Halaman ini diterjemahkan oleh Cloud Translation API.

Dynamic World V1

Ketersediaan Set Data: 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
Penyedia Set Data: World Resources Institute Google
Cuplikan Earth Engine: ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

Tag: global google landcover landuse nrt sentinel2-derived

DeskripsiBandProperti GambarPersyaratan PenggunaanKutipanDOI

Dynamic World adalah set data Land Use/Land Cover (LULC) mendekati real-time (NRT) 10 m yang mencakup probabilitas class dan informasi label untuk sembilan class.

Prediksi Dynamic World tersedia untuk koleksi Sentinel-2 L1C dari 27-06-2015 hingga saat ini. Frekuensi kunjungan ulang Sentinel-2 adalah antara 2-5 hari, bergantung pada lintang. Prediksi Dynamic World dihasilkan untuk gambar Sentinel-2 L1C dengan CLOUDY_PIXEL_PERCENTAGE <= 35%. Prediksi disamarkan untuk menghapus awan dan bayangan awan menggunakan kombinasi Probabilitas Awan S2, Indeks Perpindahan Awan, dan Transformasi Jarak Berarah.

Gambar dalam koleksi Dynamic World memiliki nama yang cocok dengan nama aset individual Sentinel-2 L1C yang menjadi sumbernya, misalnya:

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

memiliki gambar Dynamic World yang cocok bernama: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Semua band probabilitas kecuali band "label" secara kolektif berjumlah 1.

Untuk mempelajari set data Dynamic World lebih lanjut dan melihat contoh untuk membuat gabungan, menghitung statistik regional, dan menggunakan deret waktu, lihat seri tutorial Pengantar Dynamic World.

Estimasi class Dynamic World yang diberikan berasal dari satu gambar menggunakan konteks spasial dari jendela bergerak kecil, "probabilitas" top-1 untuk perkiraan tutupan lahan yang sebagian ditentukan oleh tutupan dari waktu ke waktu, seperti tanaman, dapat relatif rendah jika tidak ada fitur pembeda yang jelas. Permukaan dengan return tinggi di iklim kering, pasir, sunglint, dsb. juga dapat menunjukkan fenomena ini.

Untuk hanya memilih piksel yang dengan yakin termasuk dalam class Dynamic World, sebaiknya sembunyikan output Dynamic World dengan menetapkan nilai minimum estimasi "probabilitas" prediksi top-1.

Ukuran Piksel
10 meter

Band

Nama	Maks	Deskripsi
`water`	1	Perkiraan probabilitas cakupan lengkap oleh air
`trees`	1	Perkiraan probabilitas cakupan lengkap oleh pepohonan
`grass`	1	Perkiraan probabilitas cakupan lengkap oleh rumput
`flooded_vegetation`	1	Perkiraan probabilitas cakupan lengkap oleh vegetasi yang tergenang banjir
`crops`	1	Perkiraan probabilitas cakupan lengkap menurut tanaman
`shrub_and_scrub`	1	Estimasi probabilitas cakupan lengkap oleh semak dan semak belukar
`built`	1	Perkiraan probabilitas cakupan lengkap menurut versi
`bare`	1	Perkiraan probabilitas cakupan lengkap oleh bare
`snow_and_ice`	1	Estimasi probabilitas cakupan penuh oleh salju dan es
`label`	8	Indeks band dengan estimasi probabilitas tertinggi

Tabel Class Label

Nilai	Warna	Deskripsi
0	#419bdf	air
1	#397d49	pepohonan
2	#88b053	rumput
3	#7a87c6	flooded_vegetation
4	#e49635	tanaman
5	#dfc35a	shrub_and_scrub
6	#c4281b	built
7	#a59b8f	kosong
8	#b39fe1	snow_and_ice

Properti Gambar

Nama	Jenis	Deskripsi
dynamicworld_algorithm_version	STRING	String versi yang secara unik mengidentifikasi model Dynamic World dan proses inferensi yang digunakan untuk menghasilkan gambar.
qa_algorithm_version	STRING	String versi yang mengidentifikasi proses penyamaran cloud secara unik yang digunakan untuk menghasilkan gambar.

Persyaratan Penggunaan

Set data ini dilisensikan berdasarkan CC-BY 4.0 dan memerlukan atribusi berikut: "Set data ini dibuat untuk Project Dynamic Earth oleh Google melalui kemitraan dengan National Geographic Society dan World Resources Institute."

Berisi data Copernicus Sentinel yang dimodifikasi [2015-sekarang]. Lihat Pemberitahuan Hukum Data Sentinel.

Brown, C.F., Brumby, S.P., Guzder-Williams, B. et al. Dynamic World, Pemetaan tutupan lahan penggunaan lahan global 10 m mendekati real-time. Sci Data 9, 251 (2022). doi:10.1038/s41597-022-01307-4

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

Menjelajahi dengan Earth Engine

Editor Kode (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');

Penyiapan Python

Lihat halaman Lingkungan Python untuk mengetahui informasi tentang Python API dan penggunaan geemap untuk pengembangan interaktif.

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

Buka di Editor Kode

Dynamic World V1

Dynamic World adalah set data Land Use/Land Cover (LULC) mendekati real-time (NRT) 10 m yang mencakup probabilitas class dan informasi label untuk sembilan class. Prediksi Dynamic World tersedia untuk koleksi Sentinel-2 L1C dari 27-06-2015 hingga saat ini. Frekuensi kunjungan ulang Sentinel-2 adalah antara 2-5 hari, bergantung pada lintang. 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