Dynamic World V1

Disponibilità set di dati: 2015-06-27T00:00:00Z–2026-03-24T19:21:14.974000Z
Produttore di dati: World Resources Institute Google

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

Descrizione

Le previsioni di Dynamic World sono disponibili per la raccolta Sentinel-2 L1C dal 27/06/2015 a oggi. La frequenza di rivisitazione di Sentinel-2 è compresa tra 2 e 5 giorni a seconda della latitudine. Le previsioni di Dynamic World vengono generate per le immagini Sentinel-2 L1C con CLOUDY_PIXEL_PERCENTAGE <= 35%. Le previsioni vengono mascherate per rimuovere le nuvole e le ombre delle nuvole utilizzando una combinazione di probabilità di nuvole S2, indice di spostamento delle nuvole e trasformazione della distanza direzionale.

Le immagini nella raccolta Dynamic World hanno nomi che corrispondono ai singoli nomi degli asset Sentinel-2 L1C da cui sono state derivate, ad es.:

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

ha un'immagine Dynamic World corrispondente denominata: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Tutte le bande di probabilità, ad eccezione della banda "label", sommano collettivamente a 1.

Per saperne di più sul set di dati Dynamic World e vedere esempi di generazione di compositi, calcolo di statistiche regionali e utilizzo delle serie temporali, consulta la serie di tutorial Introduzione a Dynamic World.

Poiché le stime delle classi di Dynamic World derivano da singole immagini utilizzando un contesto spaziale da una piccola finestra mobile, le "probabilità" top-1 per le coperture del suolo previste che sono in parte definite dalla copertura nel tempo, come le colture, possono essere relativamente basse in assenza di caratteristiche distintive ovvie. Anche le superfici ad alto rendimento nei climi aridi, la sabbia, il riflesso del sole, ecc. possono mostrare questo fenomeno.

Per selezionare solo i pixel che appartengono con certezza a una classe Dynamic World, ti consigliamo di mascherare gli output di Dynamic World applicando una soglia alla "probabilità" stimata della previsione top-1.

Bande

Bande

Dimensioni pixel: 10 metri (tutte le bande)

Nome	Max	Dimensioni pixel	Descrizione
`water`	1	10 metri	Probabilità stimata di copertura completa da parte dell'acqua
`trees`	1	10 metri	Probabilità stimata di copertura completa da parte degli alberi
`grass`	1	10 metri	Probabilità stimata di copertura completa da parte dell'erba
`flooded_vegetation`	1	10 metri	Probabilità stimata di copertura completa da parte della vegetazione allagata
`crops`	1	10 metri	Probabilità stimata di copertura completa da parte delle colture
`shrub_and_scrub`	1	10 metri	Probabilità stimata di copertura completa da parte di arbusti e cespugli
`built`	1	10 metri	Probabilità stimata di copertura completa da parte di edifici
`bare`	1	10 metri	Probabilità stimata di copertura completa da parte di aree spoglie
`snow_and_ice`	1	10 metri	Probabilità stimata di copertura completa da parte di neve e ghiaccio
`label`	8	10 metri	Indice della banda con la probabilità stimata più alta

Tabella delle classi di etichette

Valore	Colore	Descrizione
0	#419bdf	acqua
1	#397d49	palme
2	#88b053	erba
3	#7a87c6	flooded_vegetation
4	#e49635	colture
5	#dfc35a	shrub_and_scrub
6	#c4281b	edificato
7	#a59b8f	spoglio
8	#b39fe1	snow_and_ice

Proprietà immagini

Proprietà immagini

Nome	Tipo	Descrizione
dynamicworld_algorithm_version	STRING	La stringa della versione che identifica in modo univoco il modello Dynamic World e il processo di inferenza utilizzati per produrre l'immagine.
qa_algorithm_version	STRING	La stringa della versione che identifica in modo univoco il processo di mascheramento delle nuvole utilizzato per produrre l'immagine.

Termini e condizioni d'uso

Termini e condizioni d'uso

Questo set di dati è concesso in licenza ai sensi del CC-BY 4.0 e richiede la seguente attribuzione: "Questo set di dati è prodotto per il progetto Dynamic World da Google in collaborazione con la National Geographic Society e il World Resources Institute."

Contiene dati modificati di Copernicus Sentinel [2015-oggi]. Consulta la nota legale sui dati di Sentinel.

Citazioni

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

Esplora con Earth Engine

Editor di codice (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');

Configurazione di Python

Per informazioni sull'API Python e sull'utilizzo di geemap per lo sviluppo interattivo, consulta la pagina Ambiente Python.

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

Apri nell'editor di codice

Dynamic World V1

Dynamic World è un set di dati sull'uso e la copertura del suolo (LULC) con risoluzione di 10 metri quasi in tempo reale (NRT) che include le probabilità di classe e le informazioni sulle etichette per nove classi. Le previsioni di Dynamic World sono disponibili per la raccolta Sentinel-2 L1C dal 27/06/2015 a oggi. La frequenza di rivisitazione di Sentinel-2 è compresa tra 2 e 5 giorni a seconda della latitudine. Dynamic World …

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

2015-06-27T00:00:00Z/2026-03-24T19:21:14.974000Z

-90 -180 90 180

Google Earth Engine

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

Dynamic World V1 Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Descrizione

Bande

Proprietà immagini

Termini e condizioni d'uso

Citazioni

DOI

Esplora con Earth Engine

Editor di codice (JavaScript)

Colab (Python)

Dynamic World V1