Dynamic World V1

GOOGLE/DYNAMICWORLD/V1
Veri Kümesi Kullanılabilirliği
2015-06-27T00:00:00Z–2025-09-01T12:28:14.897000Z
Veri Kümesi Sağlayıcı
Earth Engine Snippet'i
ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")
Etiketler
global google landcover landuse landuse-landcover nrt sentinel2-derived

Açıklama

Dynamic World, 10 m çözünürlüklü, neredeyse gerçek zamanlı (NRT) bir arazi kullanımı/arazi örtüsü (LULC) veri kümesidir. Bu veri kümesi, dokuz sınıf için sınıf olasılıklarını ve etiket bilgilerini içerir.

Dynamic World tahminleri, 27.06.2015'ten günümüze kadar Sentinel-2 L1C koleksiyonu için kullanılabilir. Sentinel-2'nin yeniden ziyaret sıklığı, enleme bağlı olarak 2-5 gün arasındadır. Dynamic World tahminleri, CLOUDY_PIXEL_PERCENTAGE <= %35 olan Sentinel-2 L1C görüntüleri için oluşturulur. Bulutları ve bulut gölgelerini kaldırmak için tahminler, S2 Bulut Olasılığı, Bulut Yer Değiştirme Dizini ve Yönlü Mesafe Dönüşümü'nün bir kombinasyonu kullanılarak maskelenir.

Dinamik Dünya koleksiyonundaki resimler, türetildikleri Sentinel-2 L1C öğe adlarıyla eşleşen adlara sahiptir.Örneğin:

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

Aşağıdaki ada sahip eşleşen bir Dynamic World görüntüsü vardır: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

"Etiket" bandı hariç tüm olasılık bantlarının toplamı 1'dir.

Dynamic World veri kümesi hakkında daha fazla bilgi edinmek ve kompozit oluşturma, bölgesel istatistikleri hesaplama ve zaman serileriyle çalışma örneklerini görmek için Dynamic World'e Giriş adlı eğitici seriyi inceleyin.

Dynamic World sınıfı tahminler, küçük bir hareketli pencereden gelen mekansal bağlam kullanılarak tek görüntülerden elde edildiğinden, kısmen zaman içindeki örtü ile tanımlanan öngörülen arazi örtüleri için (ör. mahsuller) belirgin ayırt edici özelliklerin olmaması durumunda en iyi 1 "olasılık" nispeten düşük olabilir. Kurak iklimlerdeki yüksek yansıtma özelliğine sahip yüzeyler, kum ve güneş parlaması gibi unsurlar da bu olaya neden olabilir.

Yalnızca bir Dinamik Dünya sınıfına ait olduğundan emin olunan pikselleri seçmek için, en iyi tahminin tahmini "olasılığını" eşikleyerek Dinamik Dünya çıkışlarını maskelemeniz önerilir.

Bantlar

Piksel Boyutu
10 metre

Bantlar

Ad Min. Maks. Piksel Boyutu Açıklama
water 0 1 metre

Suyla tamamen kaplanma olasılığı tahmini
trees 0 1 metre

Ağaçlarla tam kaplama olasılığı tahmini
grass 0 1 metre

Çimle tamamen kaplanma olasılığı tahmini
flooded_vegetation 0 1 metre

Sular altında kalan bitki örtüsünün tam kapsama olasılığı tahmini
crops 0 1 metre

Ürünlere göre tam kapsam olasılığı tahmini
shrub_and_scrub 0 1 metre

Çalı ve çalılıklarla tam kaplama olasılığı tahmini
built 0 1 metre

Tahmini kapsama olasılığı
bare 0 1 metre

Tahmini çıplak kapsama olasılığı
snow_and_ice 0 1 metre

Kar ve buzla tamamen kaplanma olasılığı tahmini
label 0 8 metre

En yüksek tahmini olasılığa sahip bant dizini

label Class Table

Değer Renk Açıklama
0 #419bdf

su
1 #397d49

ağaçlar
2 #88b053

çimen
3 #7a87c6

flooded_vegetation
4 #e49635

ekinler
5 #dfc35a

shrub_and_scrub
6 #c4281b

geliştirilen
7 #a59b8f

çıplak
8 #b39fe1

snow_and_ice

Resim Özellikleri

Resim Özellikleri

Ad Tür Açıklama
dynamicworld_algorithm_version DİZE

Resmi oluşturmak için kullanılan Dynamic World modelini ve çıkarım sürecini benzersiz şekilde tanımlayan sürüm dizesi.
qa_algorithm_version DİZE

Görüntüyü oluşturmak için kullanılan bulut maskeleme sürecini benzersiz şekilde tanımlayan sürüm dizesi.

Kullanım Şartları

Kullanım Şartları

Bu veri kümesi CC-BY 4.0 kapsamında lisanslanmıştır ve şu atıfı gerektirir: "Bu veri kümesi, Google tarafından National Geographic Society ve Dünya Kaynakları Enstitüsü iş ortaklığıyla Dynamic World Projesi için üretilmiştir."

Değiştirilmiş Copernicus Sentinel verilerini [2015-günümüz] içerir. Sentinel Verileri Yasal Uyarısı'na bakın.

Alıntılar

Alıntılar:

  • Brown, C.F., Brumby, S.P., Guzder-Williams, B. ve diğerleri. 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'lar

Earth Engine ile keşfetme

Kod Düzenleyici (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');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

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
Kod Düzenleyici'de aç
Dynamic World, dokuz sınıf için sınıf olasılıklarını ve etiket bilgilerini içeren, 10 metrelik ve neredeyse gerçek zamanlı (NRT) bir Arazi Kullanımı/Arazi Örtüsü (LULC) veri kümesidir. Dynamic World tahminleri, 27.06.2015'ten günümüze kadar Sentinel-2 L1C koleksiyonu için kullanılabilir. Sentinel-2'nin tekrar ziyaret sıklığı, enleme bağlı olarak 2-5 gün arasındadır. 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