- Khả năng cung cấp tập dữ liệu
- 2015-06-27T00:00:00Z–2025-03-09T03:20:17Z
- Nhà cung cấp tập dữ liệu
- World Resources Institute Google
- Đoạn mã Earth Engine
-
ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")
- Thẻ
Dynamic World là tập dữ liệu về Mức sử dụng đất/Mức độ bao phủ đất (LULC) gần như theo thời gian thực (NRT) với độ phân giải 10m, bao gồm xác suất lớp và thông tin nhãn cho 9 lớp.
Tính năng dự đoán Thế giới động có sẵn cho tập hợp Sentinel-2 L1C từ ngày 27 tháng 6 năm 2015 đến nay. Tần suất quay lại của Sentinel-2 là từ 2 đến 5 ngày, tuỳ thuộc vào vĩ độ. Dự đoán của Dynamic World được tạo cho các hình ảnh Sentinel-2 L1C có CLOUDY_PIXEL_PERCENTAGE <= 35%. Dữ liệu dự đoán được che để xoá mây và bóng mây bằng cách kết hợp Xác suất mây S2, Chỉ số dịch chuyển mây và Biến đổi khoảng cách theo hướng.
Hình ảnh trong bộ sưu tập Thế giới động có tên khớp với tên tài sản Sentinel-2 L1C riêng lẻ mà hình ảnh đó được lấy từ đó, ví dụ:
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
có hình ảnh Dynamic World phù hợp có tên: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').
Tất cả các dải xác suất ngoại trừ dải "nhãn" đều có tổng là 1.
Để tìm hiểu thêm về tập dữ liệu Thế giới động và xem các ví dụ về cách tạo dữ liệu tổng hợp, tính toán số liệu thống kê theo khu vực và xử lý chuỗi thời gian, hãy xem loạt hướng dẫn Giới thiệu về Thế giới động.
Do các kết quả ước tính lớp Thế giới động được lấy từ các hình ảnh đơn lẻ bằng cách sử dụng ngữ cảnh không gian từ một cửa sổ di chuyển nhỏ, nên "xác suất" hàng đầu cho các loại hình che phủ đất được dự đoán (một phần được xác định theo thời gian, chẳng hạn như cây trồng) có thể tương đối thấp nếu không có các đặc điểm phân biệt rõ ràng. Các bề mặt có độ phản hồi cao ở vùng khí hậu khô cằn, cát, ánh nắng chói, v.v. cũng có thể xuất hiện hiện tượng này.
Để chỉ chọn các pixel chắc chắn thuộc về lớp Thế giới động, bạn nên che các đầu ra của Thế giới động bằng cách đặt ngưỡng "xác suất" ước tính của dự đoán hàng đầu.
Kích thước điểm ảnh
10 mét
Ban nhạc
| Tên | Phút | Tối đa | Mô tả |
|---|---|---|---|
water |
0 | 1 | Xác suất ước tính về việc bị ngập lụt hoàn toàn |
trees |
0 | 1 | Xác suất ước tính để cây xanh che phủ toàn bộ |
grass |
0 | 1 | Xác suất ước tính để cỏ che phủ toàn bộ |
flooded_vegetation |
0 | 1 | Xác suất ước tính về việc thảm thực vật bị ngập lụt che phủ toàn bộ khu vực |
crops |
0 | 1 | Xác suất ước tính để cây trồng che phủ toàn bộ khu vực |
shrub_and_scrub |
0 | 1 | Xác suất ước tính về việc cây bụi và cây bụi rậm phủ kín |
built |
0 | 1 | Xác suất ước tính để có được phạm vi bảo hiểm đầy đủ theo bản dựng |
bare |
0 | 1 | Xác suất ước tính để có được phạm vi phủ sóng đầy đủ bằng thiết bị không có mái che |
snow_and_ice |
0 | 1 | Xác suất ước tính để tuyết và băng bao phủ toàn bộ |
label |
0 | 8 | Chỉ mục của dải có xác suất ước tính cao nhất |
Bảng lớp nhãn
| Giá trị | Màu | Mô tả |
|---|---|---|
| 0 | #419bdf | nước |
| 1 | #397d49 | cây cối |
| 2 | #88b053 | cỏ |
| 3 | #7a87c6 | flooded_vegetation |
| 4 | #e49635 | cây trồng |
| 5 | #dfc35a | shrub_and_scrub |
| 6 | #c4281b | đã tạo |
| 7 | #a59b8f | trần |
| 8 | #b39fe1 | snow_and_ice |
Thuộc tính hình ảnh
| Tên | Loại | Mô tả |
|---|---|---|
| dynamicworld_algorithm_version | STRING | Chuỗi phiên bản nhận dạng duy nhất mô hình Thế giới động và quy trình suy luận dùng để tạo hình ảnh. |
| qa_algorithm_version | STRING | Chuỗi phiên bản xác định duy nhất quy trình che phủ đám mây dùng để tạo hình ảnh. |
Điều khoản sử dụng
Tập dữ liệu này được cấp phép theo CC-BY 4.0 và yêu cầu ghi công như sau: "Tập dữ liệu này được Google sản xuất cho Dự án Thế giới động, với sự hợp tác của Hiệp hội Địa lý Quốc gia và Viện Tài nguyên Thế giới".
Chứa dữ liệu đã được sửa đổi của vệ tinh Copernicus Sentinel [2015-nay]. Xem Thông báo pháp lý của Sentinel Data.
Brown, C.F., Brumby, S.P., Guzder-Williams, B. và cộng sự. Thế giới động, Bản đồ phủ thực địa sử dụng đất trên toàn cầu ở độ phân giải 10 m gần như theo thời gian thực. Sci Data 9, 251 (2022). doi:10.1038/s41597-022-01307-4
Khám phá bằng Earth Engine
// 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