หน้านี้ได้รับการแปลโดย Cloud Translation API

Dynamic World V1

ความพร้อมใช้งานของชุดข้อมูล: 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
ผู้ให้บริการชุดข้อมูล: World Resources Institute Google
ข้อมูลโค้ดของ Earth Engine: ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

แท็ก: global google landcover landuse nrt sentinel2-derived

คำอธิบายย่านความถี่คุณสมบัติของรูปภาพข้อกำหนดในการใช้งานการอ้างอิงDOI

Dynamic World เป็นชุดข้อมูลการใช้ที่ดิน/สิ่งปกคลุมดิน (LULC) แบบเกือบเรียลไทม์ (NRT) ขนาด 10 เมตรที่มีข้อมูลความน่าจะเป็นของคลาสและข้อมูลป้ายกำกับสำหรับ 9 คลาส

การคาดการณ์สภาพอากาศทั่วโลกแบบไดนามิกพร้อมใช้งานสำหรับชุดข้อมูล Sentinel-2 L1C ตั้งแต่วันที่ 27-06-2015 จนถึงปัจจุบัน ความถี่ในการกลับมาตรวจสอบของ Sentinel-2 อยู่ระหว่าง 2-5 วัน ทั้งนี้ขึ้นอยู่กับละติจูด ระบบจะสร้างการคาดการณ์สภาพอากาศทั่วโลกแบบไดนามิกสำหรับภาพ Sentinel-2 L1C ที่มี CLOUDY_PIXEL_PERCENTAGE <= 35% ระบบจะปกปิดการคาดการณ์เพื่อนำเมฆและเงาเมฆออกโดยใช้ค่าความน่าจะเป็นของเมฆ S2, ดัชนีการกระจัดของเมฆ และการเปลี่ยนรูปแบบระยะทางตามทิศทาง

รูปภาพในคอลเล็กชันโลกแบบไดนามิกจะมีชื่อที่ตรงกับชื่อชิ้นงาน Sentinel-2 L1C แต่ละรายการที่นำมาเป็นต้นทาง เช่น

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

มีรูปภาพ Dynamic World ที่ตรงกันซึ่งมีชื่อว่า ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT')

แถบความน่าจะเป็นทั้งหมดยกเว้นแถบ "ป้ายกํากับ" จะมีผลรวมเป็น 1

ดูข้อมูลเพิ่มเติมเกี่ยวกับชุดข้อมูลโลกแบบไดนามิกและดูตัวอย่างการสร้างภาพรวม การคํานวณสถิติระดับภูมิภาค และการใช้อนุกรมเวลาได้ที่ชุดบทแนะนําข้อมูลเบื้องต้นเกี่ยวกับโลกแบบไดนามิก

เนื่องจากค่าประมาณระดับชั้นภูมิศาสตร์แบบไดนามิกที่ระบุนั้นมาจากรูปภาพเดียวโดยใช้บริบทเชิงพื้นที่จากกรอบเวลาแบบเลื่อนขนาดเล็ก "ความน่าจะเป็น" อันดับ 1 สำหรับพื้นที่ปกคลุมดินที่คาดการณ์ซึ่งกำหนดโดยพื้นที่ปกคลุมในช่วงเวลาหนึ่งๆ เช่น พืชผล อาจต่ำเมื่อเทียบกับในกรณีที่ไม่มีลักษณะเด่นที่ชัดเจน พื้นผิวที่สะท้อนแสงสูงในสภาพอากาศแห้งแล้ง ทราย แสงสะท้อนจากดวงอาทิตย์ ฯลฯ อาจแสดงปรากฏการณ์นี้ด้วย

หากต้องการเลือกเฉพาะพิกเซลที่มั่นใจว่าอยู่ในคลาสโลกแบบไดนามิก เราขอแนะนำให้มาสก์เอาต์พุตโลกแบบไดนามิกโดยการกำหนดเกณฑ์ "ความน่าจะเป็น" โดยประมาณของการคาดการณ์อันดับ 1

ขนาดพิกเซล
10 เมตร

Bands

ชื่อ	สูงสุด	คำอธิบาย
`water`	1	ความน่าจะเป็นโดยประมาณที่น้ำจะท่วมทั้งหมด
`trees`	1	ความน่าจะเป็นโดยประมาณที่ต้นไม้จะบดบังพื้นที่ทั้งหมด
`grass`	1	ความน่าจะเป็นโดยประมาณที่หญ้าจะปกคลุมพื้นที่ทั้งหมด
`flooded_vegetation`	1	ความน่าจะเป็นโดยประมาณที่พืชพรรณที่น้ำท่วมจะปกคลุมพื้นที่ทั้งหมด
`crops`	1	ความน่าจะเป็นโดยประมาณของการครอบคลุมที่สมบูรณ์ตามพืช
`shrub_and_scrub`	1	ความเป็นไปได้โดยประมาณที่จะมีพืชพุ่มและพุ่มไม้ปกคลุมทั้งหมด
`built`	1	ความน่าจะเป็นโดยประมาณของการครอบคลุมทั้งหมดตามรุ่น
`bare`	1	ความน่าจะเป็นโดยประมาณของการครอบคลุมทั้งหมดตามพื้นที่เปล่า
`snow_and_ice`	1	ความน่าจะเป็นโดยประมาณที่หิมะและน้ำแข็งจะปกคลุมทั้งหมด
`label`	8	ดัชนีของย่านความถี่ที่มีความน่าจะเป็นโดยประมาณสูงสุด

ตารางคลาสป้ายกำกับ

ค่า	สี	คำอธิบาย
0	#419bdf	น้ำ
1	#397d49	ต้นไม้
2	#88b053	ทุ่งหญ้า
3	#7a87c6	flooded_vegetation
4	#e49635	พืชผล
5	#dfc35a	shrub_and_scrub
6	#c4281b	สร้าง
7	#a59b8f	เปลือย
8	#b39fe1	snow_and_ice

พร็อพเพอร์ตี้รูปภาพ

ชื่อ	ประเภท	คำอธิบาย
dynamicworld_algorithm_version	STRING	สตริงเวอร์ชันที่ระบุโมเดลโลกแบบไดนามิกและกระบวนการอนุมานที่ใช้สร้างรูปภาพแบบไม่ซ้ำกัน
qa_algorithm_version	STRING	สตริงเวอร์ชันที่ระบุกระบวนการมาสก์เมฆที่ใช้สร้างรูปภาพอย่างไม่ซ้ำกัน

ข้อกำหนดในการใช้งาน

ชุดข้อมูลนี้ได้รับอนุญาตภายใต้CC-BY 4.0 และต้องระบุแหล่งที่มาดังต่อไปนี้ "ชุดข้อมูลนี้จัดทำขึ้นสำหรับโปรเจ็กต์โลกแบบไดนามิกโดย Google ร่วมกับสมาคมเนชันแนลจีโอกราฟิกและสถาบันทรัพยากรโลก"

มีข้อมูล Copernicus Sentinel ที่มีการแก้ไข [2015-ปัจจุบัน] โปรดดูประกาศทางกฎหมายเกี่ยวกับข้อมูล Sentinel

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

สํารวจด้วย Earth Engine

สำคัญ: Earth Engine เป็นแพลตฟอร์มสําหรับการวิเคราะห์ทางวิทยาศาสตร์และการแสดงภาพชุดข้อมูลเชิงพื้นที่ขนาดใหญ่ระดับเพตาไบต์ ทั้งเพื่อประโยชน์สาธารณะและเพื่อผู้ใช้ที่เป็นธุรกิจและภาครัฐ Earth Engine ใช้งานได้ฟรีสำหรับงานวิจัย การศึกษา และองค์กรการกุศล หากต้องการเริ่มต้นใช้งาน โปรดลงทะเบียนเพื่อรับสิทธิ์เข้าถึง Earth Engine

เครื่องมือแก้ไขโค้ด (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');

การตั้งค่า Python

ดูข้อมูลเกี่ยวกับ Python API และการใช้ geemap สําหรับการพัฒนาแบบอินเทอร์แอกทีฟได้ที่หน้า สภาพแวดล้อม 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

เปิดในเครื่องมือแก้ไขโค้ด

Dynamic World V1

Dynamic World เป็นชุดข้อมูลการใช้ที่ดิน/สิ่งปกคลุมดิน (LULC) แบบเกือบเรียลไทม์ (NRT) ขนาด 10 เมตร ซึ่งประกอบด้วยความน่าจะเป็นของคลาสและข้อมูลป้ายกำกับสำหรับ 9 คลาส การคาดการณ์สภาพอากาศทั่วโลกแบบไดนามิกพร้อมใช้งานสำหรับคอลเล็กชัน Sentinel-2 L1C ตั้งแต่วันที่ 27-06-2015 จนถึงปัจจุบัน ความถี่ในการกลับมาตรวจสอบของ Sentinel-2 อยู่ระหว่าง 2-5 วัน ทั้งนี้ขึ้นอยู่กับละติจูด 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