- 태그
Dynamic World는 9개 클래스의 클래스 확률 및 라벨 정보를 포함하는 10m의 거의 실시간 (NRT) 토지 이용/토지 피복 (LULC) 데이터 세트입니다.
Dynamic World 예측은 2015년 6월 27일부터 현재까지의 Sentinel-2 L1C 컬렉션에 사용할 수 있습니다. Sentinel-2의 재방문 빈도는 위도에 따라 2~5일입니다. Dynamic World 예측은 CLOUDY_PIXEL_PERCENTAGE가 35% 이하인 Sentinel-2 L1C 이미지에 대해 생성됩니다. S2 Cloud Probability, Cloud Displacement Index, Directional Distance Transform을 조합하여 구름과 구름 그림자를 삭제하도록 예측이 마스크 처리됩니다.
동적 지구 컬렉션의 이미지 이름은 파생된 개별 Sentinel-2 L1C 애셋 이름과 일치합니다(예:
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
이름이 ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT')인 동적 지구 이미지가 있습니다.
'라벨' 밴드를 제외한 모든 확률 밴드의 합계는 1입니다.
동적 지구 데이터 세트에 대해 자세히 알아보고 합성물 생성, 지역 통계 계산, 시계열 작업의 예시를 보려면 동적 지구 소개 튜토리얼 시리즈를 참고하세요.
동적 지구 클래스 추정치는 작은 이동 창의 공간 컨텍스트를 사용하여 단일 이미지에서 파생되므로 작물과 같이 시간 경과에 따른 피복으로 부분적으로 정의되는 예측된 토지 피복의 상위 1개 '확률'은 명확한 구별 지형지물이 없는 경우 비교적 낮을 수 있습니다. 건조한 기후의 고반사 표면, 모래, 햇빛 반사 등에서도 이 현상이 발생할 수 있습니다.
확실하게 동적 월드 클래스에 속하는 픽셀만 선택하려면 상위 1개 예측의 예상 '확률'을 임곗값으로 설정하여 동적 월드 출력을 마스크하는 것이 좋습니다.
픽셀 크기
10미터
밴드
| 이름 | 최소 | 최대 | 설명 |
|---|---|---|---|
water |
0 | 1 | 예상되는 완전한 물 침수 확률 |
trees |
0 | 1 | 나무로 완전히 가려질 것으로 예상되는 확률 |
grass |
0 | 1 | 잔디로 완전히 덮일 것으로 예상되는 확률 |
flooded_vegetation |
0 | 1 | 홍수로 인한 식물의 완전한 가림 가능성의 추정치 |
crops |
0 | 1 | 작물에 의한 전체 노출 가능성의 추정치 |
shrub_and_scrub |
0 | 1 | 관목 및 관목의 완전한 노출 가능성의 추정치 |
built |
0 | 1 | 빌드별 전체 노출 범위의 예상 확률 |
bare |
0 | 1 | Bare로 전체 노출 범위를 달성할 것으로 예상되는 확률 |
snow_and_ice |
0 | 1 | 눈과 얼음으로 완전히 덮일 것으로 예상되는 확률 |
label |
0 | 8 | 예상 확률이 가장 높은 대역의 색인 |
라벨 클래스 표
| 값 | 색상 | 설명 |
|---|---|---|
| 0 | #419bdf | 물 |
| 1 | #397d49 | 나무 |
| 2 | #88b053 | 잔디 |
| 3 | #7a87c6 | flooded_vegetation |
| 4 | #e49635 | 작물 |
| 5 | #dfc35a | shrub_and_scrub |
| 6 | #c4281b | 빌드됨 |
| 7 | #a59b8f | bare |
| 8 | #b39fe1 | snow_and_ice |
이미지 속성
| 이름 | 유형 | 설명 |
|---|---|---|
| dynamicworld_algorithm_version | 문자열 | 이미지를 생성하는 데 사용된 동적 세상 모델과 추론 프로세스를 고유하게 식별하는 버전 문자열입니다. |
| qa_algorithm_version | 문자열 | 이미지를 생성하는 데 사용된 클라우드 마스킹 프로세스를 고유하게 식별하는 버전 문자열입니다. |
이용약관
이 데이터 세트는 CC-BY 4.0에 따라 라이선스가 부여되며 다음 저작자 표시가 필요합니다. '이 데이터 세트는 Google이 National Geographic Society 및 World Resources Institute와 협력하여 Dynamic World Project용으로 제작했습니다.'
수정된 Copernicus Sentinel 데이터[2015~현재]가 포함되어 있습니다. Sentinel Data 법적 고지를 참고하세요.
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
Earth Engine으로 탐색하기
// 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