Cette page a été traduite par l'API Cloud Translation.

Dynamic World V1

Disponibilité des ensembles de données: 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
Fournisseur d'ensembles de données: World Resources Institute Google
Extrait Earth Engine: ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

Tags: global google landcover landuse nrt sentinel2-derived

DescriptionBraceletsPropriétés des imagesConditions d'utilisationCitationsDOI

Dynamic World est un ensemble de données sur l'utilisation/la couverture des sols (LULC) en temps quasi réel (NRT) de 10 m, qui comprend des probabilités de classe et des informations sur les libellés pour neuf classes.

Les prédictions Dynamic World sont disponibles pour la collection Sentinel-2 L1C du 27 juin 2015 à aujourd'hui. La fréquence de revisite de Sentinel-2 est comprise entre deux et cinq jours, en fonction de la latitude. Les prédictions Dynamic World sont générées pour les images Sentinel-2 L1C avec CLOUDY_PIXEL_PERCENTAGE ≤ 35%. Les prévisions sont masquées pour supprimer les nuages et les ombres de nuages à l'aide d'une combinaison de probabilité de nuage S2, d'indice de déplacement des nuages et de transformation de distance directionnelle.

Les images de la collection "Monde dynamique" portent des noms correspondant aux noms des composants Sentinel-2 L1C individuels à partir desquels elles ont été dérivées, par exemple:

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

possède une image du monde dynamique correspondante nommée : ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

La somme de toutes les bandes de probabilité, à l'exception de la bande "libellé", est égale à 1.

Pour en savoir plus sur le jeu de données Dynamic World et obtenir des exemples de génération de composites, de calcul de statistiques régionales et d'utilisation des séries temporelles, consultez la série de tutoriels Présentation de Dynamic World.

Étant donné que les estimations de classe Dynamic World sont dérivées d'images uniques à l'aide d'un contexte spatial à partir d'une petite fenêtre mobile, les "probabilités" de couverture terrestre prédite qui sont en partie définies par la couverture au fil du temps, comme les cultures, peuvent être relativement faibles en l'absence de caractéristiques distinctives évidentes. Les surfaces à fort retour dans les climats arides, le sable, les reflets du soleil, etc. peuvent également présenter ce phénomène.

Pour ne sélectionner que les pixels qui appartiennent avec certitude à une classe de monde dynamique, nous vous recommandons de masquer les sorties de monde dynamique en définissant un seuil sur la "probabilité" estimée de la première prédiction.

Taille de pixel
10 mètres

Bandes de fréquences

Nom	Max	Description
`water`	1	Probabilité estimée de couverture complète par l'eau
`trees`	1	Probabilité estimée de couverture complète par des arbres
`grass`	1	Probabilité estimée de couverture complète par de l'herbe
`flooded_vegetation`	1	Probabilité estimée de couverture complète par la végétation inondée
`crops`	1	Probabilité estimée de couverture complète par les cultures
`shrub_and_scrub`	1	Probabilité estimée de couverture complète par les arbustes et les broussailles
`built`	1	Probabilité estimée de couverture complète par l'élément construit
`bare`	1	Probabilité estimée de couverture complète par la version nue
`snow_and_ice`	1	Probabilité estimée de couverture complète par la neige et la glace
`label`	8	Indice de la bande dont la probabilité estimée est la plus élevée

tableau de classes de libellés

Valeur	Couleur	Description
0	#419bdf	eau
1	#397d49	arbres
2	#88b053	herbe
3	#7a87c6	flooded_vegetation
4	#e49635	cultures
5	#dfc35a	shrub_and_scrub
6	#c4281b	conçu
7	#a59b8f	nu
8	#b39fe1	snow_and_ice

Propriétés de l'image

Nom	Type	Description
dynamicworld_algorithm_version	STRING	Chaîne de version identifiant de manière unique le modèle de monde dynamique et le processus d'inférence utilisés pour créer l'image.
qa_algorithm_version	STRING	Chaîne de version identifiant de manière unique le processus de masquage des nuages utilisé pour créer l'image.

Conditions d'utilisation

Cet ensemble de données est concédé sous licence CC-BY 4.0 et nécessite l'attribution suivante: "Cet ensemble de données est produit pour le projet Dynamic World par Google en partenariat avec la National Geographic Society et le World Resources Institute."

Contient des données Sentinel Copernicus modifiées [2015-présent]. Consultez l'Avis juridique sur les données Sentinel.

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

Explorer avec Earth Engine

Éditeur de code (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');

Configuration de Python

Consultez la page Environnement Python pour en savoir plus sur l'API Python et l'utilisation de geemap pour le développement interactif.

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

Ouvrir dans l'Éditeur de code

Monde dynamique v1

Dynamic World est un ensemble de données sur l'utilisation des sols et la couverture terrestre (LULC) en temps quasi réel (NRT) avec une résolution de 10 m. Il comprend des probabilités de classe et des informations sur les libellés pour neuf classes. Les prédictions Dynamic World sont disponibles pour la collection Sentinel-2 L1C du 27/06/2015 à aujourd'hui. La fréquence de revisite de Sentinel-2 est comprise entre deux et cinq jours, en fonction de la latitude. 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