1. 准备工作
Dynamic World 是一个几乎实时更新的全球土地使用和土地覆盖 (LULC) 数据集。它可以提供 10 米的分辨率，因为它使用了欧洲空间局 (ESA) 和哥白尼计划的 Sentinel-2 卫星星座，该卫星星座每 2 到 5 天生成一张更新的全球地表照片。它通过深度学习模型、Vertex AI 和 Earth Engine（一个地理空间分析平台）生成。它可以帮助科学家、研究人员和开发者检测地表变化、绘制地表变化趋势图、量化地表差异。
Earth Engine 是一个工具，旨在推进关于行星进程的科学知识，以进一步保护环境并提高社会效益。它的商业用途（与 Google Cloud 搭配使用的预览版）表明其主要目的是了解和解决关键的可持续性发展和气候问题，例如森林砍伐、水资源管理和可持续的土地使用。
在此 Codelab 中，您将在生成机器学习派生数据集（例如 Dynamic World）时采用负责任的做法。
学习内容
- 如何在遥感应用中采用 Responsible AI 做法。
- 如何直观地解释基于空间和时间的 Dynamic World 预测结果。
- 如何反思道德影响和下游的社会影响。
所需条件
- 熟悉如何使用 Earth Engine 应用。
- Google Chrome（最适合与 Earth Engine 应用搭配使用）。
2. 打开 Dynamic World Earth Engine 应用
Dynamic World 数据集包含九个 LULC 类别的每像素预测结果，如下表所述。土地使用情况描述了人类使用土地的情况，而土地覆盖情况描述了地表上的物理物质。
LULC 类型 | 说明 |
水域 | 永久性和季节性水域 |
树木 | 主要森林和次要森林以及大型种植园 |
草地 | 天然草原、牧场和公园 |
大片植被 | 红树林和其他大片生态系统 |
农作物 | 中耕作物和水稻作物 |
灌木丛 | 由灌木丛构成的疏密不等的开放植被 |
建筑区域 | 低密度和高密度的建筑物、道路和城市开放空间 |
裸地 | 沙漠和外露的岩石 |
冰雪 | 永久性和季节性积雪 |
此数据集中的图片包含 10 个频段：9 个频段为 9 个 LULC 类别中的每一个类别提供估计概率；1 个类别标签频段指示具有最大估计概率的类别。借助这些不同的属性，用户可以进行多时分析，并根据自己的需求创建自定义产品。
如需打开 Dynamic World Earth Engine 应用，请执行以下操作：
- 在浏览器中打开另一个标签页。
- 前往 Dynamic World。
地图会以较高的缩放级别显示带有山体阴影的 Top1 模式拼接图。
- 点击地图可查看显示类别概率随时间变化的图表。
- 点击图表上的数据点可加载特定的预测结果及其 Sentinel-2 图片。
- 在 Layers（层）窗格中，调整层和可见性。
3. 探索巴西的 Dynamic World 预测结果
Dynamic World 包含全部 9 个 LULC 类别的预测结果，并会为每个像素显示一个 Top1 标签。现实世界是一个由任意空间分辨率的许多 LULC 类别组成的混合体。在本部分中，您将直观地解释基于空间和时间的预测结果。
如需探索巴西的 Dynamic World 预测结果，请执行以下操作：
- 在浏览器中，前往 Dynamic World EE 应用。
- 在 Search places（搜索地点）字段中，输入
Sete de Setembro, Brazil。
您应该会看到 Paiter Surui 人（居住在巴西朗多尼亚州的九月七日镇区域）的土著领地的 Dynamic World 计算数据。
- 在 Dynamic World 窗格的 Start date（开始日期）字段和 End date（结束日期）字段中，分别输入
2016-01-01和2022-01-01，然后点击 Update（更新）。
地图可能需要几分钟的时间才能加载完毕，因为它会实时计算。
- 点击地图上的任意位置可实时生成图表。
您可以进一步放大地图，以获得更快的响应速度。
- 查看类别概率位于 y 轴且时间位于 x 轴的图表。
在此示例中，2016 年 1 月 1 日至 2017 年 7 月 27 日期间的 Top1 类别预测结果是树木，其概率从 0.684 到 0.755 不等。到 2017 年 9 月 5 日捕获下一个 Sentinel-2 场景时，预测结果不再是树木，并且信号变得更嘈杂。
- 点击
可放大图表。
4. 恭喜
您了解了如何在生成机器学习派生的数据集（例如 Dynamic World）时采用 Responsible AI 原则。