এই ডেটাসেট প্রকাশক ক্যাটালগের অংশ এবং Google Earth Engine দ্বারা ম্যানেজ করা হয় না। Land & Carbon Lab-এর সাথে যোগাযোগ করুন সমস্যার জন্য অথবা গ্লোবাল প্যাশ্চার ওয়াচ ক্যাটালগ থেকে আরও ডেটাসেট দেখুন। প্রকাশকের ডেটাসেট সম্পর্কে আরও জানুন।
- ক্যাটালগের মালিক
- Global Pasture Watch
- ডেটাসেটের উপলভ্যতা
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- ডেটাসেট প্রোডিউসার
- Land and Carbon Lab Global Pasture Watch
- যোগাযোগ
- ল্যান্ড ও কার্বন ল্যাব
- ক্যাডেন্স
- ১ বছর
- ট্যাগ
বিবরণ
এই ডেটাসেট ১ কিমি স্পেশিয়াল রেজোলিউশনে ২০০০ থেকে ২০২২ সাল পর্যন্ত বিশ্বব্যাপী গবাদি পশুর সংখ্যা প্রদান করে। ল্যান্ড অ্যান্ড কার্বন ল্যাবের গ্লোবাল প্যাস্টর ওয়াচ উদ্যোগের মাধ্যমে তৈরি, বর্তমান ডেটাসেট FAOSTAT জাতীয় পরিসংখ্যানের সাথে অ্যাডজাস্ট করা গ্লোবাল হেডকাউন্ট সংক্রান্ত পূর্বাভাস প্রদান করে। এই ডেটাসেটটি সাবন্যাশনাল লাইভস্টক সেন্সাস ডেটার (১৪৭টি দেশ জুড়ে ৫৫,৩৩৬টি প্রশাসনিক ইউনিট থেকে হারমোনাইজ করা) সবচেয়ে বড় পরিচিত সংকলনের উপর ভিত্তি করে তৈরি করা হয়েছে এবং ১২৮টি পরিবেশগত, আর্থ-সামাজিক এবং নৃতাত্ত্বিক স্থানিক লেয়ার (ভূখণ্ডের উচ্চতা, MODIS ডেটা, শুষ্কতা সূচক, অ্যাক্সেসিবিলিটি মেট্রিক্স, ধর্মীয় জনসংখ্যার বন্টন ইত্যাদি সহ) ব্যবহার করে মেশিন লার্নিং (র্যান্ডম ফরেস্ট) এর মাধ্যমে মডেল করা হয়েছে। মডেলিংয়ের ক্ষেত্রগুলি পশুসম্পদ উৎপাদনের জন্য সম্ভাব্য জমির বার্ষিক স্তরে সীমাবদ্ধ ছিল, যা ২০০০ থেকে ২০২২ সাল পর্যন্ত ল্যান্ডস্যাট-ভিত্তিক ফসলি জমি এবং তৃণভূমির পরিমাণ থেকে প্রাপ্ত।
এই ডেটাসেটটি পরিবেশগত এবং কৃষি সংক্রান্ত অ্যাপ্লিকেশনগুলিকে (GHG নির্গমনের অনুমান পরিমার্জন করা, পুষ্টি চক্রের মডেলিং করা, মাটির কার্বন সিকোয়েস্ট্রেশনের হার অনুমান করা, জাতীয় পশুসম্পদ নীতি সম্পর্কে তথ্য প্রদান করা ইত্যাদি) সহায়তা করার জন্য ডিজাইন করা হয়েছে। চূড়ান্ত পূর্বাভাসগুলি একটি লিনিয়ার দেশ-ভিত্তিক স্কেলিং পদ্ধতি ব্যবহার করে অ্যাডজাস্ট করা হয়েছিল যাতে একত্রিত জাতীয় মোট FAOSTAT দ্বারা প্রদত্ত পরিসংখ্যানের সাথে মেলে। এই অ্যাডজাস্টমেন্ট FAOSTAT-এর সাথে জাতীয় মোট সংখ্যাকে সীমাবদ্ধ করে কিন্তু দেশের মধ্যে কোথায় গবাদি পশু রাখা হয়েছে তা যাচাই করে না; সাবন্যাশনাল অ্যালোকেশন মডেল করা হয়েছে এবং সেইভাবেই বিবেচনা করা উচিত। সাবন্যাশনাল অ্যাপ্লিকেশনের ক্ষেত্রে উচ্চ নির্ভুলতার প্রয়োজন হলে, ব্যবহারকারীদের FAOSTAT-অ্যাডজাস্ট করা অনুমানের উপর সম্পূর্ণ নির্ভর না করে জাতীয় এজেন্সি থেকে স্থানীয় ক্যালিব্রেশন ফ্যাক্টর প্রয়োগ করতে উৎসাহিত করা হয়।
৯৫% সম্ভাব্য পূর্বাভাসের ব্যবধানের ভ্যালু (গড় পূর্বাভাসের আশেপাশে নিম্ন ও উচ্চ সীমা; ২.৫তম ও ৯৭.৫তম পার্সেন্টাইল) এবং র ডেনসিটি ও হেডকাউন্ট পূর্বাভাসের অনুমান Zenodo-তে উপলভ্য:
- বার্ষিক গবাদি পশুর ঘনত্ব
- ছাগলের বার্ষিক ঘনত্ব
- ভেড়ার বার্ষিক ঘনত্ব
- বার্ষিক ঘোড়ার ঘনত্ব
- বার্ষিক বাফেলো ডেনসিটি
ডেটাসেটটি OpenLandMap STAC-এও উপলভ্য।
সীমাবদ্ধতা:
১ কিমি বরাদ্দ মডেল করা হয়েছে, গবাদি পশুর লোকেশন পর্যবেক্ষণ করা হয়নি: পিক্সেলগুলি গবাদি পশু উৎপাদনের জন্য সম্ভাব্য জমির বার্ষিক লেয়ার জুড়ে সাবন্যাশনাল সেন্সাস গণনার একটি পরিসংখ্যানগত পুনর্বন্টন উপস্থাপন করে; তারা পর্যবেক্ষণ করা পশুপাল বা খামার চিহ্নিত করে না। পলিগন-মিন কোভেরিয়েট ব্যবহার করে হেল্ড-আউট সেন্সাস পলিগনে মডেলের নির্ভুলতা মূল্যায়ন করা হয়েছে। যেহেতু গড় আদমশুমারি ইউনিট হল ~২,৯০০ কিমি² (SD ~২১,৫০০), তাই এই মেট্রিকগুলি প্রশাসনিক-ইউনিট লেভেলে চুক্তি বর্ণনা করে এবং ১ কিমি বিবরণের নির্ভুলতা চিহ্নিত করে না। ফাইন-স্কেল প্যাটার্নকে সম্ভাব্য ডিসঅ্যাগ্রিগেশন হিসেবে বিবেচনা করুন, স্বাধীনভাবে যাচাই করা ১ কিমি অনুমান হিসেবে নয়।
FAOSTAT-এর সামঞ্জস্যতা স্থানীয় নির্ভুলতা নয়: দেশ-ভিত্তিক রিস্কেল করার মাধ্যমে এটি নিশ্চিত করা হয় যে জাতীয় মোট সংখ্যা FAOSTAT-এর সাথে মিলছে; এটি কোনও দেশের মধ্যে কোথায় পশুদের রাখা হয়েছে তা সীমাবদ্ধ বা যাচাই করে না। তাই, জাতীয় মোট সংখ্যা সঠিক হলেও সাবন্যাশনাল বরাদ্দ অনিশ্চিত থেকে যায়।
জাতীয় সীমানায় অসামঞ্জস্য: প্রতিটি দেশের জন্য আলাদাভাবে FAOSTAT জাতীয় মোট সংখ্যার সাথে সামঞ্জস্য রেখে হেডকাউন্ট রিস্কেল করা হয় বলে আন্তর্জাতিক সীমানা জুড়ে আকস্মিক পরিবর্তন দেখা যেতে পারে — যেমন মঙ্গোলিয়া এবং তার প্রতিবেশী দেশগুলির মধ্যে, যেখানে রিপোর্ট করা জাতীয় মোট সংখ্যায় অনেক পার্থক্য রয়েছে। এগুলি হল অ্যাডজাস্টমেন্টের আর্টিফ্যাক্ট, আসল ডেনসিটি গ্রেডিয়েন্ট নয়।
অনিয়মিত ও অসম্পূর্ণ আদমশুমারি ডেটা: গবাদি পশুর আদমশুমারি ডেটা প্রায়শই অনিয়মিত, অসম্পূর্ণ হয় এবং আদমশুমারির সীমানা জুড়ে পশুদের চলাচল বা খামারের মালিকানা পরিবর্তনের কারণে ডাবল-কাউন্টিংয়ের ফলে বেশি অনুমান করা হতে পারে। এছাড়াও, স্থানিক উপলভ্যতা ব্যাপকভাবে পরিবর্তিত হয়; অনেক উন্নয়নশীল দেশ শুধুমাত্র স্থূল প্রশাসনিক স্কেলে (রাজ্য/কাউন্টি লেভেলে) ডেটা প্রদান করে, যার ফলে নথিভুক্ত না থাকা গবাদি পশুর সংখ্যা কম করে দেখানো হতে পারে।
ইনপুট স্কেল ও অবাস্তব ঘনত্বের মধ্যে অমিল: প্রশাসনিক হেডকাউন্ট অনুমানের সাথে পশুসম্পদ উৎপাদনের জন্য সম্ভাব্য জমির বার্ষিক লেয়ার একত্রিত করে পশুসম্পদের ঘনত্ব নির্ধারণ করা হয়। যেসব অঞ্চলে ভূমিহীন গবাদি পশু পালন সিস্টেম বা ফিডলট বেশি, সেখানে গবাদি পশুর সংখ্যা ম্যাপ করা সম্ভাব্য জমির সাথে নাও মিলতে পারে, যার ফলে অবাস্তবভাবে উচ্চ ঘনত্বের মান (স্থানীয়ভাবে ২,৫০০ গবাদি পশু কিমি⁻² ছাড়িয়ে যায়) দেখা যায়।
পশুচারণের জন্য উপযুক্ত জমির সমান বণ্টন: পশুচারণের জন্য উপযুক্ত জমি সংক্রান্ত ইন্টারমিডিয়েট লেয়ারটি মডেল করা সব পশুচারণের জন্য উপযুক্ত জমির ক্ষেত্রে ইনপুট হিসেবে সমানভাবে প্রয়োগ করা হয়। বর্তমান মডেলটি বিভিন্ন পশুসম্পদ ম্যানেজমেন্ট সিস্টেমের (দুগ্ধজাত বনাম গরু-বাছুর বনাম ফিনিশিং সিস্টেম) জটিলতা বা নির্দিষ্ট প্রজাতি-নির্দিষ্ট আচরণ, যেমন ছাগল প্রাথমিকভাবে ব্রাউজার হিসেবে কাজ করে, তা বিবেচনা করে না।
অত্যধিক ঘনত্বযুক্ত এলাকার কম অনুমান এবং পূর্বাভাসের নির্ভরযোগ্য ব্যবধান: বেছে নেওয়া মেশিন লার্নিং মডেলগুলি খুব বেশি গবাদি পশুর ঘনত্ব সহ এলাকাগুলির পূর্বাভাস দিতে সমস্যায় পড়ে, সম্ভবত তীব্র গবাদি পশুর হটস্পটগুলিকে কম অনুমান করে। পূর্বাভাস ইন্টারভ্যাল, নামমাত্র ৯৫% লেভেলের তুলনায় অনেক কম এবং প্রকৃত অনিশ্চয়তাকে কম করে দেখায়। যদিও ৯৫% ইন্টারভ্যাল হিসেবে লেবেল করা হয়েছে, প্রেডিকশন ইন্টারভ্যাল কভারেজ প্রোবাবিলিটি (PICP) ৩০-৪৫% হিসেবে পাওয়া গেছে, যার অর্থ হল, বাদ দেওয়া সেন্সাস-পলিগন পর্যবেক্ষণ প্রেডিকশন ইন্টারভ্যালের মধ্যে শুধুমাত্র ৩০-৪৫% সময় পড়েছে। এইসব ইন্টারভ্যালকে ঝুঁকির থ্রেশহোল্ড, অতিক্রম করার সম্ভাবনা বা ডাউনস্ট্রিম ত্রুটি প্রচারের জন্য সম্ভাব্য সীমা হিসেবে ব্যবহার করা উচিত নয়, যদি না স্বাধীনভাবে রিক্যালিব্রেট করা হয়।
টেম্পোরাল কভারেজ বনাম যাচাই করা ডাইনামিক্স: লেয়ারগুলি ২০০০–২০২২ পর্যন্ত বার্ষিক স্প্যান করে, তবে কোনও টেম্পোরাল হোল্ড-আউট যাচাইকরণ নেই। আন্তঃ-বার্ষিক সিগন্যালের বেশিরভাগই FAOSTAT-এর জাতীয় মোট এবং বার্ষিক পরিবর্তনশীল ল্যান্ড-কভার ইনপুট থেকে পাওয়া যায়, যেখানে প্রতি-পিক্সেল ঘনত্ব মডেল মূলত স্ট্যাটিক এবং দীর্ঘমেয়াদী কোভেরিয়েটের উপর নির্ভর করে; কিছু আর্থ-সামাজিক ইনপুট স্থির রাখা হয় এবং পরবর্তী সময়ে ব্যবহার করা হয় (যেমন, ২০১৫ পর্যন্ত HDI, ~২০২০ পর্যন্ত নাইটটাইম লাইট)। স্বল্প-মেয়াদী (বছরের পর বছর) পরিবর্তন সতর্কতার সাথে ব্যাখ্যা করুন।
ইন্টারাপ্টেড গুড হোমোলসিন প্রোজেকশন সংক্রান্ত সতর্কতা: সঠিক স্পেশিয়াল অ্যালাইনমেন্ট নিশ্চিত করতে এবং বিকৃতি কমাতে, সমস্ত মডেলিং একটি সমান-ক্ষেত্র সমন্বয় সিস্টেমে পরিচালিত হয়েছিল, বিশেষ করে ইন্টারাপ্টেড গুড হোমোলসিন প্রোজেকশন (Zenodo-এর সমস্ত লেয়ারের জন্য ব্যবহৃত)। GEE ইনজেশনের আগে, ডেটাসেটটি EPSG:4326 কোঅর্ডিনেট সিস্টেমে কনভার্ট করা হয়েছিল। যেহেতু আসল হেডকাউন্ট ডেটা প্রতি ১ বর্গ কিমি-তে অ্যাবসোলিউট ভ্যালু দেখায়, তাই প্রোজেকশন-ইন্ডিউসড ডিস্টরশন (Github দেখুন) ঠিক করার জন্য স্পেশিয়াল রিডিস্ট্রিবিউশন অ্যাপ্রোচ ব্যবহার করা হয়েছে। এই অ্যাডজাস্টমেন্ট FAOSTAT পরিসংখ্যানের সাথে সামঞ্জস্যের জন্য মোট জাতীয় মান সংরক্ষণ করে, যদিও এটি দেশের সীমানার মধ্যে হেডকাউন্টের স্থানীয় বরাদ্দকে কিছুটা পরিবর্তন করতে পারে।
আরও তথ্যের জন্য Parente et. al, 2026, Zenodo এবং Global Pasture Watch GitHub সাইট দেখুন
ব্যান্ড
ব্যান্ড
পিক্সেল সাইজ: ১০০০ মিটার (সব ব্যান্ড)
| নাম | ন্যূনতম | সর্বাধিক | পিক্সেলের সাইজ | বিবরণ |
|---|---|---|---|---|
cattle |
০* | ১৬০* | ১০০০ মিটার | প্রতি বর্গকিমি-তে গবাদি পশু উৎপাদনের জন্য উপলভ্য জমি বিবেচনা করে গবাদি পশুর সংখ্যা |
buffalo |
০* | ১৬০* | ১০০০ মিটার | প্রতি বর্গ কিমি পশুসম্পদ উৎপাদনের জন্য উপলভ্য জমি বিবেচনা করে মহিষের সংখ্যা |
horse |
০* | ১০* | ১০০০ মিটার | প্রতি বর্গ কিমি-এ পশুসম্পদ উৎপাদনের জন্য উপলভ্য জমি বিবেচনা করে ঘোড়ার সংখ্যা |
goat |
০* | ১৬০* | ১০০০ মিটার | প্রতি বর্গকিমি-তে পশুসম্পদ উৎপাদনের জন্য উপলভ্য জমি বিবেচনা করে ছাগলের সংখ্যা গণনা করা |
sheep |
০* | ১৬০* | ১০০০ মিটার | প্রতি বর্গ কিমি প্রতিপালিত পশু উৎপাদনের জন্য উপলভ্য জমি বিবেচনা করে ভেড়ার সংখ্যা গণনা করা |
ছবির প্রপার্টি
ছবির প্রপার্টি
| নাম | ধরন | বিবরণ |
|---|---|---|
| ভার্সন | INT | প্রোডাক্ট ভার্সন |
ব্যবহারের শর্তাদি
ব্যবহারের শর্তাবলী
উদ্ধৃতি
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch - ১ কিমি ২০০০–২০২২ (FAOSTAT-অ্যাডজাস্ট করা) (ভার্সন v1) [ডেটা সেট] অনুযায়ী গবাদি পশু, ছাগল, ভেড়া, ঘোড়া ও মহিষের বার্ষিক গবাদি পশু হেডকাউন্ট লেয়ার। Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). সাবন্যাশনাল জনগণনার ডেটা এবং স্পেশিওটেম্পোরাল মেশিন লার্নিংয়ের উপর ভিত্তি করে ২০০০–২০২২ সালের জন্য ১ কিমি রেজোলিউশনে গবাদি পশু, ঘোড়া, ছাগল, ভেড়া এবং মহিষের বিশ্বব্যাপী বন্টন। PeerJ. doi: 10.7717/peerj.21494
DOI
Earth Engine-এর সাহায্যে এক্সপ্লোর করুন
কোড এডিটর (জাভাস্ক্রিপ্ট)
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)');