Dynamic World V1

データセットの可用性

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

データセット プロバイダ

World Resources Institute Google

Earth Engine スニペット

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

タグ

global google landcover landuse nrt sentinel2-derived

説明バンド画像プロパティ検出利用規約引用DOI

Dynamic World は、9 つのクラスのクラス確率とラベル情報を含んだ 10 m のほぼリアルタイム（NRT）土地利用/土地被覆（LULC）データセットです。

Dynamic World の予測は、2015 年 6 月 27 日以降の Sentinel-2 L1C コレクションで利用できます。Sentinel-2 の再訪頻度は、緯度に応じて 2 ～ 5 日です。Dynamic World の予測は、CLOUDY_PIXEL_PERCENTAGE が 35% 以下の Sentinel-2 L1C 画像に対して生成されます。予測はマスクされ、S2 雲の確率、雲の移動インデックス、方向距離変換を組み合わせて雲と雲の影が除去されます。

Dynamic World コレクション内の画像の名前は、派生元の個々の Sentinel-2 L1C アセット名と一致します。次に例を示します。

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

に、名前が ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT') の一致する Dynamic World 画像が存在する。

「ラベル」バンドを除くすべての確率バンドの合計は 1 になります。

Dynamic World データセットの詳細と、合成の生成、地域統計の計算、時系列の操作の例については、Dynamic World の概要チュートリアル シリーズをご覧ください。

Dynamic World クラスの推定は、小さな移動ウィンドウの空間コンテキストを使用して単一の画像から得られるため、作物など、時間の経過とともに被覆によって定義される土地被覆の予測のトップ 1 の「確率」は、明確な区別機能がない場合、比較的低くなる可能性があります。乾燥した気候の反射率の高いサーフェス、砂、太陽光の反射などでも、この現象が発生することがあります。

ダイナミック ワールド クラスに確実に属するピクセルのみを選択するには、トップ 1 予測の推定「確率」をしきい値として、ダイナミック ワールドの出力をマスクすることをおすすめします。

ピクセルサイズ
10 メートル

バンド

名前	最小	最大	説明
water	0	1	水に完全に浸水する可能性の推定
trees	0	1	木々に完全に覆われている可能性の推定
grass	0	1	草に覆われる可能性（推定）
flooded_vegetation	0	1	洪水で植物が完全に覆われる可能性の推定
crops	0	1	作物が完全に覆う確率の推定値
shrub_and_scrub	0	1	低木や灌木に完全に覆われている可能性の推定
built	0	1	ビルドで完全なカバレッジが得られる推定確率
bare	0	1	裸露によって完全なカバレッジが得られる推定確率
snow_and_ice	0	1	雪や氷で完全に覆われる可能性の推定
label	0	8	推定確率が最も高いバンドのインデックス

ラベルクラスの表

値	色	説明
0	#419bdf	水
1	#397d49	木
2	#88b053	草
3	#7a87c6	flooded_vegetation
4	#e49635	作物
5	#dfc35a	shrub_and_scrub
6	#c4281b	ビルド
7	#a59b8f	bare
8	#b39fe1	snow_and_ice

画像プロパティ

名前	型	説明
dynamicworld_algorithm_version	STRING	画像の生成に使用された動的世界モデルと推論プロセスを一意に識別するバージョン文字列。
qa_algorithm_version	STRING	画像の生成に使用されたクラウド マスキング プロセスを一意に識別するバージョン文字列。

利用規約

このデータセットは CC-BY 4.0 ライセンスに基づいており、次の帰属表示が必要です。「このデータセットは、Google が National Geographic Society と World Resources Institute とのパートナーシップで Dynamic World プロジェクト用に作成しました。」

修正された Copernicus Sentinel データ [2015 ～現在] が含まれています。Sentinel Data の法的通知をご覧ください。

引用:

• 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

Earth Engine で探索する

重要: Earth Engine は、公共の利益とビジネスおよび政府ユーザーの両方のために、地理空間データセットのペタバイト規模の科学的分析と可視化を行うためのプラットフォームです。Earth Engine は、研究、教育、非営利目的で無料で使用できます。使用を開始するには、Earth Engine へのアクセスを登録してください。

コードエディタ（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');

Python の設定

Python API とインタラクティブな開発での geemap の使用については、 Python 環境のページをご覧ください。

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

コードエディタで開く

Dynamic World V1

Dynamic World は、9 つのクラスのクラス確率とラベル情報を含んだ 10 m のニアリアルタイム（NRT）土地利用/土地被覆（LULC）データセットです。Dynamic World の予測は、2015 年 6 月 27 日以降の Sentinel-2 L1C コレクションで利用できます。Sentinel-2 の再訪頻度は、緯度に応じて 2 ～ 5 日です。Dynamic World

GOOGLE/DYNAMICWORLD/V1、グローバル、Google、土地被覆、土地利用、nrt、Sentinel-2 由来

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