Dynamic World V1

ГУГЛ/ДИНАМИЧЕСКИЙ МИР/В1
Доступность набора данных
2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
Поставщик набора данных
Фрагмент Earth Engine
ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")
Описание Группы Свойства изображенияУсловия эксплуатации ЦитатыDOI

Dynamic World — это набор данных о землепользовании/земельном покрове (LULC) на расстоянии 10 м, работающий почти в реальном времени (NRT), который включает в себя вероятности классов и информацию о метках для девяти классов.

Прогнозы Dynamic World доступны для коллекции Sentinel-2 L1C с 27 июня 2015 г. по настоящее время. Частота повторных посещений Sentinel-2 составляет от 2 до 5 дней в зависимости от широты. Прогнозы Dynamic World генерируются для изображений Sentinel-2 L1C с CLOUDY_PIXEL_PERCENTAGE <= 35%. Прогнозы маскируются для удаления облаков и теней облаков с использованием комбинации вероятности облака S2, индекса смещения облаков и преобразования направленного расстояния.

Изображения в коллекции Dynamic World имеют имена, соответствующие именам отдельных ресурсов Sentinel-2 L1C, из которых они были получены, например:

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

имеет соответствующее изображение динамического мира с именем: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Все диапазоны вероятностей, кроме диапазона «меток», в совокупности дают 1.

Чтобы узнать больше о наборе данных Dynamic World и просмотреть примеры создания составных данных, расчета региональной статистики и работы с временными рядами, см. серию руководств « Введение в Dynamic World» .

Учитывая, что оценки класса Dynamic World получены на основе отдельных изображений с использованием пространственного контекста из небольшого движущегося окна, «вероятности» топ-1 для прогнозируемых земных покровов, которые частично определяются покровом с течением времени, например сельскохозяйственных культур, могут быть сравнительно низкими в отсутствие очевидных отличительных особенностей. Поверхности с высокой отдачей в засушливом климате, песок, солнечные лучи и т. д. также могут проявлять это явление.

Чтобы выбрать только пиксели, которые уверенно принадлежат к классу Dynamic World, рекомендуется маскировать выходные данные Dynamic World, устанавливая пороговое значение предполагаемой «вероятности» прогноза «top-1».

Размер пикселя
10 метров

Группы

Имя Мин Макс Описание
water 0 1

Предполагаемая вероятность полного покрытия водой

trees 0 1

Оценка вероятности полного покрытия деревьями

grass 0 1

Предполагаемая вероятность полного покрытия травой

flooded_vegetation 0 1

Расчетная вероятность полного покрытия затопленной растительностью

crops 0 1

Предполагаемая вероятность полного покрытия посевами

shrub_and_scrub 0 1

Предполагаемая вероятность полного покрытия кустарником и кустарником

built 0 1

Предполагаемая вероятность полного покрытия построенными

bare 0 1

Предполагаемая вероятность полного покрытия

snow_and_ice 0 1

Предполагаемая вероятность полного покрытия снегом и льдом

label 0 8

Индекс полосы с наибольшей оценочной вероятностью

Таблица классов меток

Ценить Цвет Описание
0 #419bdf вода
1 #397d49 деревья
2 #88b053 трава
3 #7a87c6 затопленная_растительность
4 #e49635 посевы
5 #dfc35a кустарник_и_скраб
6 #c4281b построен
7 #a59b8f голый
8 #b39fe1 снег_и_лед

Свойства изображения

Имя Тип Описание
динамическиймир_алгоритм_версия НИТЬ

Строка версии, однозначно идентифицирующая модель динамического мира и процесс вывода, использованный для создания изображения.

qa_algorithm_version НИТЬ

Строка версии, однозначно идентифицирующая процесс облачной маскировки, использованный для создания изображения.

Условия эксплуатации

Этот набор данных доступен под лицензией CC-BY 4.0 и требует следующего указания авторства: «Этот набор данных создан Google для проекта Dynamic World Project в партнерстве с Национальным географическим обществом и Институтом мировых ресурсов».

Содержит модифицированные данные Copernicus Sentinel [с 2015 г. по настоящее время]. См. официальное уведомление Sentinel Data .

Цитаты:

  • Браун, К.Ф., Брамби, С.П., Гусдер-Уильямс, Б. и др. Динамический мир, глобальное картирование земного покрова на расстоянии 10 м почти в реальном времени. Научные данные 9, 251 (2022). doi:10.1038/s41597-022-01307-4

Исследуйте с помощью Earth Engine

Редактор кода (JavaScript)Колаб (Питон)
// 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');

См. страницу «Среда Python» для получения информации об API Python и использовании geemap для интерактивной разработки.

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
Открыть в редакторе кода
Dynamic World — это набор данных о землепользовании/земельном покрове (LULC) на расстоянии 10 м, работающий почти в реальном времени (NRT), который включает в себя вероятности классов и информацию о метках для девяти классов. Прогнозы Dynamic World доступны для коллекции Sentinel-2 L1C с 27 июня 2015 г. по настоящее время. Частота повторных посещений Sentinel-2 составляет от 2 до 5 дней в зависимости от широты. Динамичный мир…
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 Планета Земля