Ta strona została przetłumaczona przez Cloud Translation API.

Dynamic World V1

Dostępność zbioru danych: 2015-06-27T00:00:00Z–2025-09-01T12:28:14.897000Z
Dostawca zbioru danych: World Resources Institute Google

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

Opis

Dynamic World to zbiór danych o użytkowaniu i pokryciu terenu (LULC) o rozdzielczości 10 m, aktualizowany w czasie zbliżonym do rzeczywistego (NRT). Zawiera on prawdopodobieństwa klas i informacje o etykietach dla 9 klas.

Prognozy Dynamic World są dostępne dla kolekcji Sentinel-2 L1C od 27 czerwca 2015 r. do chwili obecnej. Częstotliwość ponownych wizyt satelity Sentinel-2 wynosi od 2 do 5 dni w zależności od szerokości geograficznej. Prognozy Dynamic World są generowane na podstawie obrazów Sentinel-2 L1C, w przypadku których CLOUDY_PIXEL_PERCENTAGE <= 35%. Prognozy są maskowane w celu usunięcia chmur i ich cieni za pomocą kombinacji prawdopodobieństwa wystąpienia chmur S2, indeksu przemieszczenia chmur i kierunkowej transformacji odległości.

Obrazy w kolekcji Dynamic World mają nazwy zgodne z nazwami poszczególnych komponentów Sentinel-2 L1C, z których pochodzą, np.:

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

ma pasujący obraz Dynamic World o nazwie: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Suma wszystkich przedziałów prawdopodobieństwa z wyjątkiem przedziału „etykieta” wynosi 1.

Aby dowiedzieć się więcej o zbiorze danych Dynamic World i zobaczyć przykłady generowania kompozytów, obliczania statystyk regionalnych i pracy z szeregami czasowymi, zapoznaj się z serią samouczków Wprowadzenie do Dynamic World.

Szacunki klasy Dynamic World są uzyskiwane na podstawie pojedynczych obrazów z użyciem kontekstu przestrzennego z małego ruchomego okna. „Prawdopodobieństwa” top-1 dla przewidywanych pokryć terenu, które są częściowo definiowane przez pokrycie w czasie, np. uprawy, mogą być stosunkowo niskie w przypadku braku oczywistych cech wyróżniających. Podobne zjawisko może wystąpić w przypadku powierzchni o wysokim współczynniku odbicia w klimacie suchym, na piasku, w przypadku odblasków od słońca itp.

Aby wybrać tylko piksele, które z dużym prawdopodobieństwem należą do klasy Dynamic World, zalecamy maskowanie danych wyjściowych Dynamic World przez określenie progu szacowanego „prawdopodobieństwa” prognozy o najwyższym prawdopodobieństwie.

Pasma

Rozmiar piksela
10 metrów

Pasma

Nazwa	Maks.	Rozmiar piksela	Opis
`water`	1	metry	Szacunkowe prawdopodobieństwo całkowitego pokrycia przez wodę
`trees`	1	metry	Szacunkowe prawdopodobieństwo pełnego pokrycia przez drzewa
`grass`	1	metry	Szacowane prawdopodobieństwo całkowitego pokrycia przez trawę
`flooded_vegetation`	1	metry	Szacowane prawdopodobieństwo całkowitego pokrycia przez zalane rośliny
`crops`	1	metry	Szacunkowe prawdopodobieństwo całkowitego pokrycia przez uprawy
`shrub_and_scrub`	1	metry	Szacunkowe prawdopodobieństwo pełnego pokrycia przez krzewy i zarośla
`built`	1	metry	Szacowane prawdopodobieństwo pełnego pokrycia według zabudowy
`bare`	1	metry	Szacunkowe prawdopodobieństwo pełnego pokrycia przez bare
`snow_and_ice`	1	metry	Szacowane prawdopodobieństwo całkowitego pokrycia śniegiem i lodem
`label`	8	metry	Indeks pasma o najwyższym szacunkowym prawdopodobieństwie

label Class Table

Wartość	Kolor	Opis
0	#419bdf	woda
1	#397d49	drzewa
2	#88b053	trawa
3	#7a87c6	flooded_vegetation
4	#e49635	upraw
5	#dfc35a	shrub_and_scrub
6	#c4281b	zbudowany,
7	#a59b8f	goły,
8	#b39fe1	snow_and_ice

Właściwości obrazu

Właściwości obrazu

Nazwa	Typ	Opis
dynamicworld_algorithm_version	CIĄG ZNAKÓW	Ciąg znaków wersji, który jednoznacznie identyfikuje model Dynamic World i proces wnioskowania użyty do wygenerowania obrazu.
qa_algorithm_version	CIĄG ZNAKÓW	Ciąg wersji jednoznacznie identyfikujący proces maskowania chmur użyty do utworzenia obrazu.

Warunki korzystania z usługi

Warunki korzystania z usługi

Ten zbiór danych jest objęty licencją CC-BY 4.0 i wymaga podania następującego atrybutu: „Ten zbiór danych został opracowany na potrzeby projektu Dynamic World przez Google we współpracy z National Geographic Society i World Resources Institute”.

Zawiera zmodyfikowane dane z satelit Copernicus Sentinel [od 2015 r.]. Zapoznaj się z informacjami prawnymi dotyczącymi danych z satelitów Sentinel.

Cytaty

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

Odkrywanie za pomocą Earth Engine

Edytor kodu (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');

Konfiguracja Pythona

Informacje o interfejsie Python API i używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

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

Otwórz w edytorze kodu

Dynamic World V1

Dynamic World to zbiór danych o użytkowaniu i pokryciu terenu (LULC) o rozdzielczości 10 m, aktualizowany w czasie zbliżonym do rzeczywistego (NRT). Zawiera prawdopodobieństwa klas i informacje o etykietach dla 9 klas. Prognozy Dynamic World są dostępne dla kolekcji Sentinel-2 L1C od 27 czerwca 2015 r. do chwili obecnej. Częstotliwość ponownych wizyt satelity Sentinel-2 wynosi od 2 do 5 dni w zależności od szerokości geograficznej. 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 Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Opis

Pasma

Właściwości obrazu

Warunki korzystania z usługi

Cytaty

DOI

Odkrywanie za pomocą Earth Engine

Edytor kodu (JavaScript)

Colab (Python)

Dynamic World V1