说明
Dynamic World 是一个分辨率为 10 米的近实时 (NRT) 土地利用/土地覆盖 (LULC) 数据集，其中包含九个类别的类别概率和标签信息。
Dynamic World 预测结果适用于 2015 年 6 月 27 日至今的 Sentinel-2 L1C 集合。Sentinel-2 的重访频率为 2-5 天，具体取决于纬度。Dynamic World 预测结果是针对 CLOUDY_PIXEL_PERCENTAGE <= 35% 的 Sentinel-2 L1C 影像生成的。通过结合使用 S2 云概率、云位移指数和方向距离转换，对预测结果进行遮盖以去除云和云阴影。
“动态世界”集合中的图片具有与从中派生的各个 Sentinel-2 L1C 素材资源名称相匹配的名称，例如：
ee.Image('COPERNICUS/S2/20160711T084022_20160711T084751_T35PKT')
具有匹配的 Dynamic World 影像，名为： ee.Image('GOOGLE/DYNAMICWORLD/V1/20160711T084022_20160711T084751_T35PKT')。
除“标签”频段之外的所有概率频段的总和为 1。
如需详细了解 Dynamic World 数据集，并查看有关生成合成影像、计算区域统计信息和处理时间序列的示例，请参阅 Dynamic World 简介系列教程。
鉴于 Dynamic World 类估计值是使用来自小移动窗口的空间背景信息从单张图片中得出的，因此，对于部分由随时间变化的覆盖率定义的预测地表覆盖类型（例如农作物），在没有明显的区分特征的情况下，排名第一的“概率”可能会相对较低。干旱气候、沙子、阳光反射等高反射率表面也可能会出现这种现象。
为了仅选择有把握属于动态世界类的像素，建议通过对前 1 名预测的估计“概率”进行阈值处理来遮盖动态世界输出。
频段
像元大小
10 米
波段
| 名称 | 最小值 | 最大值 | 像素尺寸 | 说明 |
|---|---|---|---|---|
water |
0 | 1 | 米 | 被水完全覆盖的估计概率 |
trees |
0 | 1 | 米 | 树木完全覆盖的估计概率 |
grass |
0 | 1 | 米 | 草完全覆盖的估计概率 |
flooded_vegetation |
0 | 1 | 米 | 被淹没植被完全覆盖的估计概率 |
crops |
0 | 1 | 米 | 通过裁剪实现完整覆盖的估计概率 |
shrub_and_scrub |
0 | 1 | 米 | 灌木和矮树丛完全覆盖的估计概率 |
built |
0 | 1 | 米 | 通过内置功能实现全面覆盖的估计概率 |
bare |
0 | 1 | 米 | 通过裸覆盖实现完全覆盖的估计概率 |
snow_and_ice |
0 | 1 | 米 | 积雪和结冰完全覆盖的估计概率 |
label |
0 | 8 | 米 | 具有最高估计概率的频段的指数 |
标签类表
| 值 | 颜色 | 说明 |
|---|---|---|
| 0 | #419bdf | 水 |
| 1 | #397d49 | 树 |
| 2 | #88b053 | 草 |
| 3 | #7a87c6 | flooded_vegetation |
| 4 | #e49635 | 农作物 |
| 5 | #dfc35a | shrub_and_scrub |
| 6 | #c4281b | 内置 |
| 7 | #a59b8f | 裸 |
| 8 | #b39fe1 | snow_and_ice |
图片属性
图像属性
| 名称 | 类型 | 说明 |
|---|---|---|
| dynamicworld_algorithm_version | STRING | 用于唯一标识生成相应图片的 Dynamic World 模型和推理流程的版本字符串。 |
| qa_algorithm_version | STRING | 唯一标识用于生成相应影像的云遮盖流程的版本字符串。 |
使用条款
使用条款
此数据集已获得 CC-BY 4.0 许可，并且需要提供以下提供方信息：“此数据集由 Google 与美国国家地理学会和世界资源研究所合作，为 Dynamic World 项目制作。”
包含经过修改的 [2015 年至今]“哥白尼哨兵”数据。 请参阅 Sentinel 数据法律声明。
引用
Brown, C.F.，Brumby, S.P.、Guzder-Williams, B. 等人。Dynamic World，近乎实时的全球 10 米土地使用和土地覆盖地图。Sci Data 9, 251 (2022). doi:10.1038/s41597-022-01307-4
DOI
通过 Earth Engine 探索
代码编辑器 (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');
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