Чтобы переводить контент на ваш предпочитаемый язык, Google использует технологии на основе искусственного интеллекта. Переводы от ИИ могут содержать ошибки.

Dynamic World V1

Доступность набора данных: 2015-06-27T00:00:00Z–2026-10-10T22:42:34.618000Z
Поставщик набора данных: Институт мировых ресурсов Google

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

Описание

Dynamic World – это набор данных о землепользовании и растительном покрове с разрешением 10 м, который обновляется почти в реальном времени. Он содержит вероятности классов и информацию о метках для девяти классов.

Прогнозы Dynamic World доступны для коллекции Sentinel-2 L1C с 27 июня 2015 г. по настоящее время. Частота повторных съемок спутниками Sentinel-2 составляет от двух до пяти дней в зависимости от широты. Прогнозы Dynamic World создаются для изображений Sentinel-2 L1C с CLOUDY_PIXEL_PERCENTAGE <= 35%. Прогнозы маскируются, чтобы удалить облака и тени от них, с помощью сочетания вероятности облачности S2, индекса смещения облаков и преобразования направленного расстояния.

Изображения в коллекции Dynamic World имеют названия, соответствующие названиям отдельных объектов Sentinel-2 L1C, из которых они были получены, например:

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

имеет соответствующее изображение Dynamic World с названием: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Сумма всех диапазонов вероятности, кроме диапазона "Ярлык", равна 1.

Чтобы узнать больше о наборе данных Dynamic World и посмотреть примеры создания композиций, расчета региональной статистики и работы с временными рядами, ознакомьтесь с серией руководств Введение в Dynamic World.

Поскольку оценки классов Dynamic World выводятся из отдельных изображений с использованием пространственного контекста из небольшого скользящего окна, "вероятности" top-1 для прогнозируемых типов земного покрова, которые частично определяются покровом с течением времени, например сельскохозяйственных культур, могут быть сравнительно низкими при отсутствии очевидных отличительных признаков. Похожий эффект может наблюдаться на поверхностях с высокой отражающей способностью в засушливом климате, например на песке или при солнечных бликах.

Чтобы выбрать только пиксели, которые с высокой вероятностью относятся к классу Dynamic World, рекомендуется маскировать выходные данные Dynamic World, задав пороговое значение для предполагаемой "вероятности" лучшего прогноза.

Диапазоны частот

Диапазоны частот

Размер пикселя: 10 метров (все диапазоны)

Название	Макс.	Размер пикселя	Описание
`water`	1	10 метров	Расчетная вероятность полного затопления
`trees`	1	10 метров	Вероятность полного покрытия деревьями
`grass`	1	10 метров	Расчетная вероятность полного покрытия травой
`flooded_vegetation`	1	10 метров	Приблизительная вероятность полного покрытия затопленной растительностью
`crops`	1	10 метров	Приблизительная вероятность полного покрытия посевами
`shrub_and_scrub`	1	10 метров	Расчетная вероятность полного покрытия кустарниками и кустарниковыми зарослями
`built`	1	10 метров	Вероятность полного покрытия построенными зданиями
`bare`	1	10 метров	Вероятность полного покрытия при использовании только базовых функций
`snow_and_ice`	1	10 метров	Вероятность полного покрытия снегом и льдом
`label`	8	10 метров	Индекс диапазона с самой высокой расчетной вероятностью

Таблица классов ярлыков

Значение	Цвет	Описание
0	#419bdf	вода
1	#397d49	деревья
2	#88b053	трава
3	#7a87c6	flooded_vegetation
4	#e49635	урожай;
5	#dfc35a	shrub_and_scrub
6	#c4281b	создано
7	#a59b8f	голый
8	#b39fe1	snow_and_ice

Свойства изображения

Свойства изображения

Название	Тип	Описание
dynamicworld_algorithm_version	STRING	Строка версии, которая однозначно идентифицирует модель Dynamic World и процесс инференса, используемый для создания изображения.
qa_algorithm_version	STRING	Строка версии, уникально идентифицирующая процесс маскирования облаков, используемый для создания изображения.

Условия использования

Условия использования

Этот набор данных лицензирован в соответствии с CC-BY 4.0 и требует следующего указания авторства: "Этот набор данных создан для проекта Dynamic World компанией Google в партнерстве с Национальным географическим обществом и Институтом мировых ресурсов".

Содержит измененные данные со спутников Copernicus Sentinel [2015 г. – настоящее время]. Ознакомьтесь с юридическим уведомлением о данных Sentinel.

Библиографические ссылки

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

DOI

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

Исследуйте данные с помощью Earth Engine

Редактор кода (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');

Настройка Python

Информацию об API Python и использовании geemap для интерактивной разработки можно найти на странице Среда Python.

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

Открыть в редакторе кода

Dynamic World V1

Dynamic World – это набор данных о землепользовании и растительном покрове (LULC) с разрешением 10 м, обновляемый почти в реальном времени. Он включает вероятности классов и информацию о ярлыках для девяти классов. Прогнозы Dynamic World доступны для коллекции Sentinel-2 L1C с 27 июня 2015 г. по настоящее время. Частота повторных посещений спутника Sentinel-2 составляет от двух до пяти дней в зависимости от широты. Dynamic World …

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

2015-06-27T00:00:00Z/2026-10-10T22:42:34.618000Z

-90 -180 90 180

Google Earth Engine

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

Dynamic World V1 Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

Описание

Диапазоны частот

Свойства изображения

Условия использования

Библиографические ссылки

DOI

Исследуйте данные с помощью Earth Engine

Редактор кода (JavaScript)

Colab (Python)

Dynamic World V1