- دردسترس بودن مجموعه داده
- 2015-06-27T00:00:00Z–2026-10-16T00:47:32.143000Z
- تولیدکننده مجموعه داده
- مؤسسه منابع جهانی Google
- برچسب‌ها
شرح
Dynamic World مجموعه داده‌های ۱۰ متری «کاربری زمین/پوشش زمین» (LULC) تقریباً هم‌زمان (NRT) است که شامل احتمالات کلاس و اطلاعات برچسب برای نه کلاس است.
پیش‌بینی‌های Dynamic World برای مجموعه Sentinel-2 L1C از ۲۰۱۵/۰۶/۲۷ تا کنون دردسترس است. بسامد بازدید مجدد Sentinel-2 بین ۲ تا ۵ روز بسته به عرض جغرافیایی است. پیش‌بینی‌های Dynamic World برای تصاویر Sentinel-2 L1C با CLOUDY_PIXEL_PERCENTAGE <= 35% تولید می‌شوند. پیش‌بینی‌ها بااستفاده از ترکیبی از «احتمال ابر S2»، «شاخص جابه‌جایی ابر»، و «تبدیل فاصله جهت‌دار» ماسک‌گذاری می‌شوند تا ابرها و سایه‌های ابر برداشته شوند.
تصاویر موجود در مجموعه Dynamic World نام‌هایی دارند که با نام‌های دارایی Sentinel-2 L1C که از آن‌ها مشتق شده‌اند مطابقت دارند، برای مثال:
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
دارای تصویر Dynamic World منطبق با نام زیر است: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').
همه باندهای احتمال به‌جز باند «برچسب» درمجموع به ۱ می‌رسند.
برای کسب اطلاعات بیشتر درباره مجموعه داده Dynamic World و دیدن نمونه‌هایی برای تولید ترکیبات، محاسبه آمار منطقه‌ای، و کار کردن با سری زمانی، به مجموعه آموزشی مقدمه‌ای بر Dynamic World مراجعه کنید.
با توجه به اینکه برآوردهای کلاس Dynamic World از تصاویر تکی بااستفاده از بافت فضایی از یک پنجره متحرک کوچک به‌دست می‌آیند، «احتمال‌های» top-1 برای پوشش‌های زمین پیش‌بینی‌شده که تا حدودی با پوشش درطول زمان تعریف می‌شوند، مانند محصولات کشاورزی، می‌توانند در غیاب ویژگی‌های متمایزکننده آشکار نسبتاً پایین باشند. سطوح با بازگشت بالا در اقلیم‌های خشک، شن، درخشش خورشید، و غیره نیز ممکن است این پدیده را نشان دهند.
To select only pixels that confidently belong to a Dynamic World class, it is recommended to mask Dynamic World outputs by thresholding the estimated "probability" of the top-1 prediction.
باند
باند
اندازه پیکسل: ۱۰ متر (همه باندها)
| نام | دقیقه | Max | اندازه پیکسل | شرح |
|---|---|---|---|---|
water |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل با آب |
trees |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل با درختان |
grass |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل با چمن |
flooded_vegetation |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل توسط پوشش گیاهی سیل‌زده |
crops |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل توسط محصولات کشاورزی |
shrub_and_scrub |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل با بوته و درختچه |
built |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل براساس ساخت |
bare |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل توسط زمین برهنه |
snow_and_ice |
0 | 1 | ۱۰ متر | احتمال تخمینی پوشش کامل با برف و یخ |
label |
0 | 8 | ۱۰ متر | شاخص باند با بالاترین احتمال تخمینی |
label Class Table
| مقدار | رنگ | شرح |
|---|---|---|
| 0 | #419bdf | آب |
| 1 | #397d49 | درخت |
| 2 | #88b053 | علف |
| 3 | #7a87c6 | flooded_vegetation |
| 4 | #e49635 | محصولات کشاورزی |
| 5 | #dfc35a | shrub_and_scrub |
| 6 | #c4281b | ساخته‌شده |
| 7 | #a59b8f | bare |
| 8 | #b39fe1 | snow_and_ice |
مشخصات تصویر
ویژگی‌های تصویر
| نام | نوع | شرح |
|---|---|---|
| dynamicworld_algorithm_version | رشته | رشته نسخه که به‌طور منحصربه‌فرد مدل Dynamic World و فرایند استنتاج استفاده‌شده برای تولید تصویر را شناسایی می‌کند. |
| qa_algorithm_version | رشته | رشته نسخه که فرایند پوشاندن ابر استفاده‌شده برای تولید تصویر را به‌طور منحصربه‌فرد شناسایی می‌کند. |
شرایط استفاده
شرایط استفاده
این مجموعه داده تحت پروانه CC-BY 4.0 است و به این ارجاع نیاز دارد: «این مجموعه داده برای پروژه Dynamic World توسط Google با مشارکت National Geographic Society و World Resources Institute تولید شده است.»
حاوی داده‌های اصلاح‌شده «کوپرنیک سنتینل» [۲۰۱۵-تاکنون] است. اعلامیه حقوقی داده‌های Sentinel را ببینید.
نقل‌قول‌ها
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
شناسه دیجیتال شیء
کاوش با Earth Engine
ویرایشگر کد (جاوا اسکریپت)
// 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