این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

Dynamic World V1

در دسترس بودن مجموعه داده: 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
ارائه دهنده مجموعه داده: موسسه منابع جهانی گوگل
قطعه موتور زمین: ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

برچسب ها: جهانی Google landcover landuse nrt sentinel2 مشتق شده است

توضیحات باندها ویژگی های تصویرشرایط استفاده نقل قول هاDOI

Dynamic World یک مجموعه داده 10 متری استفاده از زمین/پوشش زمین (LULC) در زمان نزدیک (NRT) است که شامل احتمالات کلاس و اطلاعات برچسب برای نه کلاس است.

پیش‌بینی‌های Dynamic World برای مجموعه Sentinel-2 L1C از سال 2015-06-27 تاکنون در دسترس هستند. فرکانس بازدید مجدد Sentinel-2 بسته به عرض جغرافیایی بین 2-5 روز است. پیش‌بینی‌های Dynamic World برای تصاویر Sentinel-2 L1C با CLOUDY_PIXEL_PERCENTAGE <= 35٪ ایجاد می‌شوند. پیش‌بینی‌ها برای حذف ابرها و سایه‌های ابر با استفاده از ترکیبی از S2 Cloud Probability، Cloud Displacement Index و Directional Distance Transform پوشانده می‌شوند.

تصاویر موجود در مجموعه دنیای پویا دارای نام‌هایی هستند که با نام‌های دارایی Sentinel-2 L1C که از آن مشتق شده‌اند مطابقت دارد، به عنوان مثال:

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

دارای یک تصویر دنیای پویا مطابق با نام: ee.Image ('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

مجموع همه باندهای احتمال به جز باند "برچسب" 1 است.

برای کسب اطلاعات بیشتر در مورد مجموعه داده دینامیک دنیای دینامیک و دیدن نمونه هایی برای تولید کامپوزیت ها، محاسبه آمار منطقه ای و کار با سری های زمانی، سری آموزشی مقدمه ای بر دنیای دینامیک را ببینید.

با توجه به برآوردهای کلاس Dynamic World از تصاویر منفرد با استفاده از یک بافت فضایی از یک پنجره متحرک کوچک مشتق شده‌اند، «احتمالات» بالای ۱ برای پوشش‌های زمین پیش‌بینی‌شده که تا حدی با پوشش در طول زمان تعریف می‌شوند، مانند محصولات کشاورزی، می‌تواند در غیاب ویژگی‌های متمایز آشکار نسبتاً کم باشد. سطوح با بازگشت بالا در آب و هوای خشک، شن و ماسه، نور خورشید و غیره نیز ممکن است این پدیده را نشان دهند.

برای انتخاب تنها پیکسل‌هایی که با اطمینان به یک کلاس Dynamic World تعلق دارند، توصیه می‌شود خروجی‌های Dynamic World را با آستانه‌گذاری «احتمال» تخمینی پیش‌بینی برتر ۱ پنهان کنید.

اندازه پیکسل
10 متر

باندها

نام	حداکثر	توضیحات
`water`	1	احتمال پوشش کامل توسط آب برآورد شده است
`trees`	1	احتمال پوشش کامل درختان برآورد شده است
`grass`	1	احتمال پوشش کامل توسط چمن برآورد شده است
`flooded_vegetation`	1	احتمال پوشش کامل پوشش گیاهی غرقاب
`crops`	1	احتمال پوشش کامل توسط محصولات زراعی برآورد شده است
`shrub_and_scrub`	1	احتمال پوشش کامل بوته و بوته برآورد شده است
`built`	1	احتمال پوشش کامل توسط ساخته شده برآورد شده است
`bare`	1	احتمال پوشش کامل توسط برهنه تخمین زده شده است
`snow_and_ice`	1	احتمال پوشش کامل برف و یخ تخمین زده شده است
`label`	8	شاخص باند با بیشترین احتمال تخمین زده شده است

جدول کلاس برچسب

ارزش	رنگ	توضیحات
0	#419bdf	آب
1	#397d49	درختان
2	#88b053	چمن
3	#7a87c6	سیلابی_گیاهی
4	#e49635	محصولات زراعی
5	#dfc35a	درختچه_و_اسکراب
6	#c4281b	ساخته شده است
7	#a59b8f	برهنه
8	#b39fe1	برف_و_یخ

ویژگی های تصویر

نام	تایپ کنید	توضیحات
dynamicworld_algorithm_version	STRING	رشته نسخه به طور منحصر به فرد مدل دنیای پویا و فرآیند استنتاج مورد استفاده برای تولید تصویر را شناسایی می کند.
نسخه_قا_الگوریتم	STRING	رشته نسخه به طور منحصر به فرد فرآیند پوشاندن ابری را که برای تولید تصویر استفاده می شود، شناسایی می کند.

شرایط استفاده

این مجموعه داده تحت مجوز CC-BY 4.0 است و به انتساب زیر نیاز دارد: "این مجموعه داده برای پروژه دنیای پویا توسط Google با مشارکت انجمن نشنال جئوگرافیک و موسسه منابع جهانی تولید شده است."

حاوی داده های کوپرنیک سنتینل اصلاح شده [2015-تاکنون]. به اطلاعیه حقوقی Sentinel Data مراجعه کنید.

Brown، CF، Brumby، SP، Guzder-Williams، B. et al. دنیای پویا، نقشه برداری پوشش زمین 10 متری جهانی کاربری زمین تقریباً بلادرنگ. Sci Data 9, 251 (2022). doi:10.1038/s41597-022-01307-4

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

با Earth Engine کاوش کنید

ویرایشگر کد (جاوا اسکریپت)کولب (پایتون)

// 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');

راه اندازی پایتون

برای اطلاعات در مورد API پایتون و استفاده از geemap برای توسعه تعاملی به صفحه محیط پایتون مراجعه کنید.

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

در ویرایشگر کد باز کنید

دنیای پویا V1

Dynamic World یک مجموعه داده 10 متری استفاده از زمین/پوشش زمین (LULC) در زمان نزدیک (NRT) است که شامل احتمالات کلاس و اطلاعات برچسب برای نه کلاس است. پیش‌بینی‌های Dynamic World برای مجموعه Sentinel-2 L1C از سال 2015-06-27 تاکنون در دسترس هستند. فرکانس بازدید مجدد Sentinel-2 بسته به عرض جغرافیایی بین 2-5 روز است. دنیای پویا …

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

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

-90 -180 90 180

موتور Google Earth

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