Google utiliza tecnología de IA para traducir contenido a tu idioma preferido. Las traducciones realizadas con IA pueden contener errores.

Dynamic World V1

Disponibilidad del conjunto de datos: 2015-06-27T00:00:00Z–2026-10-24T12:02:19.744000Z
Proveedor del conjunto de datos: Instituto de Recursos Mundiales Google

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

Descripción

Dynamic World es un conjunto de datos de cobertura y uso del suelo (LULC) casi en tiempo real (NRT) de 10 m que incluye probabilidades de clase y datos de etiquetas para nueve clases.

Las predicciones de Dynamic World están disponibles para la colección Sentinel-2 L1C desde el 27 de junio de 2015 hasta el presente. La frecuencia de revisita de Sentinel-2 es de entre 2 y 5 días, según la latitud. Las predicciones de Dynamic World se generan para las imágenes de Sentinel-2 L1C con CLOUDY_PIXEL_PERCENTAGE <= 35%. Las predicciones se enmascaran para quitar las nubes y sus sombras con una combinación de S2 Cloud Probability, Cloud Displacement Index y Directional Distance Transform.

Las imágenes de la colección Dynamic World tienen nombres que coinciden con los nombres de los recursos individuales de Sentinel-2 L1C de los que se derivaron, p. ej.:

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

tiene una imagen de Dynamic World coincidente llamada: ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT').

Todas las bandas de probabilidad, excepto la banda "label", suman 1 en conjunto.

Para obtener más información sobre el conjunto de datos de Dynamic World y ver ejemplos para generar compuestos, calcular estadísticas regionales y trabajar con la serie temporal, consulta la serie de instructivos de Introducción a Dynamic World.

Dado que las estimaciones de clase de Dynamic World se derivan de imágenes individuales con un contexto espacial de una pequeña ventana móvil, las "probabilidades" de top-1 para las coberturas de suelo previstas que se definen en parte por la cobertura a lo largo del tiempo, como los cultivos, pueden ser comparativamente bajas en ausencia de características distintivas obvias. Las superficies de alto retorno en climas áridos, arena, destellos solares, etc., también pueden presentar este fenómeno.

Para seleccionar solo los píxeles que pertenecen con confianza a una clase de Dynamic World, se recomienda enmascarar los resultados de Dynamic World estableciendo un umbral para la "probabilidad" estimada de la predicción top-1.

Bandas

Bandas

Tamaño de píxel: 10 metros (todas las bandas)

Nombre	Máx.	Tamaño de los píxeles	Descripción
`water`	1	10 metros	Probabilidad estimada de cobertura total por agua
`trees`	1	10 metros	Probabilidad estimada de cobertura completa por árboles
`grass`	1	10 metros	Probabilidad estimada de cobertura completa de césped
`flooded_vegetation`	1	10 metros	Probabilidad estimada de cobertura completa por vegetación inundada
`crops`	1	10 metros	Probabilidad estimada de cobertura completa por cultivos
`shrub_and_scrub`	1	10 metros	Probabilidad estimada de cobertura completa por arbustos y matorrales
`built`	1	10 metros	Probabilidad estimada de cobertura completa por edificio
`bare`	1	10 metros	Probabilidad estimada de cobertura completa por suelo descubierto
`snow_and_ice`	1	10 metros	Probabilidad estimada de cobertura completa de nieve y hielo
`label`	8	10 metros	Índice de la banda con la probabilidad estimada más alta

Tabla de clases de etiquetas

Valor	Color	Descripción
0	#419bdf	agua
1	#397d49	árboles
2	#88b053	césped
3	#7a87c6	flooded_vegetation
4	#e49635	cultivos
5	#dfc35a	shrub_and_scrub
6	#c4281b	diseñado
7	#a59b8f	bare
8	#b39fe1	snow_and_ice

Propiedades de imágenes

Propiedades de la imagen

Nombre	Tipo	Descripción
dynamicworld_algorithm_version	STRING	Es la cadena de versión que identifica de forma inequívoca el modelo de Dynamic World y el proceso de inferencia que se usaron para producir la imagen.
qa_algorithm_version	STRING	Es la cadena de versión que identifica de forma única el proceso de enmascaramiento de nubes que se usó para producir la imagen.

Condiciones de Uso

Condiciones de Uso

Este conjunto de datos tiene una licencia CC-BY 4.0 y requiere la siguiente atribución: "Este conjunto de datos se produce para el proyecto Dynamic World de Google en asociación con National Geographic Society y el World Resources Institute".

Contiene datos modificados de Copernicus Sentinel [2015-presente]. Consulta el Aviso legal de los datos de Sentinel.

Citas

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

Explora con 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');

Configuración de Python

Consulta la página Entorno de Python para obtener información sobre la API de Python y el uso de geemap para el desarrollo interactivo.

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 en el editor de código

Dynamic World V1

Dynamic World es un conjunto de datos de cobertura y uso del suelo (LULC) de 10 m casi en tiempo real (NRT) que incluye probabilidades de clases y datos de etiquetas para nueve clases. Las predicciones de Dynamic World están disponibles para la colección Sentinel-2 L1C desde el 27 de junio de 2015 hasta el presente. La frecuencia de revisita de Sentinel-2 es de entre 2 y 5 días, según la latitud. Dynamic World …

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

2015-06-27T00:00:00Z/2026-10-24T12:02:19.744000Z

-90 -180 90 180

Google Earth Engine

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

Dynamic World V1 Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Descripción

Bandas

Propiedades de imágenes

Condiciones de Uso

Citas

DOI

Explora con Earth Engine

Editor de código (JavaScript)

Colab (Python)

Dynamic World V1