- Phạm vi cung cấp tập dữ liệu
- 2015-06-27T00:00:00Z–2026-01-05T05:36:26.701000Z
- Nhà cung cấp tập dữ liệu
- World Resources Institute Google
- Thẻ
Mô tả
Dynamic World là một tập dữ liệu về Sử dụng đất/Độ che phủ đất (LULC) có độ phân giải 10 mét và gần như theo thời gian thực (NRT), bao gồm xác suất lớp và thông tin nhãn cho chín lớp.
Các dự đoán của Dynamic World có sẵn cho tập hợp Sentinel-2 L1C từ ngày 27/06/2015 đến nay. Tần suất xem lại của Sentinel-2 là từ 2 đến 5 ngày, tuỳ thuộc vào vĩ độ. Các dự đoán của Dynamic World được tạo cho hình ảnh Sentinel-2 L1C có CLOUDY_PIXEL_PERCENTAGE <= 35%. Các dự đoán được che phủ để loại bỏ mây và bóng mây bằng cách sử dụng kết hợp Xác suất mây S2, Chỉ số dịch chuyển mây và Biến đổi khoảng cách theo hướng.
Hình ảnh trong tập hợp Dynamic World có tên khớp với tên của từng thành phần Sentinel-2 L1C mà từ đó hình ảnh được lấy ra, ví dụ:
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
có một hình ảnh Dynamic World khớp với tên: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').
Tất cả các băng tần xác suất, ngoại trừ băng tần "nhãn", đều có tổng bằng 1.
Để tìm hiểu thêm về tập dữ liệu Dynamic World và xem các ví dụ về cách tạo hình ảnh tổng hợp, tính toán số liệu thống kê theo khu vực và làm việc với chuỗi thời gian, hãy xem loạt bài hướng dẫn Giới thiệu về Dynamic World.
Vì các ước tính lớp Dynamic World được lấy từ hình ảnh đơn lẻ bằng cách sử dụng a bối cảnh không gian từ một cửa sổ di chuyển nhỏ, nên "xác suất" hàng đầu cho các độ che phủ đất được dự đoán (một phần được xác định bằng độ che phủ theo thời gian, chẳng hạn như cây trồng) có thể tương đối thấp khi không có các đặc điểm phân biệt rõ ràng. tính năng. Các bề mặt có độ phản xạ cao trong khí hậu khô cằn, cát, ánh sáng mặt trời, v.v. cũng có thể thể hiện hiện tượng này.
Để chỉ chọn những pixel thuộc một lớp Dynamic World một cách chắc chắn, bạn nên che phủ đầu ra của Dynamic World bằng cách đặt ngưỡng "xác suất" ước tính của dự đoán hàng đầu.
Băng tần
Kích thước pixel
10 mét
Dải
| Tên | Tối thiểu | Tối đa | Kích thước pixel | Mô tả |
|---|---|---|---|---|
water |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng nước |
trees |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng cây cối |
grass |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng cỏ |
flooded_vegetation |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng thảm thực vật bị ngập |
crops |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng cây trồng |
shrub_and_scrub |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng cây bụi và cây bụi thấp |
built |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng các công trình xây dựng |
bare |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng đất trống |
snow_and_ice |
0 | 1 | mét | Xác suất ước tính về độ che phủ hoàn toàn bằng tuyết và băng |
label |
0 | 8 | mét | Chỉ mục của băng tần có xác suất ước tính cao nhất |
Bảng lớp nhãn
| Giá trị | Màu | Mô tả |
|---|---|---|
| 0 | #419bdf | nước |
| 1 | #397d49 | cây cối |
| 2 | #88b053 | cỏ |
| 3 | #7a87c6 | flooded_vegetation |
| 4 | #e49635 | cây trồng |
| 5 | #dfc35a | shrub_and_scrub |
| 6 | #c4281b | phát triển |
| 7 | #a59b8f | đất trống |
| 8 | #b39fe1 | snow_and_ice |
Thuộc tính hình ảnh
Thuộc tính hình ảnh
| Tên | Loại | Mô tả |
|---|---|---|
| dynamicworld_algorithm_version | STRING | Chuỗi phiên bản xác định duy nhất mô hình Dynamic World và quy trình suy luận dùng để tạo hình ảnh. |
| qa_algorithm_version | STRING | Chuỗi phiên bản xác định duy nhất quy trình che phủ mây dùng để tạo hình ảnh. |
Điều khoản sử dụng
Điều khoản sử dụng
Tập dữ liệu này được cấp phép theo giấy phép CC-BY 4.0 và yêu cầu ghi nhận nguồn như sau: "Tập dữ liệu này do Google tạo cho Dự án Dynamic World , hợp tác với National Geographic Society và World Resources Institute."
Chứa dữ liệu đã được sửa đổi từ vệ tinh Copernicus Sentinel [2015 đến nay]. Xem Thông báo pháp lý về dữ liệu Sentinel.
Trích dẫn
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
Khám phá bằng Earth Engine
Trình soạn thảo mã (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');
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