Halaman ini diterjemahkan oleh Cloud Translation API.

Dynamic World V1

Ketersediaan Set Data: 2015-06-27T00:00:00Z–2025-09-01T12:28:14.897000Z
Penyedia Set Data: World Resources Institute Google

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

Deskripsi

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

Prediksi Dynamic World tersedia untuk koleksi L1C Sentinel-2 dari 27-06-2015 hingga saat ini. Frekuensi kunjungan ulang Sentinel-2 adalah antara 2-5 hari, bergantung pada garis lintang. Prediksi Dynamic World dibuat untuk gambar L1C Sentinel-2 dengan CLOUDY_PIXEL_PERCENTAGE <= 35%. Prediksi ditutupi untuk menghilangkan awan dan bayangan awan menggunakan kombinasi S2 Cloud Probability, Cloud Displacement Index, dan Directional Distance Transform.

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

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

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

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

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

Estimasi class Dynamic World berasal dari gambar tunggal menggunakan konteks spasial dari jendela bergerak kecil, "probabilitas" top-1 untuk prediksi penutup lahan yang sebagian ditentukan oleh penutup dari waktu ke waktu, seperti tanaman, dapat relatif rendah jika tidak ada fitur pembeda yang jelas. Permukaan dengan pantulan tinggi di iklim kering, pasir, pantulan sinar matahari, dll. juga dapat menunjukkan fenomena ini.

Untuk memilih hanya piksel yang secara meyakinkan termasuk dalam kelas Dynamic World, sebaiknya masking output Dynamic World dilakukan dengan menerapkan nilai minimum pada estimasi "probabilitas" prediksi teratas.

Band

Ukuran Piksel
10 meter

Band

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

label Class Table

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	dibuat
7	#a59b8f	telanjang
8	#b39fe1	snow_and_ice

Properti Gambar

Properti Gambar

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

Persyaratan Penggunaan

Persyaratan Penggunaan

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

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

Kutipan

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

Mengeksplorasi dengan Earth Engine

Editor Kode (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');

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

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

Buka di Editor Kode

Dynamic World V1

Dynamic World adalah set data Penggunaan Lahan/Penutupan Lahan (LULC) 10 m yang mendekati real-time (NRT) 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,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 Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Deskripsi

Band

Properti Gambar

Persyaratan Penggunaan

Kutipan

DOI

Mengeksplorasi dengan Earth Engine

Editor Kode (JavaScript)

Colab (Python)

Dynamic World V1