- डेटासेट की उपलब्धता
- 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
- डेटासेट उपलब्ध कराने वाली कंपनी
- World Resources Institute Google
- Earth Engine स्निपेट
-
ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")
- टैग
डाइनैमिक वर्ल्ड, 10 मीटर के नेर-रीयल-टाइम (एनआरटी) लैंड यूज़/लैंड कवर (एलयूएलसी) डेटासेट है. इसमें नौ क्लास के लिए, क्लास की संभावनाएं और लेबल की जानकारी शामिल होती है.
दुनिया के डाइनैमिक प्रॉडक्ट के अनुमान, 27-06-2015 से लेकर अब तक के Sentinel-2 L1C कलेक्शन के लिए उपलब्ध हैं. अक्षांश के हिसाब से, Sentinel-2 की फिर से फ़ोटो लेने की फ़्रीक्वेंसी 2 से 5 दिनों के बीच होती है. डाइनैमिक वर्ल्ड के अनुमान, CLOUDY_PIXEL_PERCENTAGE <= 35% वाली Sentinel-2 L1C इमेज के लिए जनरेट किए जाते हैं. क्लाउड और क्लाउड की परछाई को हटाने के लिए, अनुमानों को मास्क किया जाता है. इसके लिए, S2 क्लाउड की संभावना, क्लाउड डिसप्लेसमेंट इंडेक्स, और डायरेक्शनल डिस्टेंस ट्रांसफ़ॉर्म का इस्तेमाल किया जाता है.
डाइनैमिक वर्ल्ड कलेक्शन में मौजूद इमेज के नाम, उन अलग-अलग सेंटिनल-2 L1C ऐसेट के नाम से मेल खाते हैं जिनसे इन्हें बनाया गया है.उदाहरण के लिए:
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
उसमें डाइनैमिक वर्ल्ड की एक इमेज मौजूद हो, जिसका नाम यह हो: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').
"लेबल" बैंड को छोड़कर, सभी संभावना वाले बैंड का कुल योग 1 होता है.
डाइनैमिक वर्ल्ड डेटासेट के बारे में ज़्यादा जानने और कॉम्पोज़िट जनरेट करने, क्षेत्रीय आंकड़ों का हिसाब लगाने, और टाइम सीरीज़ के साथ काम करने के उदाहरण देखने के लिए, डाइनैमिक वर्ल्ड के बारे में जानकारी ट्यूटोरियल सीरीज़ देखें.
डाइनैमिक वर्ल्ड क्लास के अनुमान, एक छोटी मूविंग विंडो से स्पेस के संदर्भ का इस्तेमाल करके, एक इमेज से लिए जाते हैं. इसलिए, अनुमानित लैंड कवर के लिए, सबसे ऊपर की "संभावनाएं", तुलनात्मक रूप से कम हो सकती हैं. ये संभावनाएं, समय के साथ कवर होने वाले लैंड कवर पर निर्भर करती हैं. जैसे, फ़सल. ऐसा, साफ़ तौर पर अलग दिखने वाली चीज़ों की मौजूदगी न होने की वजह से होता है. शुष्क जलवायु, रेत, और सूरज की चमक जैसी हाई-रिटर्न वाली सतहों पर भी यह समस्या दिख सकती है.
सिर्फ़ ऐसे पिक्सल चुनने के लिए जो डाइनैमिक वर्ल्ड क्लास से जुड़े हों, हमारा सुझाव है कि आप डाइनैमिक वर्ल्ड के आउटपुट को मास्क करें. इसके लिए, सबसे सही अनुमान की अनुमानित "संभावना" को थ्रेशोल्ड करें.
पिक्सल साइज़
10 मीटर
बैंड
| नाम | कम से कम | ज़्यादा से ज़्यादा | ब्यौरा |
|---|---|---|---|
water |
0 | 1 | पानी से पूरी तरह से ढक जाने की अनुमानित संभावना |
trees |
0 | 1 | पेड़ों से पूरी तरह ढकने की अनुमानित संभावना |
grass |
0 | 1 | घास से पूरी तरह ढकने की अनुमानित संभावना |
flooded_vegetation |
0 | 1 | बाढ़ के पानी में डूबे हुए पेड़-पौधों से पूरी तरह ढकने की अनुमानित संभावना |
crops |
0 | 1 | फ़सलों से पूरी तरह कवर होने की अनुमानित संभावना |
shrub_and_scrub |
0 | 1 | झाड़ियों और झाड़-झंखाड़ से पूरी तरह ढकने की अनुमानित संभावना |
built |
0 | 1 | बिल्ड के हिसाब से, पूरी कवरेज मिलने की अनुमानित संभावना |
bare |
0 | 1 | पूरी जगह को कवर करने के लिए, बेअर के इस्तेमाल की अनुमानित संभावना |
snow_and_ice |
0 | 1 | बर्फ़ और बर्फ़ीली चादर से पूरी तरह ढकने की अनुमानित संभावना |
label |
0 | 8 | सबसे ज़्यादा अनुमानित संभावना वाले बैंड का इंडेक्स |
लेबल क्लास टेबल
| मान | रंग | ब्यौरा |
|---|---|---|
| 0 | #419bdf | पानी |
| 1 | #397d49 | पेड़ |
| 2 | #88b053 | घास |
| 3 | #7a87c6 | flooded_vegetation |
| 4 | #e49635 | फ़सलें |
| 5 | #dfc35a | shrub_and_scrub |
| 6 | #c4281b | बनाया गया |
| 7 | #a59b8f | bare |
| 8 | #b39fe1 | snow_and_ice |
इमेज प्रॉपर्टी
| नाम | टाइप | ब्यौरा |
|---|---|---|
| dynamicworld_algorithm_version | स्ट्रिंग | वर्शन स्ट्रिंग, डाइनैमिक वर्ल्ड मॉडल और अनुमान लगाने की प्रोसेस की खास पहचान करती है. इसका इस्तेमाल इमेज बनाने के लिए किया जाता है. |
| qa_algorithm_version | स्ट्रिंग | वर्शन स्ट्रिंग, इमेज बनाने के लिए इस्तेमाल की गई क्लाउड मास्किंग प्रोसेस की खास पहचान करती है. |
इस्तेमाल की शर्तें
इस डेटासेट का लाइसेंस, CC-BY 4.0 के तहत दिया गया है. साथ ही, इसे इस्तेमाल करने के लिए, यह एट्रिब्यूशन देना ज़रूरी है: "यह डेटासेट, Google ने नेशनल जियोग्राफ़िक सोसाइटी और वर्ल्ड रिसोर्स इंस्टिट्यूट के साथ मिलकर, डाइनैमिक वर्ल्ड प्रोजेक्ट के लिए बनाया है."
इसमें, Copernicus Sentinel से जुड़े डेटा में बदलाव [2015 से अब तक] शामिल है. Sentinel Data का कानूनी नोटिस देखें.
ब्राउन, सी.एफ़., एस.पी. ब्रंबी, 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
Earth Engine की मदद से एक्सप्लोर करना
// 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');
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