Diese Seite wurde von der Cloud Translation API übersetzt.

Dynamic World V1

Verfügbarkeit von Datasets: 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
Dataset-Anbieter: World Resources Institute Google
Earth Engine-Snippet: ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

Tags: global google landcover landuse nrt sentinel2-derived

BeschreibungBänderBildattributeNutzungsbedingungenZitateDOIs

Dynamic World ist ein Dataset zur Bodenbedeckung mit einer Auflösung von 10 m und nahezu in Echtzeit (NRT), das Klassenwahrscheinlichkeiten und Labels für neun Klassen enthält.

Vorhersagen von Dynamic World sind für die Sentinel-2 L1C-Sammlung vom 27. Juni 2015 bis heute verfügbar. Die Wiederholungshäufigkeit von Sentinel-2 liegt je nach Breitengrad zwischen 2 und 5 Tagen. Vorhersagen für Dynamic World werden für Sentinel-2-L1C-Bilder mit CLOUDY_PIXEL_PERCENTAGE <= 35 % generiert. Die Vorhersagen werden maskiert, um Wolken und Wolkenschatten zu entfernen. Dazu wird eine Kombination aus S2-Wolkenwahrscheinlichkeit, Wolkenverschiebungsindex und Richtungsabstandstransformation verwendet.

Die Bilder in der Sammlung „Dynamic World“ haben Namen, die mit den Namen der einzelnen Sentinel-2 L1C-Assets übereinstimmen, aus denen sie abgeleitet wurden, z. B.:

ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')

hat ein übereinstimmendes Dynamic World-Bild mit dem Namen: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Alle Wahrscheinlichkeitsbänder mit Ausnahme des Labels addieren sich zu 1.

Weitere Informationen zum Datensatz „Dynamic World“ und Beispiele zum Erstellen von Kompositionen, zum Berechnen regionaler Statistiken und zum Arbeiten mit der Zeitreihe finden Sie in der Einführungsreihe zu Dynamic World.

Da die Klassenschätzungen von Dynamic World aus einzelnen Bildern mithilfe eines räumlichen Kontexts aus einem kleinen beweglichen Fenster abgeleitet werden, können die Top-1-Wahrscheinlichkeiten für prognostizierte Bodenbedeckungen, die teilweise durch die Bedeckung im Zeitverlauf definiert werden, wie z. B. Nutzpflanzen, in Ermangelung offensichtlicher Unterscheidungsmerkmale vergleichsweise niedrig sein. Dieses Phänomen kann auch bei Oberflächen mit hoher Rückgabe in trockenen Klimazonen, Sand, Sonnenlichtreflexen usw. auftreten.

Wenn Sie nur Pixel auswählen möchten, die mit hoher Wahrscheinlichkeit zu einer Dynamic World-Klasse gehören, sollten Sie die Dynamic World-Ausgaben maskieren, indem Sie einen Grenzwert für die geschätzte „Wahrscheinlichkeit“ der Top-1-Prognose festlegen.

Pixelgröße
10 Meter

Bänder

Name	Max.	Beschreibung
`water`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Überflutung
`trees`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Abdeckung durch Bäume
`grass`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Bedeckung durch Gras
`flooded_vegetation`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Überflutung von Vegetation
`crops`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Abdeckung durch Pflanzen
`shrub_and_scrub`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Bedeckung durch Büsche und Gestrüpp
`built`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Abdeckung nach Gebäude
`bare`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Abdeckung durch Bare
`snow_and_ice`	1	Geschätzte Wahrscheinlichkeit einer vollständigen Abdeckung durch Schnee und Eis
`label`	8	Index des Bandes mit der höchsten geschätzten Wahrscheinlichkeit

Tabelle „label class“

Wert	Farbe	Beschreibung
0	#419bdf	Wasser
1	#397d49	Bäume
2	#88b053	Gras
3	#7a87c6	flooded_vegetation
4	#e49635	Kulturpflanzen
5	#dfc35a	shrub_and_scrub
6	#c4281b	gebaut
7	#a59b8f	Bare
8	#b39fe1	snow_and_ice

Bildeigenschaften

Name	Typ	Beschreibung
dynamicworld_algorithm_version	STRING	Der Versionsstring, der das Dynamic World-Modell und den Inferenzprozess eindeutig identifiziert, der zum Erstellen des Bilds verwendet wurde.
qa_algorithm_version	STRING	Der Versionsstring, der das Cloud-Maskierungsverfahren eindeutig identifiziert, das zum Erstellen des Bilds verwendet wurde.

Nutzungsbedingungen

Dieser Datensatz ist unter CC-BY 4.0 lizenziert und erfordert die folgende Quellenangabe: „Dieser Datensatz wird von Google in Zusammenarbeit mit der National Geographic Society und dem World Resources Institute für das Dynamic World Project erstellt.“

Enthält modifizierte Copernicus-Sentinel-Daten [2015–heute]. Weitere Informationen finden Sie in den rechtlichen Hinweisen zu Sentinel-Daten.

Brown, C.F., Brumby, S.P., Guzder-Williams, B. et al. Dynamic World, Near-real-time global 10 m land use land cover mapping. Sci Data 9, 251 (2022). doi:10.1038/s41597-022-01307-4

https://doi.org/10.1038/s41597-022-01307-4

Mit Earth Engine Daten analysieren

Code-Editor (JavaScript)Colab (Python)

// Construct a collection of corresponding Dynamic World and Sentinel-2 for
// inspection. Filter by region and date.
var START = ee.Date('2021-04-02');
var END = START.advance(1, 'day');

var colFilter = ee.Filter.and(
    ee.Filter.bounds(ee.Geometry.Point(20.6729, 52.4305)),
    ee.Filter.date(START, END));

var dwCol = ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1').filter(colFilter);
var s2Col = ee.ImageCollection('COPERNICUS/S2_HARMONIZED');

// Link DW and S2 source images.
var linkedCol = dwCol.linkCollection(s2Col, s2Col.first().bandNames());

// Get example DW image with linked S2 image.
var linkedImg = ee.Image(linkedCol.first());

// Create a visualization that blends DW class label with probability.
// Define list pairs of DW LULC label and color.
var CLASS_NAMES = [
    'water', 'trees', 'grass', 'flooded_vegetation', 'crops',
    'shrub_and_scrub', 'built', 'bare', 'snow_and_ice'];

var VIS_PALETTE = [
    '419bdf', '397d49', '88b053', '7a87c6', 'e49635', 'dfc35a', 'c4281b',
    'a59b8f', 'b39fe1'];

// Create an RGB image of the label (most likely class) on [0, 1].
var dwRgb = linkedImg
    .select('label')
    .visualize({min: 0, max: 8, palette: VIS_PALETTE})
    .divide(255);

// Get the most likely class probability.
var top1Prob = linkedImg.select(CLASS_NAMES).reduce(ee.Reducer.max());

// Create a hillshade of the most likely class probability on [0, 1];
var top1ProbHillshade =
    ee.Terrain.hillshade(top1Prob.multiply(100))
    .divide(255);

// Combine the RGB image with the hillshade.
var dwRgbHillshade = dwRgb.multiply(top1ProbHillshade);

// Display the Dynamic World visualization with the source Sentinel-2 image.
Map.setCenter(20.6729, 52.4305, 12);
Map.addLayer(
    linkedImg, {min: 0, max: 3000, bands: ['B4', 'B3', 'B2']}, 'Sentinel-2 L1C');
Map.addLayer(
    dwRgbHillshade, {min: 0, max: 0.65}, 'Dynamic World V1 - label hillshade');

Python einrichten

Auf der Seite Python-Umgebung finden Sie Informationen zur Python API und zur Verwendung von geemap für die interaktive Entwicklung.

import ee
import geemap.core as geemap

# Construct a collection of corresponding Dynamic World and Sentinel-2 for
# inspection. Filter by region and date.
START = ee.Date('2021-04-02')
END = START.advance(1, 'day')

col_filter = ee.Filter.And(
    ee.Filter.bounds(ee.Geometry.Point(20.6729, 52.4305)),
    ee.Filter.date(START, END),
)

dw_col = ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1').filter(col_filter)
s2_col = ee.ImageCollection('COPERNICUS/S2_HARMONIZED');

# Link DW and S2 source images.
linked_col = dw_col.linkCollection(s2_col, s2_col.first().bandNames());

# Get example DW image with linked S2 image.
linked_image = ee.Image(linked_col.first())

# Create a visualization that blends DW class label with probability.
# Define list pairs of DW LULC label and color.
CLASS_NAMES = [
    'water',
    'trees',
    'grass',
    'flooded_vegetation',
    'crops',
    'shrub_and_scrub',
    'built',
    'bare',
    'snow_and_ice',
]

VIS_PALETTE = [
    '419bdf',
    '397d49',
    '88b053',
    '7a87c6',
    'e49635',
    'dfc35a',
    'c4281b',
    'a59b8f',
    'b39fe1',
]

# Create an RGB image of the label (most likely class) on [0, 1].
dw_rgb = (
    linked_image.select('label')
    .visualize(min=0, max=8, palette=VIS_PALETTE)
    .divide(255)
)

# Get the most likely class probability.
top1_prob = linked_image.select(CLASS_NAMES).reduce(ee.Reducer.max())

# Create a hillshade of the most likely class probability on [0, 1]
top1_prob_hillshade = ee.Terrain.hillshade(top1_prob.multiply(100)).divide(255)

# Combine the RGB image with the hillshade.
dw_rgb_hillshade = dw_rgb.multiply(top1_prob_hillshade)

# Display the Dynamic World visualization with the source Sentinel-2 image.
m = geemap.Map()
m.set_center(20.6729, 52.4305, 12)
m.add_layer(
    linked_image,
    {'min': 0, 'max': 3000, 'bands': ['B4', 'B3', 'B2']},
    'Sentinel-2 L1C',
)
m.add_layer(
    dw_rgb_hillshade,
    {'min': 0, 'max': 0.65},
    'Dynamic World V1 - label hillshade',
)
m

Im Code-Editor öffnen

Dynamic World V1

Dynamic World ist ein Dataset zur Landnutzung/Bodenbedeckung (LULC) mit einer Auflösung von 10 m und nahezu in Echtzeit (NRT), das Klassenwahrscheinlichkeiten und Labels für neun Klassen enthält. Vorhersagen von Dynamic World sind für die Sentinel-2-L1C-Sammlung vom 27. Juni 2015 bis heute verfügbar. Die Wiederholungshäufigkeit von Sentinel-2 liegt je nach Breitengrad zwischen 2 und 5 Tagen. Dynamic World …

GOOGLE/DYNAMICWORLD/V1, global,google,landcover,landuse,nrt,sentinel2-derived

2015-06-27T00:00:00Z/2025-03-09T03:20:17Z

-90 -180 90 180

Google Earth Engine

https://developers.google.com/earth-engine/datasets