Dynamic World V1

Disponibilité de l'ensemble de données: 2015-06-27T00:00:00Z–2026-02-26T14:26:02.608000Z
Producteur de l'ensemble de données: World Resources Institute Google

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

Description

Les prédictions Dynamic World sont disponibles pour la collection Sentinel-2 L1C du 27/06/2015 à aujourd'hui. La fréquence de revisite de Sentinel-2 est comprise entre 2 et 5 jours, selon la latitude. Les prédictions Dynamic World sont générées pour les images Sentinel-2 L1C avec un filtre CLOUDY_PIXEL_PERCENTAGE inférieur ou égal à 35 %. Les prédictions sont masquées pour supprimer les nuages et les ombres de nuages à l'aide d'une combinaison de la probabilité de nuage S2, de l'indice de déplacement des nuages et de la transformation de distance directionnelle.

Les images de la collection Dynamic World ont des noms correspondant à ceux de chaque élément Sentinel-2 L1C à partir duquel elles ont été dérivées, par exemple :

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

a une image Dynamic World correspondante nommée : ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Toutes les bandes de probabilité, à l'exception de la bande "label", équivalent à un total de 1.

Pour en savoir plus sur l'ensemble de données Dynamic World et voir des exemples de génération de composites, de calcul de statistiques régionales et d'utilisation des séries temporelles, consultez la série de tutoriels Présentation de Dynamic World.

Étant donné que les estimations de classe Dynamic World sont dérivées d'images uniques utilisant un contexte spatial issu d'une fenêtre glissante de taille réduite, les "probabilités" top 1 pour les types d'occupation des sols définis en partie par leur évolution temporelle, comme les cultures, peuvent être comparativement faibles en l'absence de caractéristiques distinctives évidentes. Les surfaces à forte réflectance dans les climats arides, le sable, les reflets solaires, etc. peuvent également présenter ce phénomène.

Pour ne sélectionner que les pixels qui appartiennent de manière fiable à une classe Dynamic World, il est recommandé de masquer les sorties Dynamic World en seuillant la "probabilité" estimée de la prédiction top 1.

Bandes

Taille des pixels
10 mètres

Bandes

Nom	Max	Taille des pixels	Description
`water`	1	mètres	Probabilité estimée d'une couverture complète par l'eau
`trees`	1	mètres	Probabilité estimée de couverture complète par les arbres
`grass`	1	mètres	Probabilité estimée de couverture complète par l'herbe
`flooded_vegetation`	1	mètres	Probabilité estimée de couverture complète par la végétation inondée
`crops`	1	mètres	Probabilité estimée de couverture complète par les cultures
`shrub_and_scrub`	1	mètres	Probabilité estimée d'une couverture complète par des arbustes et des broussailles
`built`	1	mètres	Probabilité estimée de couverture complète par les zones bâties
`bare`	1	mètres	Probabilité estimée de couverture complète par le sol nu
`snow_and_ice`	1	mètres	Probabilité estimée de couverture complète par la neige et la glace
`label`	8	mètres	Index de la bande ayant la probabilité estimée la plus élevée

Tableau des classes d'étiquettes

Valeur	Couleur	Description
0	#419bdf	water
1	#397d49	trees
2	#88b053	grass
3	#7a87c6	flooded_vegetation
4	#e49635	crops
5	#dfc35a	shrub_and_scrub
6	#c4281b	built
7	#a59b8f	bare
8	#b39fe1	snow_and_ice

Propriétés des images

Propriétés des images

Nom	Type	Description
dynamicworld_algorithm_version	STRING	Chaîne de version identifiant de manière unique le modèle Dynamic World et le processus d'inférence utilisés pour générer l'image.
qa_algorithm_version	STRING	Chaîne de version identifiant de manière unique le processus de masquage des nuages utilisé pour générer l'image.

Conditions d'utilisation

Conditions d'utilisation

Cet ensemble de données est concédé sous licence CC-BY 4.0 et nécessite l'attribution suivante : "Cet ensemble de données est produit pour le projet Dynamic World par Google en partenariat avec la National Geographic Society et le World Resources Institute."

Contient des données Copernicus Sentinel modifiées [2015 à aujourd'hui]. Consultez les mentions légales sur les données Sentinel.

Citations

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

Explorer avec Earth Engine

Éditeur de code (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');

Configuration de Python

Consultez la page Environnement Python pour en savoir plus sur l'API Python et sur l'utilisation de geemap pour le développement interactif.

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

Ouvrir dans l'éditeur de code

Dynamic World V1

Dynamic World est un ensemble de données d'occupation et d'utilisation des sols (LULC, Land Use/Land Cover) en temps quasi réel (NRT) avec une résolution de 10 m. Il inclut des probabilités de classe et des informations d'étiquettes pour neuf classes. Les prédictions Dynamic World sont disponibles pour la collection Sentinel-2 L1C depuis le 27/06/2015. La fréquence de revisite de Sentinel-2 est comprise entre 2 et 5 jours, selon la latitude. Les prédictions Dynamic World...

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

2015-06-27T00:00:00Z/2026-02-26T14:26:02.608000Z

-90 -180 90 180

Google Earth Engine

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

Dynamic World V1 Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Description

Bandes

Propriétés des images

Conditions d'utilisation

Citations

DOI

Explorer avec Earth Engine

Éditeur de code (JavaScript)

Colab (Python)

Dynamic World V1