Dynamic World V1

GOOGLE/DYNAMICWORLD/V1
資料集可用性
2015-06-27T00:00:00Z–2025-10-06T23:19:30.357000Z
資料集供應來源
Earth Engine 程式碼片段
ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")
標記
global google landcover landuse landuse-landcover nrt sentinel2-derived

說明

Dynamic World 是近乎即時 (NRT) 的 10 公尺土地利用/土地覆蓋 (LULC) 資料集，包含九個類別的類別機率和標籤資訊。

Dynamic World 預測適用於 2015 年 6 月 27 日至今的 Sentinel-2 L1C 集合。Sentinel-2 的重訪頻率介於 2 到 5 天，視緯度而定。系統會針對 CLOUDY_PIXEL_PERCENTAGE <= 35% 的 Sentinel-2 L1C 影像生成 Dynamic World 預測。系統會使用 S2 雲朵機率、雲朵位移指數和方向距離轉換的組合，遮蓋預測結果，移除雲朵和雲影。

「動態世界」集合中的圖片名稱，與衍生來源的個別 Sentinel-2 L1C 資產名稱相符，例如：

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

具有相符的 Dynamic World 圖片，名稱為： ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT')。

除了「標籤」機率帶之外，所有機率帶的總和為 1。

如要進一步瞭解 Dynamic World 資料集，並查看產生合成影像、計算區域統計資料，以及處理時間序列的範例，請參閱「Dynamic World 簡介」教學課程系列。

由於 Dynamic World 類別估算值是使用小型移動視窗的空間背景，從單一圖片衍生而來，因此如果沒有明顯的區別特徵，預測土地覆蓋的最高「機率」可能會相對較低，而這類特徵部分是由一段時間內的覆蓋情況所定義，例如農作物。在乾燥氣候、沙地、陽光直射等環境中，高反射率的表面也可能出現這種現象。

如要只選取確定屬於動態世界類別的像素，建議您透過設定前 1 項預測的估計「機率」門檻，遮罩動態世界輸出內容。

頻帶

像素大小
10 公尺

頻帶

名稱 最小值 最大值 像素大小 說明
water 0 1 公尺

預估水淹範圍的機率
trees 0 1 公尺

預估樹木完全遮蔽的機率
grass 0 1 公尺

預估草地完全覆蓋的機率
flooded_vegetation 0 1 公尺

預估淹水植被完全覆蓋的機率
crops 0 1 公尺

預估作物完全覆蓋的機率
shrub_and_scrub 0 1 公尺

灌木和矮樹叢完全覆蓋的預估機率
built 0 1 公尺

預估建置完成後涵蓋率
bare 0 1 公尺

預估裸機涵蓋率
snow_and_ice 0 1 公尺

預估積雪和結冰的機率
label 0 8 公尺

預估機率最高的頻帶索引

標籤類別資料表

值 顏色 說明
0 #419bdf

水
1 #397d49

樹木
2 #88b053

青草
3 #7a87c6

flooded_vegetation
4 #e49635

農作物
5 #dfc35a

shrub_and_scrub
6 #c4281b

built
7 #a59b8f

bare
8 #b39fe1

snow_and_ice

圖片屬性

圖片屬性

名稱 類型 說明
dynamicworld_algorithm_version STRING

這個版本字串可專屬識別用於生成圖片的 Dynamic World 模型和推論程序。
qa_algorithm_version STRING

這個版本字串可專門識別用於生成圖片的雲端遮罩處理程序。

使用條款

使用條款

這項資料集已取得 CC-BY 4.0 授權，並須註明出處：「這項資料集是由 Google 與美國國家地理學會和世界資源研究所合作，為 Dynamic World 計畫製作。」

包含 [2015 年至今] 經修改的 Copernicus Sentinel 資料。 請參閱「Sentinel 資料法律聲明」。

引用內容

參考資料：

  • Brown, C.F.、Brumby, S.P.、Guzder-Williams, B. 等人。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

使用 Earth Engine 探索

程式碼編輯器 (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 設定

請參閱 Python 環境頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

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
在程式碼編輯器中開啟
Dynamic World 是近乎即時 (NRT) 的 10 公尺土地利用/地表覆蓋物 (LULC) 資料集，包含九個類別的類別機率和標籤資訊。Dynamic World 預測資料適用於 2015 年 6 月 27 日至今的 Sentinel-2 L1C 集合。Sentinel-2 的重訪頻率介於 2 到 5 天，視緯度而定。Dynamic World …
GOOGLE/DYNAMICWORLD/V1, global,google,landcover,landuse,landuse-landcover,nrt,sentinel2-derived
2015-06-27T00:00:00Z/2025-10-06T23:19:30.357000Z
-90 -180 90 180
Google Earth Engine