan comprobando si el cambio se ha mantenido en los valores adyacentes
    # Al comparar con los 3 siguientes valores, si nos encontramos con una anomalia al final de la serie tendremos warn

    for element in lista:

        if element >= 824:
            warn.append(999)

        else:
            a = arr[element-1]
            b = arr[element]
            c = arr[element+1]
            d = arr[element+2]

            if isclose(a,b,rel_tol=0.25) & isclose(a,c,rel_tol=0.3) & isclose(b,c,rel_tol=0.25)\
            & isclose(c,d,rel_tol=0.25):
                    change.append(element)

    change = np.array(change)

    # Comprobamos que haya más de un valor anómalo consecutivo en nuestro array y eliminamos los casos puntuales

    for num in range(0,len(change)-2):
        #if change[num] != 999:
        if isclose(change[num],change[num+1], abs_tol=5) == False:
            change = np.delete(change,num)

    # Comprobamos que los valores anómalos se encuentran en el rango de los breakpoints (cambios estructurales)

    change = np.array([i for i in change if np.isclose(vector, i, 5).any()])

    # Redondeamos para obtener el año del cambio en cuestion

    change = 2000 + np.floor(change/46)

    # Comprobamos que el array no esta vacio para evitar errores

    if change.size == 0:
        change = np.append(change,0)

    # Obtenemos los valores unicos de nuestro array y devolvemos como salida el primero de estos

    change = np.unique(np.array(change)).astype(int)


    return  change[0]