Esta página foi traduzida pela API Cloud Translation.

Dynamic World V1

Disponibilidade de conjuntos de dados: 2015-06-27T00:00:00Z–2025-10-13T09:49:53.002000Z
Provedor de conjunto de dados: World Resources Institute Google

Tags: global google landcover landuse landuse-landcover nrt sentinel2-derived

Descrição

O Dynamic World é um conjunto de dados de uso e cobertura da terra (LULC) de 10 m quase em tempo real (NRT) que inclui probabilidades de classe e informações de rótulo para nove classes.

As previsões do Dynamic World estão disponíveis para a coleção L1C do Sentinel-2 de 27/06/2015 até o presente. A frequência de revisita do Sentinel-2 é de 2 a 5 dias, dependendo da latitude. As previsões do Dynamic World são geradas para imagens L1C do Sentinel-2 com CLOUDY_PIXEL_PERCENTAGE <= 35%. As previsões são mascaradas para remover nuvens e sombras de nuvens usando uma combinação de probabilidade de nuvem S2, índice de deslocamento de nuvem e transformação de distância direcional.

As imagens na coleção Dynamic World têm nomes correspondentes aos nomes dos recursos individuais do Sentinel-2 L1C de que foram derivadas, por exemplo:

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

tem uma imagem correspondente do Dynamic World chamada: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Todas as faixas de probabilidade, exceto a "rótulo", somam 1.

Para saber mais sobre o conjunto de dados Dynamic World e ver exemplos de como gerar composições, calcular estatísticas regionais e trabalhar com séries temporais, consulte a série de tutoriais Introdução ao Dynamic World.

Como as estimativas de classe do Dynamic World são derivadas de imagens únicas usando um contexto espacial de uma pequena janela móvel, as "probabilidades" de primeira posição para coberturas de terra previstas que são parcialmente definidas pela cobertura ao longo do tempo, como plantações, podem ser comparativamente baixas na ausência de recursos distintos óbvios. Superfícies de alto retorno em climas áridos, areia, brilho do sol etc. também podem apresentar esse fenômeno.

Para selecionar apenas pixels que pertencem a uma classe do Dynamic World, é recomendável mascarar as saídas do Dynamic World definindo um limite para a "probabilidade" estimada da previsão de maior confiança.

Bandas

Tamanho do pixel
10 metros

Bandas

Nome	Máx.	Tamanho do pixel	Descrição
`water`	1	metros	Probabilidade estimada de cobertura total pela água
`trees`	1	metros	Probabilidade estimada de cobertura completa por árvores
`grass`	1	metros	Probabilidade estimada de cobertura completa por grama
`flooded_vegetation`	1	metros	Probabilidade estimada de cobertura completa por vegetação alagada
`crops`	1	metros	Probabilidade estimada de cobertura completa por plantações
`shrub_and_scrub`	1	metros	Probabilidade estimada de cobertura completa por arbustos e vegetação rasteira
`built`	1	metros	Probabilidade estimada de cobertura completa por built
`bare`	1	metros	Probabilidade estimada de cobertura completa por bare
`snow_and_ice`	1	metros	Probabilidade estimada de cobertura total por neve e gelo
`label`	8	metros	Índice da faixa com a maior probabilidade estimada

Tabela de classes de rótulos

Valor	Cor	Descrição
0	#419bdf	água
1	#397d49	árvores
2	#88b053	grama
3	#7a87c6	flooded_vegetation
4	#e49635	as plantações
5	#dfc35a	shrub_and_scrub
6	#c4281b	criados
7	#a59b8f	bare
8	#b39fe1	snow_and_ice

Propriedades de imagens

Propriedades da imagem

Nome	Tipo	Descrição
dynamicworld_algorithm_version	STRING	A string de versão que identifica exclusivamente o modelo do Dynamic World e o processo de inferência usado para gerar a imagem.
qa_algorithm_version	STRING	A string de versão que identifica exclusivamente o processo de mascaramento de nuvem usado para produzir a imagem.

Termos de Uso

Termos de Uso

Esse conjunto de dados está licenciado de acordo com a CC-BY 4.0 e exige a seguinte atribuição: "Este conjunto de dados foi produzido para o projeto Dynamic World pelo Google em parceria com a National Geographic Society e o World Resources Institute".

Contém dados modificados do Copernicus Sentinel [2015 até o presente]. Consulte o Aviso legal sobre dados do Sentinel.

Citações

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

DOIs

https://doi.org/10.1038/s41597-022-01307-4

Explorar com o Earth Engine

Editor de código (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');

Configuração do Python

Consulte a página Ambiente Python (em inglês) para informações sobre a API Python e como usar geemap para desenvolvimento interativo.

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

Abrir no editor de código

Dynamic World V1

O Dynamic World é um conjunto de dados de uso e cobertura da terra (LULC) de 10 m quase em tempo real (NRT) que inclui probabilidades de classe e informações de rótulo para nove classes. As previsões do Dynamic World estão disponíveis para a coleção L1C do Sentinel-2 de 27/06/2015 até o presente. A frequência de revisita do Sentinel-2 é de 2 a 5 dias, dependendo da latitude. Dynamic World …

GOOGLE/DYNAMICWORLD/V1, global,google,landcover,landuse,landuse-landcover,nrt,sentinel2-derived

2015-06-27T00:00:00Z/2025-10-13T09:49:53.002000Z

-90 -180 90 180

Google Earth Engine

https://developers.google.com/earth-engine/datasets

Dynamic World V1 Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

Descrição

Bandas

Propriedades de imagens

Termos de Uso

Citações

DOIs

Explorar com o Earth Engine

Editor de código (JavaScript)

Colab (Python)

Dynamic World V1