Dynamic World V1

GOOGLE/DYNAMICWORLD/V1
Veri Kümesi Kullanılabilirliği
2015-06-27T00:00:00Z–2026-10-14T06:12:59.840000Z
Veri Kümesi Üreticisi
Earth Engine Snippet'i
ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1")
Etiketler
global google landcover landuse landuse-landcover nrt sentinel2-derived

Açıklama

Dynamic World, 10 metre çözünürlüklü, neredeyse gerçek zamanlı (NRT) bir arazi kullanımı/arazi örtüsü (LULC) veri kümesidir. Bu veri kümesi, dokuz sınıf için sınıf olasılıklarını ve etiket bilgilerini içerir.

Dynamic World tahminleri, 27 Haziran 2015'ten günümüze kadar olan Sentinel-2 L1C koleksiyonu için kullanılabilir. Sentinel-2'nin yeniden ziyaret sıklığı, enleme bağlı olarak 2-5 gün arasındadır. Dynamic World tahminleri, CLOUDY_PIXEL_PERCENTAGE <= %35 olan Sentinel-2 L1C görüntüleri için oluşturulur. Tahminler, S2 Bulut Olasılığı, Bulut Yer Değiştirme İndeksi ve Yönlü Mesafe Dönüşümü kombinasyonu kullanılarak bulutları ve bulut gölgelerini kaldıracak şekilde maskelenir.

Dynamic World koleksiyonundaki resimlerin adları, türetildikleri Sentinel-2 L1C öğe adlarıyla eşleşir.Örneğin:

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

adlı eşleşen bir Dynamic World görüntüsü vardır: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

"Etiket" bandı hariç tüm olasılık bantlarının toplamı 1'dir.

Dynamic World veri kümesi hakkında daha fazla bilgi edinmek ve kompozit oluşturma, bölgesel istatistikleri hesaplama ve zaman serileriyle çalışma örneklerini görmek için Dynamic World'e Giriş adlı eğitici seriyi inceleyin.

Dynamic World sınıf tahminleri, küçük bir hareketli pencereden alınan uzamsal bağlam kullanılarak tek görüntülerden elde edildiğinden, ekinler gibi zaman içinde örtüyle kısmen tanımlanan tahmini arazi örtüleri için ilk 1 "olasılıklar", belirgin ayırt edici özelliklerin yokluğunda nispeten düşük olabilir. Kurak iklimlerdeki yüksek yansıtma özelliğine sahip yüzeyler, kum ve güneş parlaması gibi unsurlar da bu olguyu gösterebilir.

Yalnızca bir Dynamic World sınıfına ait olduğu kesin olan pikselleri seçmek için en iyi 1 tahminin tahmini "olasılığını" eşikleyerek Dynamic World çıkışlarını maskelemeniz önerilir.

Bantlar

Bantlar

Piksel boyutu: 10 metre (tüm bantlar)

Ad Min. Maks. Piksel Boyutu Açıklama
water 0 1 10 metre

Tamamen su altında kalma olasılığı tahmini
trees 0 1 10 metre

Ağaçlarla tamamen kaplanma olasılığı tahmini
grass 0 1 10 metre

Çimle tamamen kaplanma olasılığı tahmini
flooded_vegetation 0 1 10 metre

Sular altında kalan bitki örtüsünün tam kapsamlı olma olasılığı tahmini
crops 0 1 10 metre

Ürünlere göre tam kapsam olasılığı tahmini
shrub_and_scrub 0 1 10 metre

Çalı ve çalılıklarla tam kaplama olasılığı tahmini
built 0 1 10 metre

Yapıya göre tam kapsama olasılığı tahmini
bare 0 1 10 metre

Çıplak ayakla tam kapsama olasılığı tahmini
snow_and_ice 0 1 10 metre

Kar ve buzla tamamen kaplanma olasılığı tahmini
label 0 8 10 metre

Tahmini olasılığı en yüksek olan bandın dizini

etiket Sınıf Tablosu

Değer Renk Açıklama
0 #419bdf

su hizmeti sağlayıcı
1 #397d49

ağaçlar
2 #88b053

çimen
3 #7a87c6

flooded_vegetation
4 #e49635

mahsuller
5 #dfc35a

shrub_and_scrub
6 #c4281b

built
7 #a59b8f

çıplak
8 #b39fe1

snow_and_ice

Resim Özellikleri

Görüntü Özellikleri

Ad Tür Açıklama
dynamicworld_algorithm_version Dize

Dynamic World modelini ve görüntüyü oluşturmak için kullanılan çıkarım sürecini benzersiz şekilde tanımlayan sürüm dizesi.
qa_algorithm_version Dize

Görüntüyü üretmek için kullanılan bulut maskeleme sürecini benzersiz şekilde tanımlayan sürüm dizesi.

Kullanım Şartları

Kullanım Şartları

Bu veri kümesi CC-BY 4.0 kapsamında lisanslanmıştır ve şu atıfı gerektirir: "Bu veri kümesi, Google tarafından National Geographic Society ve Dünya Kaynakları Enstitüsü iş ortaklığıyla Dynamic World Projesi için üretilmiştir."

[2015-günümüz] yılına ait değiştirilmiş Copernicus Sentinel verileri içerir. Sentinel Verileri Yasal Uyarısı'na bakın.

Alıntılar

Alıntılar:

  • Brown, C.F., Brumby, S.P., Guzder-Williams, B. ve diğerleri. 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'lar

Earth Engine ile Keşif

Kod Düzenleyici (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 kurulumu

Python API ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasını inceleyin.

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
Kod Düzenleyici'de aç
Dynamic World, dokuz sınıf için sınıf olasılıkları ve etiket bilgileri içeren 10 metrelik, neredeyse gerçek zamanlı (NRT) bir arazi kullanımı/arazi örtüsü (LULC) veri kümesidir. Dynamic World tahminleri, 27 Haziran 2015'ten günümüze kadar Sentinel-2 L1C koleksiyonu için kullanılabilir. Sentinel-2'nin yeniden ziyaret sıklığı, enleme bağlı olarak 2-5 gün arasındadır. Dynamic World …
GOOGLE/DYNAMICWORLD/V1, global,google,landcover,landuse,landuse-landcover,nrt,sentinel2-derived
2015-06-27T00:00:00Z/2026-10-14T06:12:59.840000Z
-90 -180 90 180
Google Earth Engine