Dieses Dataset ist Teil eines Publisher-Katalogs und wird nicht von Google Earth Engine verwaltet. Wenden Sie sich bei Fehlern an das Land & Carbon Lab oder sehen Sie sich weitere Datasets aus dem Global Pasture Watch-Katalog an. Hier finden Sie weitere Informationen zu Publisher-Datasets.
- Kataloginhaber
- Global Pasture Watch
- Verfügbarkeit des Datasets
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Ersteller des Datasets
- Land and Carbon Lab Global Pasture Watch
- Kontakt
- Land &Carbon Lab
- Intervall
- 1 Jahr
- Tags
Beschreibung
Dieses Dataset enthält die globale Anzahl von Nutztieren für den Zeitraum 2000 bis 2022 mit einer räumlichen Auflösung von 1 km. Das aktuelle Dataset wurde von der Initiative „Global Pasture Watch“ des Land &Carbon Lab erstellt und enthält globale Schätzungen der Anzahl von Nutztieren, die an die nationalen Statistiken von FAOSTAT angepasst wurden. Das Dataset basiert auf der größten bekannten Zusammenstellung von Daten aus Volkszählungen auf subnationaler Ebene (harmonisiert aus 55.336 Verwaltungseinheiten in 147 Ländern) und wurde mithilfe von Machine Learning (Random Forest) modelliert. Dabei wurden 128 räumliche Ebenen zu Umwelt, Sozioökonomie und Anthropologie verwendet, darunter Geländehöhe, MODIS-Daten, Ariditätsindex, Zugänglichkeitsmesswerte und die Verteilung der religiösen Bevölkerung. Die Modellierungsbereiche wurden auf die jährliche Ebene des potenziellen Landes für die Nutztierproduktion beschränkt, die aus den auf Landsat-Daten basierenden Anbauflächen und Graslandflächen von 2000 bis 2022 abgeleitet wurde.
Das Dataset wurde entwickelt, um Umwelt- und Landwirtschaftsanwendungen zu unterstützen, z. B. zur Verfeinerung von Schätzungen der Treibhausgasemissionen, zur Modellierung von Nährstoffkreisläufen und zur Schätzung der Raten der Kohlenstoffbindung im Boden sowie zur Information über nationale Nutztierrichtlinien. Die endgültigen Vorhersagen wurden mit einem linearen länderbezogenen Skalierungsansatz angepasst, sodass die aggregierten nationalen Gesamtzahlen mit den von FAOSTAT bereitgestellten Statistiken übereinstimmen. Durch diese Anpassung werden die nationalen Gesamtzahlen auf FAOSTAT beschränkt, es wird jedoch nicht validiert, wo sich die Nutztiere innerhalb eines Landes befinden. Die subnationale Zuweisung wird modelliert und sollte entsprechend behandelt werden. Für subnationale Anwendungen, die eine hohe Genauigkeit erfordern, sollten Nutzer lokale Kalibrierungsfaktoren von nationalen Behörden anwenden, anstatt sich ausschließlich auf die an FAOSTAT angepassten Schätzungen zu verlassen.
Schätzungen der Werte für das 95% ige Vorhersageintervall (untere und obere Grenzen um die Mittelwertvorhersagen; 2,5.und 97,5.Perzentil) sowie Rohdichten und Vorhersagen zur Anzahl der Nutztiere sind in Zenodo verfügbar:
- Jährliche Rinderdichten
- Jährliche Ziegendichten
- Jährliche Schafsdichten
- Jährliche Pferdedichten
- Jährliche Büffeldichten
Das Dataset ist auch in OpenLandMap STAC verfügbar.
Beschränkungen :
Modellierte 1-km-Zuweisung, keine beobachteten Standorte von Nutztieren: Die Pixel stellen eine statistische Umverteilung von groben subnationalen Zählungen aus Volkszählungen auf die jährliche Ebene des potenziellen Landes für die Nutztierproduktion dar. Sie markieren keine beobachteten Herden oder Betriebe. Die Modellgenauigkeit wurde anhand von zurückgehaltenen Polygonen aus Volkszählungen mit Polygon-Mittelwert-Kovariaten bewertet. Da die durchschnittliche Zähleinheit etwa 2.900 km² groß ist (Standardabweichung ~21.500), beschreiben diese Messwerte die Übereinstimmung auf der Ebene der Verwaltungseinheit und charakterisieren nicht die Genauigkeit der 1-km-Details. Das Muster im kleinen Maßstab sollte als plausible Disaggregation und nicht als unabhängig validierte 1-km-Schätzung betrachtet werden.
FAOSTAT-Konsistenz ist keine lokale Genauigkeit: Durch die länderbezogene Neuskalierung wird sichergestellt, dass die nationalen Gesamtzahlen mit FAOSTAT übereinstimmen. Es wird jedoch nicht eingeschränkt oder validiert, wo sich die Tiere innerhalb eines Landes befinden. Die nationalen Gesamtzahlen können daher korrekt sein, während die subnationale Zuweisung unsicher bleibt.
Diskontinuitäten an den Landesgrenzen: Da die Anzahl der Nutztiere für jedes Land separat auf die nationalen Gesamtzahlen von FAOSTAT neuskaliert wird, können an den internationalen Grenzen abrupte Änderungen auftreten, z. B. zwischen der Mongolei und ihren Nachbarn, wo sich die gemeldeten nationalen Gesamtzahlen stark unterscheiden. Diese Änderungen sind Artefakte der Anpassung und keine echten Dichtegradienten.
Unregelmäßige und unvollständige Daten aus Volkszählungen: Daten aus Volkszählungen zu Nutztieren sind oft unregelmäßig, unvollständig und können aufgrund von Doppelzählungen überschätzt werden, die durch die Mobilität von Tieren über die Grenzen der Zähleinheiten hinweg oder durch Änderungen der Eigentumsverhältnisse von Betrieben verursacht werden. Außerdem variiert die räumliche Verfügbarkeit stark. Viele Entwicklungsländer liefern nur Daten auf grober administrativer Ebene (Bundesstaat/Landkreis), was zu einer systematischen Unterschätzung von nicht dokumentierten Nutztieren führen kann.
Nicht übereinstimmende Eingabemaßstäbe und unrealistische Dichten: Die Dichten von Nutztieren werden abgeleitet, indem Schätzungen der Anzahl von Nutztieren auf administrativer Ebene mit der jährlichen Ebene des potenziellen Landes für die Nutztierproduktion kombiniert werden. In Regionen, die von landlosen Nutztierhaltungssystemen oder Mastbetrieben dominiert werden, stimmt die hohe Anzahl von Nutztieren möglicherweise nicht mit dem kartografierten potenziellen Land überein,was zu unrealistisch hohen Dichtewerten führt (lokal über 2.500 Rinder pro km²).
Einheitliche Zuweisung für alle Nutztierarten: Die Zwischenebene, die das potenzielle Land für die Nutztierproduktion darstellt, wird einheitlich als Eingabe für alle modellierten Nutztierarten verwendet. Das aktuelle Modell berücksichtigt nicht die Komplexität verschiedener Nutztierhaltungssysteme (Milchvieh vs. Mutterkuh vs. Mast) oder unterschiedliche artspezifische Verhaltensweisen, z. B. dass Ziegen hauptsächlich als Browser fungieren.
Unterschätzung von Gebieten mit hoher Dichte und unzuverlässige Vorhersageintervalle: Die ausgewählten Machine-Learning-Modelle haben Schwierigkeiten, Gebiete mit sehr hoher Nutztierdichte vorherzusagen, und unterschätzen wahrscheinlich intensive Nutztier-Hotspots. Die Vorhersageintervalle sind viel enger als das nominale 95%-Niveau und unterschätzen die tatsächliche Unsicherheit. Obwohl sie als 95%-Intervalle bezeichnet werden, lag die Wahrscheinlichkeit der Abdeckung des Vorhersageintervalls (Prediction Interval Coverage Probability, PICP) bei 30–45 %. Das bedeutet, dass Beobachtungen aus zurückgehaltenen Polygonen aus Volkszählungen nur etwa 30–45% der Zeit innerhalb der Vorhersageintervalle lagen. Diese Intervalle sollten nicht ohne unabhängige Neukalibrierung als probabilistische Grenzen für Risikoschwellen, Überschreitungswahrscheinlichkeiten oder nachgelagerte Fehlerfortpflanzung verwendet werden.
Zeitliche Abdeckung im Vergleich zu validierter Dynamik: Die Ebenen umfassen den Zeitraum 2000–2022 jährlich, es gibt jedoch keine zeitliche Hold-out-Validierung. Ein Großteil des interjährlichen Signals stammt aus den nationalen Gesamtzahlen von FAOSTAT und den jährlich variierenden Eingaben zur Landbedeckung, während das Dichtemodell pro Pixel erheblich auf statischen und langfristigen Kovariaten beruht. Einige sozioökonomische Eingaben werden konstant gehalten und weitergeführt (z. B. HDI bis 2015, nächtliche Lichter bis etwa 2020). Änderungen kurzfristiger Natur (von Jahr zu Jahr) sollten mit Vorsicht interpretiert werden.
Einschränkungen der unterbrochenen Goode-Homolosine-Projektion: Um eine präzise räumliche Ausrichtung zu gewährleisten und Verzerrungen zu minimieren, wurde die gesamte Modellierung in einem flächentreuen Koordinatensystem durchgeführt, insbesondere in der unterbrochenen Goode-Homolosine-Projektion (die für alle Ebenen in Zenodo verwendet wird). Vor der Aufnahme in GEE wurde das Dataset in das Koordinatensystem EPSG:4326 konvertiert. Da die ursprünglichen Daten zur Anzahl der Nutztiere absolute Werte pro km² darstellen, wurde ein räumlicher Umverteilungsansatz verwendet, um projektionsbedingte Verzerrungen zu korrigieren (siehe GitHub). Durch diese Anpassung bleiben die nationalen Gesamtzahlen erhalten, um die Konsistenz mit den FAOSTAT-Statistiken zu gewährleisten. Es kann jedoch zu einer leichten Verschiebung der lokalen Zuweisung der Anzahl von Nutztieren innerhalb der Landesgrenzen kommen.
Weitere Informationen finden Sie unter Parente et al., 2026, Zenodo und auf der GitHub-Website von Global Pasture Watch
Bänder
Bänder
Pixelgröße: 1.000 Meter (alle Bänder)
| Name | Min. | Max. | Pixelgröße | Beschreibung |
|---|---|---|---|---|
cattle |
0* | 160* | 1.000 Meter | Anzahl der Rinder unter Berücksichtigung der verfügbaren Fläche für die Nutztierproduktion pro km² |
buffalo |
0* | 160* | 1.000 Meter | Anzahl der Büffel unter Berücksichtigung der verfügbaren Fläche für die Nutztierproduktion pro km² |
horse |
0* | 10* | 1.000 Meter | Anzahl der Pferde unter Berücksichtigung der verfügbaren Fläche für die Nutztierproduktion pro km² |
goat |
0* | 160* | 1.000 Meter | Anzahl der Ziegen unter Berücksichtigung der verfügbaren Fläche für die Nutztierproduktion pro km² |
sheep |
0* | 160* | 1.000 Meter | Anzahl der Schafe unter Berücksichtigung der verfügbaren Fläche für die Nutztierproduktion pro km² |
Bildattribute
Bildeigenschaften
| Name | Typ | Beschreibung |
|---|---|---|
| Version | INT | Produktversion |
Nutzungsbedingungen
Nutzungsbedingungen
Zitate
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C. et al. (2026). Global Pasture Watch – Jährliche Ebenen zur Anzahl der Nutztiere für Rinder, Ziegen, Schafe, Pferde und Büffel mit 1 km Auflösung für den Zeitraum 2000–2022 (an FAOSTAT angepasst) (Version v1) [Dataset]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C. et al. (2026). Globale Verteilung von Nutztieren, Pferden, Ziegen, Schafen und Büffeln mit einer Auflösung von 1 km für den Zeitraum 2000–2022 auf der Grundlage von Daten aus Volkszählungen auf subnationaler Ebene und räumlich-zeitlichem Machine Learning. PeerJ. doi: 10.7717/peerj.21494
DOIs
Die Earth Engine nutzen
Code-Editor (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)');