Dynamic World V1

Disponibilità dei set di dati

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

Fornitore di set di dati

World Resources Institute Google

Snippet di Earth Engine

ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

Tag

global google landcover landuse nrt sentinel2-derived

DescrizioneCinturiniProprietà immaginiTermini e condizioni d'usoCitazioniDOI

Dynamic World è un set di dati quasi in tempo reale (NRT) sull'uso del suolo/la copertura del suolo (LULC) con una risoluzione di 10 metri che include le probabilità di classe e le informazioni sulle etichette per nove classi.

Le previsioni dinamiche del mondo sono disponibili per la raccolta L1C di Sentinel-2 dal 27/06/2015 a oggi. La frequenza di ricognizione di Sentinel-2 è compresa tra 2 e 5 giorni, a seconda della latitudine. Le previsioni dinamiche del mondo vengono generate per le immagini L1C di Sentinel-2 con CLOUDY_PIXEL_PERCENTAGE <= 35%. Le previsioni vengono mascherate per rimuovere le nuvole e le ombre delle nuvole utilizzando una combinazione di Probabilità di nuvole S2, Indice di spostamento delle nuvole e Trasformazione della distanza direzionale.

Le immagini della raccolta Mondo dinamico hanno nomi corrispondenti ai nomi dei singoli asset L1C di Sentinel-2 da cui sono state ricavate, ad esempio:

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

ha un'immagine di Mondo dinamico corrispondente denominata: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

La somma di tutte le bande di probabilità, tranne la banda "Etichetta", è pari a 1.

Per saperne di più sul set di dati Dynamic World e vedere esempi di generazione di compositi, calcolo di statistiche regionali e utilizzo delle serie temporali, consulta la serie di tutorial Introduzione a Dynamic World.

Poiché le stime delle classi di Dynamic World sono ricavate da singole immagini che utilizzano un contesto spaziale di una piccola finestra mobile, le "probabilità" di primo livello per le coperture del suolo previste che sono in parte definite dalla copertura nel tempo, come i raccolti, possono essere relativamente basse in assenza di elementi distintivi evidenti. Anche le superfici ad alto rendimento in climi aridi, sabbia, riflessi solari e così via possono manifestare questo fenomeno.

Per selezionare solo i pixel che appartengono con certezza a una classe di mondi dinamici, è consigliabile mascherare le uscite di Mondo dinamico applicando una soglia alla "probabilità" stimata della previsione migliore.

Dimensioni pixel
10 metri

Bande

Nome	Min	Max	Descrizione
water	0	1	Probabilità stimata di copertura completa da parte dell'acqua
trees	0	1	Probabilità stimata di copertura completa da parte degli alberi
grass	0	1	Probabilità stimata di copertura completa da parte dell'erba
flooded_vegetation	0	1	Probabilità stimata di copertura completa da parte della vegetazione inondata
crops	0	1	Probabilità stimata di copertura completa da parte delle colture
shrub_and_scrub	0	1	Probabilità stimata di copertura completa da parte di arbusti e macchia
built	0	1	Probabilità stimata di copertura completa per anno di costruzione
bare	0	1	Probabilità stimata di copertura completa da parte di bare
snow_and_ice	0	1	Probabilità stimata di copertura completa da neve e ghiaccio
label	0	8	Indice della banda con la probabilità stimata più alta

Tabella della classe di etichetta

Valore	Colore	Descrizione
0	#419bdf	acqua
1	#397d49	palme
2	#88b053	erba
3	#7a87c6	flooded_vegetation
4	#e49635	colture
5	#dfc35a	shrub_and_scrub
6	#c4281b	costruito
7	#a59b8f	nudo
8	#b39fe1	snow_and_ice

Proprietà immagine

Nome	Tipo	Descrizione
dynamicworld_algorithm_version	STRING	La stringa di versione che identifica in modo univoco il modello di Mondo dinamico e la procedura di inferenza utilizzata per produrre l'immagine.
qa_algorithm_version	STRING	La stringa di versione che identifica in modo univoco la procedura di mascheramento delle nuvole utilizzata per produrre l'immagine.

Termini d'uso

Questo set di dati è concesso in licenza ai sensi del CC-BY 4.0 e richiede la seguente attribuzione: "Questo set di dati è prodotto per il progetto Dynamic World da Google in collaborazione con la National Geographic Society e il World Resources Institute".

Contiene dati di Sentinel Copernicus modificati [2015-oggi]. Consulta la notifica legale di Sentinel Data.

Citazioni:

• Brown, C.F., Brumby, S.P., Guzder-Williams, B. et al. Dynamic World, mappatura globale quasi in tempo reale dell'uso del suolo e della copertura del suolo a 10 m. Sci Data 9, 251 (2022). doi:10.1038/s41597-022-01307-4

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

Esplorare con Earth Engine

Importante: Earth Engine è una piattaforma per l'analisi e la visualizzazione scientifica su scala petabyte di set di dati geospaziali, sia a beneficio pubblico sia per utenti aziendali e governativi. Earth Engine è disponibile senza costi per la ricerca, l'istruzione e le organizzazioni non profit. Per iniziare, registrati per accedere a Earth Engine.

Editor di codice (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');

Configurazione di Python

Per informazioni sull'API Python e sull'utilizzo di geemap per lo sviluppo interattivo, consulta la pagina Ambiente Python.

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

Apri in Editor di codice

Mondo dinamico V1

Dynamic World è un set di dati quasi in tempo reale (NRT) sull'uso del suolo/la copertura del suolo (LULC) con una risoluzione di 10 metri che include le probabilità di classe e le informazioni sulle etichette per nove classi. Le previsioni dinamiche del mondo sono disponibili per la raccolta L1C di Sentinel-2 dal 27/06/2015 a oggi. La frequenza di ricognizione di Sentinel-2 è compresa tra 2 e 5 giorni, a seconda della latitudine. 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

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