Dynamic World V1

Disponibilidad del conjunto de datos

2015-06-27T00:00:00Z–2026-03-24T09:54:33.764000Z

Proveedor del conjunto de datos

World Resources Institute Google

Fragmento de Earth Engine

ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")

Etiquetas

global google landcover landuse landuse-landcover nrt sentinel2-derived

Descripción

Dynamic World es un conjunto de datos de cobertura y uso del suelo (LULC) de 10 m casi en tiempo real (NRT) que incluye probabilidades de clase y la información de etiquetas para nueve clases.

Las predicciones de Dynamic World están disponibles para la colección L1C de Sentinel-2 desde el 27/06/2015 hasta la actualidad. La frecuencia de revisita de Sentinel-2 es de entre 2 y 5 días, según la latitud. Las predicciones de Dynamic World se generan para imágenes L1C de Sentinel-2 con CLOUDY_PIXEL_PERCENTAGE <= 35%. Las predicciones se enmascaran para quitar las nubes y las sombras de las nubes con una combinación de probabilidad de nubes S2, índice de desplazamiento de nubes y transformación de distancia direccional.

Las imágenes de la colección Dynamic World tienen nombres que coinciden con los nombres de los recursos L1C individuales de Sentinel-2 de los que se derivaron, por ejemplo:

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

tiene una imagen de Dynamic World coincidente llamada: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Todas las bandas de probabilidad, excepto la banda "label", suman 1 en conjunto.

Para obtener más información sobre el conjunto de datos de Dynamic World y ver ejemplos para generar composiciones, calcular estadísticas regionales y trabajar con las series temporales, consulta la serie de instructivos Introducción a Dynamic World.

Dado que las estimaciones de clase de Dynamic World se derivan de imágenes individuales con un contexto espacial de una pequeña ventana móvil, las "probabilidades" principales para las coberturas terrestres predichas que se definen en parte por la cobertura a lo largo del tiempo, como los cultivos, pueden ser comparativamente bajas en ausencia de características distintivas obvias. Las superficies de alto rendimiento en climas áridos, la arena, el reflejo solar, etc., también pueden exhibir este fenómeno.

Para seleccionar solo los píxeles que pertenecen con confianza a una clase de Dynamic World, se recomienda enmascarar los resultados de Dynamic World estableciendo un umbral para la "probabilidad" estimada de la predicción principal.

Bandas

Bandas

Tamaño de los píxeles: 10 metros (todas las bandas)

Nombre	Mín.	Máx.	Tamaño de los píxeles	Descripción
water	0	1	10 metros	Probabilidad estimada de cobertura completa por agua
trees	0	1	10 metros	Probabilidad estimada de cobertura completa por árboles
grass	0	1	10 metros	Probabilidad estimada de cobertura completa por césped
flooded_vegetation	0	1	10 metros	Probabilidad estimada de cobertura completa por vegetación inundada
crops	0	1	10 metros	Probabilidad estimada de cobertura completa por cultivos
shrub_and_scrub	0	1	10 metros	Probabilidad estimada de cobertura completa por arbustos y matorrales
built	0	1	10 metros	Probabilidad estimada de cobertura completa por construcciones
bare	0	1	10 metros	Probabilidad estimada de cobertura completa por terreno descubierto
snow_and_ice	0	1	10 metros	Probabilidad estimada de cobertura completa por nieve y hielo
label	0	8	10 metros	Índice de la banda con la probabilidad estimada más alta

Tabla de clases de etiquetas

Valor	Color	Descripción
0	#419bdf	agua
1	#397d49	árboles
2	#88b053	césped
3	#7a87c6	flooded_vegetation
4	#e49635	cultivos
5	#dfc35a	shrub_and_scrub
6	#c4281b	construcciones
7	#a59b8f	terreno descubierto
8	#b39fe1	snow_and_ice

Propiedades de la imagen

Propiedades de la imagen

Nombre	Tipo	Descripción
dynamicworld_algorithm_version	STRING	La cadena de versión que identifica de forma única el modelo de Dynamic World y el proceso de inferencia que se usó para producir la imagen.
qa_algorithm_version	STRING	La cadena de versión que identifica de forma única el proceso de enmascaramiento de nubes que se usó para producir la imagen.

Condiciones de Uso

Condiciones de Uso

Este conjunto de datos se otorga bajo la licencia CC-BY 4.0 y requiere la siguiente atribución: "Este conjunto de datos es producido para el proyecto Dynamic World por Google en asociación con la National Geographic Society y el World Resources Institute."

Contiene datos modificados de Copernicus Sentinel [2015-presente]. Consulta el Aviso legal de datos de Sentinel.

Citas

Citas

• 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

Explora con Earth Engine

Importante: Earth Engine es una plataforma para el análisis científico y la visualización de conjuntos de datos geoespaciales a escala de petabytes, tanto para el beneficio público como para usuarios empresariales y gubernamentales. Se puede utilizar de forma gratuita para la investigación, la educación y el uso por parte de organizaciones sin fines de lucro. Para comenzar, regístrate para obtener acceso a 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');

Configuración de Python

Consulta la página Entorno de Python para obtener información sobre la API de Python y el uso de geemap para el desarrollo interactivo.

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 en el Editor de código

Dynamic World V1

Dynamic World es un conjunto de datos de cobertura y uso del suelo (LULC) de 10 m casi en tiempo real (NRT) que incluye probabilidades de clase y la información de etiquetas para nueve clases. Las predicciones de Dynamic World están disponibles para la colección L1C de Sentinel-2 desde el 27/06/2015 hasta la actualidad. La frecuencia de revisita de Sentinel-2 es de entre 2 y 5 días, según la latitud. Dynamic World …

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

2015-06-27T00:00:00Z/2026-03-24T09:54:33.764000Z

-90 -180 90 180

Google Earth Engine

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

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