- ডেটাসেটের প্রাপ্যতা
- 2015-06-27T00:00:00Z–2026-03-18T06:07:24.827000Z
- ডেটাসেট প্রযোজক
- ওয়ার্ল্ড রিসোর্সেস ইনস্টিটিউট গুগল
- ট্যাগ
বর্ণনা
ডাইনামিক ওয়ার্ল্ড হলো একটি ১০ মিটার নিয়ার-রিয়েল-টাইম (NRT) ভূমি ব্যবহার/ভূমি আচ্ছাদন (LULC) ডেটাসেট, যাতে নয়টি শ্রেণীর জন্য শ্রেণী সম্ভাব্যতা এবং লেবেল তথ্য অন্তর্ভুক্ত রয়েছে।
২০১৫-০৬-২৭ থেকে বর্তমান পর্যন্ত সেন্টিনেল-২ এল১সি সংগ্রহের জন্য ডাইনামিক ওয়ার্ল্ড প্রেডিকশন পাওয়া যায়। অক্ষাংশের উপর নির্ভর করে সেন্টিনেল-২-এর পুনরাগমন হার ২ থেকে ৫ দিনের মধ্যে থাকে। যে সকল সেন্টিনেল-২ এল১সি ছবিতে মেঘের পিক্সেল শতাংশ (CLOUDY_PIXEL_PERCENTAGE) ৩৫% বা তার কম, সেগুলোর জন্য ডাইনামিক ওয়ার্ল্ড প্রেডিকশন তৈরি করা হয়। এস২ ক্লাউড প্রোবাবিলিটি (S2 Cloud Probability), ক্লাউড ডিসপ্লেসমেন্ট ইনডেক্স (Cloud Displacement Index), এবং ডিরেকশনাল ডিসটেন্স ট্রান্সফর্ম (Directional Distance Transform)-এর সমন্বয়ে মেঘ এবং মেঘের ছায়া অপসারণের জন্য প্রেডিকশনগুলোকে মাস্ক করা হয়।
ডাইনামিক ওয়ার্ল্ড সংগ্রহের ছবিগুলোর নাম, সেগুলো যে স্বতন্ত্র সেন্টিনেল-২ এল১সি অ্যাসেটগুলো থেকে উদ্ভূত হয়েছে, সেগুলোর নামের সাথে মিলে যায়, যেমন:
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT') নামের একটি মিলে যাওয়া Dynamic World ইমেজ আছে।
'লেবেল' ব্যান্ড ব্যতীত অন্য সকল সম্ভাব্যতা ব্যান্ডের সম্মিলিত যোগফল ১ হয়।
ডাইনামিক ওয়ার্ল্ড ডেটাসেট সম্পর্কে আরও জানতে এবং কম্পোজিট তৈরি, আঞ্চলিক পরিসংখ্যান গণনা ও টাইম সিরিজ নিয়ে কাজ করার উদাহরণ দেখতে, "ইন্ট্রোডাকশন টু ডাইনামিক ওয়ার্ল্ড" টিউটোরিয়াল সিরিজটি দেখুন।
যেহেতু ডাইনামিক ওয়ার্ল্ড ক্লাস এস্টিমেশনগুলো একটি ছোট মুভিং উইন্ডো থেকে প্রাপ্ত স্থানিক প্রেক্ষাপট ব্যবহার করে একক চিত্র থেকে উদ্ভূত হয়, তাই সুস্পষ্ট স্বতন্ত্র বৈশিষ্ট্যের অনুপস্থিতিতে, শস্যের মতো পূর্বাভাসিত ভূমি আচ্ছাদনগুলোর জন্য শীর্ষ-১ "সম্ভাবনা" তুলনামূলকভাবে কম হতে পারে, যেগুলো সময়ের সাথে সাথে আচ্ছাদন দ্বারা আংশিকভাবে সংজ্ঞায়িত হয়। শুষ্ক জলবায়ুর উচ্চ-ফলনশীল পৃষ্ঠতল, যেমন বালি, সূর্যালোকের প্রতিফলন ইত্যাদিতেও এই ঘটনাটি দেখা যেতে পারে।
শুধুমাত্র সেইসব পিক্সেল নির্বাচন করার জন্য যেগুলো নিশ্চিতভাবে একটি ডাইনামিক ওয়ার্ল্ড ক্লাসের অন্তর্ভুক্ত, টপ-১ প্রেডিকশনের আনুমানিক 'সম্ভাবনা' থ্রেশহোল্ডিং করে ডাইনামিক ওয়ার্ল্ড আউটপুটগুলোকে মাস্ক করার পরামর্শ দেওয়া হয়।
ব্যান্ড
পিক্সেল আকার
১০ মিটার
ব্যান্ড
| নাম | মিনিট | ম্যাক্স | পিক্সেল আকার | বর্ণনা |
|---|---|---|---|---|
water | ০ | ১ | মিটার | জল দ্বারা সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
trees | ০ | ১ | মিটার | গাছ দ্বারা সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
grass | ০ | ১ | মিটার | ঘাস দ্বারা সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
flooded_vegetation | ০ | ১ | মিটার | প্লাবিত গাছপালা দ্বারা সম্পূর্ণভাবে আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
crops | ০ | ১ | মিটার | ফসল দ্বারা সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
shrub_and_scrub | ০ | ১ | মিটার | গুল্ম ও ঝোপঝাড় দ্বারা সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
built | ০ | ১ | মিটার | নির্মিত দ্বারা সম্পূর্ণ আচ্ছাদনের আনুমানিক সম্ভাবনা |
bare | ০ | ১ | মিটার | খালি হাতে সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
snow_and_ice | ০ | ১ | মিটার | তুষার ও বরফে সম্পূর্ণ আচ্ছাদিত হওয়ার আনুমানিক সম্ভাবনা |
label | ০ | ৮ | মিটার | সর্বোচ্চ আনুমানিক সম্ভাবনা সহ ব্যান্ডের সূচক |
লেবেল শ্রেণী সারণী
| মূল্য | রঙ | বর্ণনা |
|---|---|---|
| ০ | #419bdf | জল |
| ১ | #৩৯৭ডি৪৯ | গাছ |
| ২ | #88b053 | ঘাস |
| ৩ | #7a87c6 | প্লাবিত_উদ্ভিদ |
| ৪ | #e49635 | ফসল |
| ৫ | #dfc35a | গুল্ম এবং ঝোপঝাড় |
| ৬ | #c4281b | নির্মিত |
| ৭ | #a59b8f | খালি |
| ৮ | #b39fe1 | বরফ এবং তুষার |
ছবির বৈশিষ্ট্য
ছবির বৈশিষ্ট্য
| নাম | প্রকার | বর্ণনা |
|---|---|---|
| ডাইনামিকওয়ার্ল্ড_অ্যালগরিদম_ভার্সন | স্ট্রিং | সংস্করণ স্ট্রিংটি ছবিটি তৈরি করতে ব্যবহৃত ডাইনামিক ওয়ার্ল্ড মডেল এবং ইনফারেন্স প্রক্রিয়াকে অনন্যভাবে শনাক্ত করে। |
| qa_algorithm_version | স্ট্রিং | ইমেজটি তৈরি করতে ব্যবহৃত ক্লাউড মাস্কিং প্রসেসকে অনন্যভাবে শনাক্তকারী ভার্সন স্ট্রিং। |
ব্যবহারের শর্তাবলী
ব্যবহারের শর্তাবলী
এই ডেটাসেটটি CC-BY 4.0 লাইসেন্সের অধীনে রয়েছে এবং এর জন্য নিম্নলিখিত স্বীকৃতি প্রদান করা আবশ্যক: "এই ডেটাসেটটি গুগল, ন্যাশনাল জিওগ্রাফিক সোসাইটি এবং ওয়ার্ল্ড রিসোর্সেস ইনস্টিটিউটের অংশীদারিত্বে ডাইনামিক ওয়ার্ল্ড প্রজেক্টের জন্য তৈরি করা হয়েছে।"
পরিবর্তিত কোপার্নিকাস সেন্টিনেল ডেটা [২০১৫-বর্তমান] অন্তর্ভুক্ত। সেন্টিনেল ডেটা আইনি বিজ্ঞপ্তি দেখুন।
উদ্ধৃতি
ব্রাউন, সিএফ, ব্রাম্বি, এসপি, গুজডার-উইলিয়ামস, বি. এবং অন্যান্য। ডায়নামিক ওয়ার্ল্ড, প্রায় রিয়েল-টাইম বৈশ্বিক ১০ মিটার ভূমি ব্যবহার ও ভূমি আচ্ছাদন ম্যাপিং। সাইন্স ডেটা ৯, ২৫১ (২০২২)। ডিওআই:১০.১০৩৮/এস৪১৫৯৭-০২২-০১৩০৭-৪
DOI
আর্থ ইঞ্জিন দিয়ে অন্বেষণ করুন
কোড এডিটর (জাভাস্ক্রিপ্ট)
// 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
কোলাব (পাইথন)
# 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