Dynamic World V1

Disponibilidade do conjunto de dados: 2015-06-27T00:00:00Z–2026-03-25T00:53:26.994000Z
Produtor de dados: World Resources Institute Google

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

Descrição

As previsões do Dynamic World estão disponíveis para a coleção L1C do Sentinel-2 de 27/06/2015 até o momento. A frequência de revisita do Sentinel-2 é de 2 a 5 dias, dependendo da latitude. As previsões do Dynamic World são geradas para imagens L1C do Sentinel-2 com CLOUDY_PIXEL_PERCENTAGE <= 35%. As previsões são mascaradas para remover nuvens e sombras de nuvens usando uma combinação de probabilidade de nuvem S2, índice de deslocamento de nuvem e transformação de distância direcional.

As imagens na coleção do Dynamic World têm nomes que correspondem aos nomes de recursos individuais do Sentinel-2 L1C de que foram derivadas, por exemplo:

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

tem uma imagem correspondente do Dynamic World chamada: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Todas as bandas de probabilidade, exceto a "rótulo", somam 1.

Para saber mais sobre o conjunto de dados do Dynamic World e conferir exemplos de geração de composições, cálculo de estatísticas regionais e trabalho com as séries temporais, consulte a série de tutoriais Introdução ao Dynamic World.

Como as estimativas de classe do Dynamic World são derivadas de imagens únicas usando um contexto espacial de uma pequena janela móvel, as "probabilidades" principais para coberturas de terra previstas que são definidas em parte pela cobertura ao longo do tempo, como plantações, podem ser comparativamente baixas na ausência de recursos distintivos óbvios. Superfícies de alto retorno em climas áridos, areia, brilho solar etc. também podem apresentar esse fenômeno.

Para selecionar apenas pixels que pertencem com confiança a uma classe do Dynamic World, recomendamos mascarar as saídas do Dynamic World definindo um limite para a "probabilidade" estimada da previsão principal.

Bandas

Bandas

Tamanho do pixel: 10 metros (todas as bandas)

Nome	Máx.	Tamanho do pixel	Descrição
`water`	1	10 metros	Probabilidade estimada de cobertura completa pela água
`trees`	1	10 metros	Probabilidade estimada de cobertura completa por árvores
`grass`	1	10 metros	Probabilidade estimada de cobertura completa por grama
`flooded_vegetation`	1	10 metros	Probabilidade estimada de cobertura completa por vegetação inundada
`crops`	1	10 metros	Probabilidade estimada de cobertura completa por plantações
`shrub_and_scrub`	1	10 metros	Probabilidade estimada de cobertura completa por arbustos e matagais
`built`	1	10 metros	Probabilidade estimada de cobertura completa por criados
`bare`	1	10 metros	Probabilidade estimada de cobertura completa por solo sem vegetação
`snow_and_ice`	1	10 metros	Probabilidade estimada de cobertura completa por neve e gelo
`label`	8	10 metros	Índice da banda com a maior probabilidade estimada

Tabela de classes de rótulo

Valor	Cor	Descrição
0	#419bdf	água
1	#397d49	árvores
2	#88b053	grass
3	#7a87c6	flooded_vegetation
4	#e49635	plantações
5	#dfc35a	shrub_and_scrub
6	#c4281b	criados
7	#a59b8f	solo sem vegetação
8	#b39fe1	snow_and_ice

Propriedades da imagem

Propriedades da imagem

Nome	Tipo	Descrição
dynamicworld_algorithm_version	STRING	A string de versão que identifica exclusivamente o modelo do Dynamic World e o processo de inferência usado para produzir a imagem.
qa_algorithm_version	STRING	A string de versão que identifica exclusivamente o processo de mascaramento de nuvens usado para produzir a imagem.

Termos de Uso

Termos de Uso

Este conjunto de dados está licenciado sob a licença CC-BY 4.0 e exige a seguinte atribuição: "Este conjunto de dados é produzido para o projeto Dynamic World pelo Google em parceria com a National Geographic Society e o World Resources Institute."

Contém dados modificados do Copernicus Sentinel [2015-presente]. Consulte o Aviso legal de dados do Sentinel.

Citações

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

Identificadores DOI

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

Explore com o Earth Engine

Editor de código (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');

Configuração do Python

Consulte a página Ambiente Python (em inglês) para informações sobre a API Python e como usar geemap para desenvolvimento interativo.

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

Abrir no editor de código

Dynamic World V1

O Dynamic World é um conjunto de dados de uso e cobertura da terra (LULC, na sigla em inglês) de 10 m quase em tempo real (NRT, na sigla em inglês) que inclui probabilidades de classe e informações de rótulo para nove classes. As previsões do Dynamic World estão disponíveis para a coleção L1C do Sentinel-2 de 27/06/2015 até o momento. A frequência de revisita do Sentinel-2 é de 2 a 5 dias, dependendo da latitude. Dynamic World …

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

2015-06-27T00:00:00Z/2026-03-25T00:53:26.994000Z

-90 -180 90 180

Google Earth Engine

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

Dynamic World V1 Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

Descrição

Bandas

Propriedades da imagem

Termos de Uso

Citações

Identificadores DOI

Explore com o Earth Engine

Editor de código (JavaScript)

Colab (Python)

Dynamic World V1