مجموعة البيانات هذه جزء من "كتالوج الناشرين" ولا تديرها منصة Google Earth Engine. يُرجى التواصل مع Land & Carbon Lab للإبلاغ عن الأخطاء أو الاطّلاع على المزيد من مجموعات البيانات من "كتالوج Global Pasture Watch". مزيد من المعلومات عن مجموعات بيانات الناشرين.
- مالك الكتالوج
- Global Pasture Watch
- توفُّر مجموعة البيانات
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- الجهة المنتِجة لمجموعة البيانات
- Land and Carbon Lab Global Pasture Watch
- معلومات الاتصال
- Land &Carbon Lab
- وتيرة تحديث البيانات
- سنة واحدة
- العلامات
الوصف
توفّر مجموعة البيانات هذه عدد الماشية على مستوى العالم من عام 2000 إلى عام 2022 بدقة مكانية تبلغ 1 كيلومترًا. توفّر مجموعة البيانات الحالية، التي تم إنتاجها من خلال مبادرة Global Pasture Watch التابعة لمختبر Land &Carbon Lab، تنبؤات بأعداد الماشية على مستوى العالم تم تعديلها لتتطابق مع الإحصاءات الوطنية في FAOSTAT. تستند مجموعة البيانات إلى أكبر مجموعة معروفة من بيانات تعداد الماشية على المستوى دون الوطني (تمت مواءمتها من 55,336 وحدة إدارية في 147 بلدًا)، وتمت محاكاتها باستخدام تعلُّم الآلة (Random Forest)، وذلك باستخدام 128 طبقة مكانية بيئية واجتماعية واقتصادية وبشرية (بما في ذلك ارتفاع التضاريس وبيانات MODIS ومؤشر الجفاف ومقاييس إمكانية الوصول وتوزيع السكان الديني وما إلى ذلك). تم حصر مناطق المحاكاة في الطبقة السنوية من الأراضي المحتملة لإنتاج الماشية، والمستمدة من مساحات الأراضي الزراعية والمراعي المستندة إلى Landsat من عام 2000 إلى عام 2022.
تم تصميم مجموعة البيانات لدعم التطبيقات البيئية والزراعية (تحسين تقديرات انبعاثات الغازات الدفيئة، ومحاكاة دورات المغذيات، وتقدير معدلات عزل الكربون في التربة، وتوجيه السياسات الوطنية المتعلقة بالماشية، وما إلى ذلك). تم تعديل التنبؤات النهائية باستخدام منهجية توسيع نطاق خطي على مستوى البلدان، بحيث تتطابق الإجماليات الوطنية المجمّعة مع الإحصاءات التي يقدّمها FAOSTAT. يقيّد هذا التعديل الإجماليات الوطنية في FAOSTAT، ولكنه لا يتحقّق من أماكن وجود الماشية داخل البلد، ويتم وضع نموذج للتوزيع على المستوى دون الوطني ويجب التعامل معه على هذا الأساس. بالنسبة إلى التطبيقات على المستوى دون الوطني التي تتطلب دقة عالية، ننصح المستخدمين بتطبيق عوامل المعايرة المحلية من الوكالات الوطنية بدلاً من الاعتماد بالكامل على التقديرات المعدّلة في FAOSTAT.
تتوفّر في Zenodo تقديرات قيم فاصل التنبؤ باحتمالية% 95 (الحدّان الأدنى والأعلى حول التنبؤات المتوسطة، والنسبتان المئويتان 2.5 و97.5) والتنبؤات بالكثافة والأعداد الأولية:
- كثافات الماشية السنوية
- كثافات الماعز السنوية
- كثافات الأغنام السنوية
- كثافات الخيول السنوية
- كثافات الجاموس السنوية
تتوفّر مجموعة البيانات أيضًا في OpenLandMap STAC.
القيود:
توزيع على مستوى 1 كيلومتر تم وضعه باستخدام نموذج، وليس مواقع الماشية التي تم رصدها: تمثّل وحدات البكسل إعادة توزيع إحصائية لأعداد التعداد على المستوى دون الوطني على مستوى طبقة سنوية من الأراضي المحتملة لإنتاج الماشية، ولا تحدّد هذه الوحدات قطعان الماشية أو المزارع التي تم رصدها. تم تقييم دقة النموذج على أشكال تعداد محجوبة باستخدام متغيرات مصاحبة متوسطة على مستوى الشكل. بما أنّ متوسط وحدة التعداد يبلغ حوالي 2,900 كيلومتر مربع (الانحراف المعياري ~21,500)، تصف هذه المقاييس التطابق على مستوى الوحدة الإدارية ولا تحدّد دقة التفاصيل على مستوى 1 كيلومتر. يجب التعامل مع النمط الدقيق على أنّه تفكيك معقول، وليس تقديرًا تم التحقّق منه بشكل مستقل على مستوى 1 كيلومتر.
التطابق مع FAOSTAT لا يعني الدقة المحلية: يضمن إعادة التوسيع على مستوى البلدان تطابق الإجماليات الوطنية مع FAOSTAT حسب التصميم، ولا يقيّد أو يتحقّق من أماكن وجود الحيوانات داخل البلد. وبالتالي، يمكن أن تكون الإجماليات الوطنية صحيحة بينما يظل التوزيع على المستوى دون الوطني غير مؤكد.
حالات عدم استمرارية على الحدود الوطنية: بما أنّه يتم إعادة توسيع نطاق أعداد الماشية لتتطابق مع الإجماليات الوطنية في FAOSTAT بشكل منفصل لكل بلد، يمكن أن تظهر تغييرات مفاجئة على الحدود الدولية، مثلاً بين منغوليا والدول المجاورة، حيث تختلف الإجماليات الوطنية المُبلَغ عنها اختلافًا كبيرًا. هذه التغييرات هي ناتجة عن التعديل، وليست تدرجات حقيقية في الكثافة.
بيانات التعداد غير المنتظمة وغير الكاملة: غالبًا ما تكون بيانات تعداد الماشية غير منتظمة وغير كاملة، ويمكن أن تكون مبالغًا فيها بسبب الازدواجية في العد الناجمة عن تنقّل الحيوانات عبر حدود التعداد أو التغييرات في ملكية المزرعة. علاوةً على ذلك، يختلف التوفّر المكاني اختلافًا كبيرًا، ولا يقدّم العديد من البلدان النامية البيانات إلا على نطاقات إدارية واسعة (على مستوى الولاية أو المقاطعة)، ما قد يؤدي إلى نقص منهجي في تقدير أعداد الماشية غير المسجّلة.
مقاييس الإدخال غير المتطابقة والكثافات غير الواقعية: يتم اشتقاق كثافات الماشية من خلال الجمع بين تقديرات أعداد الماشية على المستوى الإداري والطبقة السنوية من الأراضي المحتملة لإنتاج الماشية. في المناطق التي تهيمن عليها أنظمة الماشية التي لا تملك أراضي أو أنظمة التسمين، قد لا يتطابق العدد الكبير من الماشية مع الأراضي المحتملة المحدّدة على الخريطة، ما يؤدي إلى قيم كثافة عالية بشكل غير واقعي (تتجاوز محليًا 2,500 رأس من الماشية لكل كيلومتر مربع).
توزيع موحّد على مستوى أنواع الماشية: يتم تطبيق الطبقة الوسيطة التي تمثّل الأراضي المحتملة لإنتاج الماشية بشكل موحّد كإدخال لجميع أنواع الماشية التي تم وضع نموذج لها. لا يأخذ النموذج الحالي في الاعتبار تعقيدات أنظمة إدارة الماشية المختلفة (الألبان مقابل الأبقار والعجول مقابل أنظمة التسمين) أو السلوكيات المميّزة لأنواع معيّنة، مثل الماعز الذي يتغذى بشكل أساسي على أوراق الشجر.
نقص تقدير المناطق ذات الكثافة العالية وفواصل التنبؤ غير الموثوق بها: تواجه نماذج تعلُّم الآلة المحدّدة صعوبة في التنبؤ بالمناطق ذات الكثافة العالية جدًا من الماشية، ما يؤدي على الأرجح إلى نقص تقدير المناطق الساخنة التي تضم أعدادًا كبيرة من الماشية. تكون فواصل التنبؤ أضيق بكثير مما تشير إليه مستوياتها الاسمية البالغة% 95، وتُقلّل من شأن عدم اليقين الحقيقي. على الرغم من أنّها مصنّفة على أنّها فواصل بنسبة %95، تبيّن أنّ احتمالية تغطية فاصل التنبؤ (PICP) تتراوح بين %30 و%45، ما يعني أنّ الملاحظات المحجوبة لأشكال تعداد الماشية تقع داخل فواصل التنبؤ بنسبة %30 إلى %45 فقط من الوقت. يجب عدم استخدام هذه الفواصل كحدود احتمالية لعتبات المخاطر أو احتمالات التجاوز أو انتشار الأخطاء اللاحقة بدون إعادة معايرة مستقلة.
التغطية الزمنية مقابل الديناميكيات التي تم التحقّق منها: تمتد الطبقات من عام 2000 إلى عام 2022 سنويًا، ولكن ما مِن عملية تحقّق من صحة البيانات المحجوبة زمنيًا. يستمد جزء كبير من الإشارة بين السنوات من الإجماليات الوطنية في FAOSTAT والمدخلات المتغيّرة سنويًا للغطاء الأرضي، بينما يعتمد نموذج الكثافة لكل بكسل بشكل كبير على المتغيرات المصاحبة الثابتة والطويلة الأجل، ويتم إبقاء بعض المدخلات الاجتماعية والاقتصادية ثابتة ونقلها إلى الأمام (مثل مؤشر التنمية البشرية حتى عام 2015، والأضواء الليلية حتى عام 2020 تقريبًا). يجب تفسير التغيير القصير الأجل (من سنة إلى أخرى) بحذر.
التحذيرات بشأن إسقاط Goode Homolosine المتقطّع: لضمان المحاذاة المكانية الدقيقة وتقليل التشوهات، تم إجراء جميع عمليات المحاكاة في نظام إحداثيات متساوي المساحة، وتحديدًا إسقاط Goode Homolosine المتقطّع (المستخدَم لجميع الطبقات في Zenodo). قبل إدخال مجموعة البيانات في Earth Engine، تم تحويلها إلى نظام الإحداثيات EPSG:4326. بما أنّ بيانات أعداد الماشية الأصلية تمثّل قيمًا مطلقة لكل كيلومتر مربع، تم استخدام منهجية إعادة توزيع مكانية لتصحيح التشوهات الناتجة عن الإسقاط (راجِع Github). يحافظ هذا التعديل على الإجماليات الوطنية لضمان الاتساق مع إحصاءات FAOSTAT، على الرغم من أنّه قد يؤدي إلى تغيير طفيف في التوزيع المحلي لأعداد الماشية داخل حدود البلد.
لمزيد من المعلومات، يُرجى الاطّلاع على Parente et. al, 2026، Zenodo وموقع Global Pasture Watch على GitHub
النطاقات
النطاقات
حجم البكسل: 1000 متر (جميع النطاقات)
| الاسم | الحد الأدنى | الشحن بأقصى سرعة | حجم البكسل | الوصف |
|---|---|---|---|---|
cattle |
0* | 160* | 1000 meters | عدد الماشية مع الأخذ في الاعتبار الأراضي المتاحة لإنتاج الماشية لكل كيلومتر مربع |
buffalo |
0* | 160* | 1000 meters | عدد الجاموس مع الأخذ في الاعتبار الأراضي المتاحة لإنتاج الماشية لكل كيلومتر مربع |
horse |
0* | 10* | 1000 meters | عدد الخيول مع الأخذ في الاعتبار الأراضي المتاحة لإنتاج الماشية لكل كيلومتر مربع |
goat |
0* | 160* | 1000 meters | عدد الماعز مع الأخذ في الاعتبار الأراضي المتاحة لإنتاج الماشية لكل كيلومتر مربع |
sheep |
0* | 160* | 1000 meters | عدد الأغنام مع الأخذ في الاعتبار الأراضي المتاحة لإنتاج الماشية لكل كيلومتر مربع |
خصائص الصور
خصائص الصور
| الاسم | النوع | الوصف |
|---|---|---|
| إصدار | INT | إصدار المنتج |
بنود الاستخدام
بنود الاستخدام
الاقتباسات
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch - Annual livestock headcount layers for livestock, goats, sheep, horses, and buffaloes at 1-km 2000–2022 (FAOSTAT-adjusted) (Version v1) [Data set]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global distribution of livestock, horses, goats, sheep and buffaloes at 1 km resolution for 2000–2022 based on subnational census data and spatiotemporal machine learning. PeerJ. doi: 10.7717/peerj.21494
معرِّفات العناصر الرقمية (DOI)
الاستكشاف باستخدام Earth Engine
أداة تعديل الرموز (JavaScript)
Map.setCenter(0, 0, 3); var sld160 = '<RasterSymbolizer>' + ' <ColorMap type="ramp">' + ' <ColorMapEntry color="#a9a9a9" quantity="0" label="0"/>' + ' <ColorMapEntry color="#ffffd4" quantity="1" label="1"/>' + ' <ColorMapEntry color="#ffe5a3" quantity="12" label="12"/>' + ' <ColorMapEntry color="#fec168" quantity="24" label="24"/>' + ' <ColorMapEntry color="#fe9828" quantity="48" label="48"/>' + ' <ColorMapEntry color="#f1851f" quantity="64" label="64"/>' + ' <ColorMapEntry color="#e57116" quantity="72" label="72"/>' + ' <ColorMapEntry color="#d95f0d" quantity="84" label="84"/>' + ' <ColorMapEntry color="#ce570c" quantity="96" label="96"/>' + ' <ColorMapEntry color="#c4500a" quantity="112" label="112"/>' + ' <ColorMapEntry color="#b94909" quantity="124" label="124"/>' + ' <ColorMapEntry color="#ae4207" quantity="136" label="136"/>' + ' <ColorMapEntry color="#a43b05" quantity="148" label="148"/>' + ' <ColorMapEntry color="#993404" quantity="160" label="160"/>' + ' </ColorMap>' + '</RasterSymbolizer>' var sld10 = '<RasterSymbolizer>' + ' <ColorMap type="ramp">' + ' <ColorMapEntry color="#a9a9a9" quantity="0" label="0"/>' + ' <ColorMapEntry color="#ffffd4" quantity="1" label="1"/>' + ' <ColorMapEntry color="#ffefb5" quantity="2" label="2"/>' + ' <ColorMapEntry color="#ffde96" quantity="3" label="2"/>' + ' <ColorMapEntry color="#fec46c" quantity="4" label="4"/>' + ' <ColorMapEntry color="#fea73f" quantity="5" label="5"/>' + ' <ColorMapEntry color="#f68c23" quantity="6" label="6"/>' + ' <ColorMapEntry color="#e67217" quantity="7" label="7"/>' + ' <ColorMapEntry color="#d25a0c" quantity="8" label="8"/>' + ' <ColorMapEntry color="#b64708" quantity="9" label="9"/>' + ' <ColorMapEntry color="#993404" quantity="10" label="10"/>' + ' </ColorMap>' + '</RasterSymbolizer>' var gld = ee.ImageCollection( "projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m" ) var gld_2000 = gld.filterDate('2000-01-01', '2001-01-01').first(); var gld_2022 = gld.filterDate('2022-01-01', '2023-01-01').first(); Map.addLayer(gld_2000.select('buffalo').sldStyle(sld160), {}, 'Buffalo headcount (2000)', false); Map.addLayer(gld_2022.select('buffalo').sldStyle(sld160), {}, 'Buffalo headcount (2022)'); Map.addLayer(gld_2000.select('horse').sldStyle(sld10), {}, 'Horse headcount (2000)', false); Map.addLayer(gld_2022.select('horse').sldStyle(sld10), {}, 'Horse headcount (2022)'); Map.addLayer(gld_2000.select('goat').sldStyle(sld160), {}, 'Goat headcount (2000)', false); Map.addLayer(gld_2022.select('goat').sldStyle(sld160), {}, 'Goat headcount (2022)'); Map.addLayer(gld_2000.select('sheep').sldStyle(sld160), {}, 'Sheep headcount (2000)', false); Map.addLayer(gld_2022.select('sheep').sldStyle(sld160), {}, 'Sheep headcount (2022)'); Map.addLayer(gld_2000.select('cattle').sldStyle(sld160), {}, 'Cattle headcount (2000)', false); Map.addLayer(gld_2022.select('cattle').sldStyle(sld160), {}, 'Cattle headcount (2022)');