Se usó la API de Cloud Translation para traducir esta página.

Dynamic World V1

Disponibilidad del conjunto de datos: 2015-06-27T00:00:00Z–2025-09-01T12:28:14.897000Z
Proveedor del conjunto de datos: World Resources Institute Google

Etiquetas: global google landcover landuse landuse-landcover nrt sentinel2-derived

Descripción

Dynamic World es un conjunto de datos de cobertura y uso del suelo (LULC) con una resolución de 10 m y casi en tiempo real (NRT) que incluye probabilidades de clase y la información de etiquetas para nueve clases.

Las predicciones de Dynamic World están disponibles para la colección L1C de Sentinel-2 desde el 27 de junio de 2015 hasta la actualidad. La frecuencia de revisita de Sentinel-2 es de entre 2 y 5 días, según la latitud. Las predicciones de Dynamic World se generan para las imágenes L1C de Sentinel-2 con CLOUDY_PIXEL_PERCENTAGE <= 35%. Las predicciones se enmascaran para quitar las nubes y las sombras de las nubes con una combinación de la probabilidad de nubes de S2, el índice de desplazamiento de nubes y la transformación de distancia direccional.

Las imágenes de la colección Dynamic World tienen nombres que coinciden con los nombres de los recursos individuales de Sentinel-2 L1C de los que se derivaron, p. ej.:

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

tiene una imagen de Dynamic World coincidente llamada: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Todas las bandas de probabilidad, excepto la banda "label", suman 1 en conjunto.

Para obtener más información sobre el conjunto de datos de Dynamic World y ver ejemplos para generar composiciones, calcular estadísticas regionales y trabajar con las series temporales, consulta la serie de instructivos Introducción a Dynamic World.

Las estimaciones de clases de Dynamic World se derivan de imágenes individuales con un contexto espacial de una pequeña ventana móvil. Las "probabilidades" del primer resultado para las coberturas terrestres predichas que se definen en parte por la cobertura a lo largo del tiempo, como los cultivos, pueden ser comparativamente bajas en ausencia de características distintivas obvias. Las superficies de alto retorno en climas áridos, la arena, el reflejo del sol, etc., también pueden exhibir este fenómeno.

Para seleccionar solo los píxeles que pertenecen con certeza a una clase de Dynamic World, se recomienda enmascarar los resultados de Dynamic World estableciendo un umbral para la "probabilidad" estimada de la predicción principal.

Bandas

Tamaño de píxel
10 metros

Bandas

Nombre	Máx.	Tamaño de los píxeles	Descripción
`water`	1	metros	Probabilidad estimada de cobertura completa por agua
`trees`	1	metros	Probabilidad estimada de cobertura completa por árboles
`grass`	1	metros	Probabilidad estimada de cobertura completa por césped
`flooded_vegetation`	1	metros	Probabilidad estimada de cobertura completa por vegetación inundada
`crops`	1	metros	Probabilidad estimada de cobertura completa por parte de los cultivos
`shrub_and_scrub`	1	metros	Probabilidad estimada de cobertura completa con arbustos y matorrales
`built`	1	metros	Probabilidad estimada de cobertura completa por compilación
`bare`	1	metros	Probabilidad estimada de cobertura completa por parte de la barra
`snow_and_ice`	1	metros	Probabilidad estimada de cobertura completa por nieve y hielo
`label`	8	metros	Índice de la banda con la probabilidad estimada más alta

Clase de etiqueta de tabla

Valor	Color	Descripción
0	#419bdf	agua
1	#397d49	árboles
2	#88b053	césped
3	#7a87c6	flooded_vegetation
4	#e49635	cultivos
5	#dfc35a	shrub_and_scrub
6	#c4281b	construido
7	#a59b8f	al descubierto
8	#b39fe1	snow_and_ice

Propiedades de imágenes

Propiedades de imágenes

Nombre	Tipo	Descripción
dynamicworld_algorithm_version	STRING	Es la cadena de versión que identifica de forma única el modelo de Dynamic World y el proceso de inferencia que se usaron para producir la imagen.
qa_algorithm_version	STRING	Es la cadena de versión que identifica de forma única el proceso de enmascaramiento de nubes que se usó para producir la imagen.

Condiciones de Uso

Condiciones de Uso

Este conjunto de datos se publica bajo la licencia CC-BY 4.0 y requiere la siguiente atribución: "Google produjo este conjunto de datos para el proyecto Dynamic World en asociación con la National Geographic Society y el World Resources Institute".

Contiene datos modificados de Copernicus Sentinel [2015-actualidad]. Consulta el Aviso Legal de Datos de Sentinel.

Citas

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

DOI

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

Explora con Earth Engine

Editor de código (JavaScript)

// 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');

Configuración de Python

Consulta la página Entorno de Python para obtener información sobre la API de Python y el uso de geemap para el desarrollo interactivo.

import ee
import geemap.core as geemap

Colab (Python)

# 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

Abrir en el editor de código

Dynamic World V1

Dynamic World es un conjunto de datos de cobertura y uso del suelo (LULC) con una resolución de 10 m y casi en tiempo real (NRT) que incluye probabilidades de clase e información de etiquetas para nueve clases. Las predicciones de Dynamic World están disponibles para la colección L1C de Sentinel-2 desde el 27/6/2015 hasta la actualidad. La frecuencia de revisita de Sentinel-2 es de entre 2 y 5 días, según la latitud. Dynamic World …

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

2015-06-27T00:00:00Z/2025-09-01T12:28:14.897000Z

-90 -180 90 180

Google Earth Engine

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

Dynamic World V1 Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Descripción

Bandas

Propiedades de imágenes

Condiciones de Uso

Citas

DOI

Explora con Earth Engine

Editor de código (JavaScript)

Colab (Python)

Dynamic World V1