Dynamic World V1

Veri Kümesi Kullanılabilirliği

2015-06-27T00:00:00Z–2026-10-14T09:32:03.637000Z

Veri Kümesi Üreticisi

Dünya Kaynakları Enstitüsü Google

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 resimler, türetildikleri bireysel Sentinel-2 L1C öğe adlarıyla eşleşen adlara sahiptir.Örneğin:

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

has a matching Dynamic World image named: 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 bileşik oluşturma, bölgesel istatistikleri hesaplama ve zaman serileriyle çalışma örneklerini görmek için Dynamic World'e Giriş eğitim serisine göz atın.

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 yansımalı yüzeyler, kum, güneş parıltısı vb. de bu duruma neden olabilir.

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 tam kaplama 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 fundalıklarla tamamen kaplanma 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	En yüksek tahmini olasılığa sahip bant 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

• https://doi.org/10.1038/s41597-022-01307-4

Earth Engine ile Keşif

Önemli: Earth Engine, hem kamu yararı hem de işletme ve devlet kullanıcıları için petabayt ölçeğinde bilimsel analiz ve görselleştirme amacıyla kullanılan bir platformdur. Earth Engine; araştırma, eğitim ve kâr amacı gütmeyen kuruluşlar tarafından ücretsiz olarak kullanılabilir. Lütfen Earth Engine erişimi için kaydolarak başlayın.

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 V1

Dynamic World, dokuz sınıf için sınıf olasılıklarını ve etiket bilgilerini içeren, 10 metre çözünürlüklü, Neredeyse gerçek zamanlı (NRT) bir arazi kullanımı/arazi kapsamı (LULC) veri kümesidir. Dynamic World tahminleri, 27.06.2015'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/2026-10-14T09:32:03.637000Z

-90 -180 90 180

Google Earth Engine

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

• https://doi.org/10.1038/s41597-022-01307-4
• https://doi.org/10.1038/s41597-022-01307-4
• https://doi.org/10.1038/s41597-022-01307-4