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. Weitere Informationen zu Publisher-Datasets
- Kataloginhaber
- Global Pasture Watch
- Dataset-Verfügbarkeit
- 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. Dieses Dataset wurde von der Initiative „Global Pasture Watch“ des Land & Carbon Lab erstellt und enthält globale Prognosen für die Anzahl der Tiere, die an die nationalen Statistiken von FAOSTAT angepasst wurden. Das Dataset basiert auf der größten bekannten Zusammenstellung von subnationalen Daten aus Viehzählungen (harmonisiert aus 55.336 Verwaltungseinheiten in 147 Ländern) und wird mithilfe von maschinellem Lernen (Random Forest) modelliert. Dabei werden 128 räumliche Ebenen zu Umwelt, Sozioökonomie und Anthropogenese verwendet, darunter Geländehöhe, MODIS-Daten, Ariditätsindex, Zugänglichkeitsmesswerte und Verteilung der religiösen Bevölkerung. Die Modellierungsbereiche wurden auf die jährliche Schicht mit potenziellen Flächen für die Viehzucht beschränkt, die aus Landsat-basierten Acker- und Grünlandflächen von 2000 bis 2022 abgeleitet wurde.
Der Datensatz ist für Umwelt- und Landwirtschaftsanwendungen konzipiert, z. B. zur Verfeinerung von Schätzungen der Treibhausgasemissionen, zur Modellierung von Nährstoffkreisläufen, zur Schätzung von Raten der Kohlenstoffbindung im Boden und zur Information nationaler Viehbestandsrichtlinien. Die endgültigen Vorhersagen wurden mit einem linearen, länderbezogenen Skalierungsansatz angepasst, damit die aggregierten nationalen Summen mit den von FAOSTAT bereitgestellten Statistiken übereinstimmen. Durch diese Anpassung werden die nationalen Summen auf FAOSTAT beschränkt, es wird jedoch nicht überprüft, wo sich das Vieh innerhalb eines Landes befindet. Die subnationale Zuweisung wird modelliert und sollte als solche behandelt werden. Bei subnationalen Anwendungen, die eine hohe Präzision erfordern, wird Nutzern empfohlen, lokale Kalibrierungsfaktoren von nationalen Behörden zu verwenden, anstatt sich ausschließlich auf die FAOSTAT-angepassten Schätzungen zu verlassen.
Schätzungen von 95‑%‑Vorhersageintervallwerten (Unter- und Obergrenzen für mittlere Vorhersagen; 2,5.und 97,5.Perzentil) sowie Rohdichten und Vorhersagen zur Anzahl der Personen sind in Zenodo verfügbar:
- Jährliche Rinderdichte
- Jährliche Ziegeldichten
- Jährliche Schafsdichten
- Jährliche Pferdedichte
- Jährliche Büffeldichten
Das Dataset ist auch in OpenLandMap STAC verfügbar.
Beschränkungen:
Modellierte Zuweisung von 1 km, keine beobachteten Standorte von Nutztieren: Die Pixel stellen eine statistische Umverteilung von groben subnationalen Volkszählungsdaten über die jährliche Ebene des potenziellen Landes für die Nutztierproduktion dar. Sie markieren keine beobachteten Herden oder landwirtschaftlichen Betriebe. Die Modellgenauigkeit wurde anhand von zurückgehaltenen Volkszählungs-Polygonen mit durchschnittlichen Kovariaten für Polygone bewertet. Da die durchschnittliche Volkszählungseinheit etwa 2.900 km² (SD ~21.500) umfasst, beschreiben diese Messwerte die Übereinstimmung auf der Ebene der Verwaltungseinheit und geben keine Auskunft über die Genauigkeit der 1-km-Details. Betrachten Sie das kleinskalige Muster als plausible Aufschlüsselung, nicht als unabhängig validierte Schätzung auf 1 km.
FAOSTAT-Konsistenz ist nicht gleich lokale Genauigkeit: Durch die länderspezifische Neuskalierung wird sichergestellt, dass die nationalen Summen mit FAOSTAT übereinstimmen. Sie schränkt jedoch nicht ein oder validiert, wo sich Tiere innerhalb eines Landes befinden. Die nationalen Gesamtzahlen können daher korrekt sein, während die subnationale Zuweisung unsicher bleibt.
Diskontinuitäten an Landesgrenzen: Da die Bevölkerungszahlen für jedes Land separat auf die nationalen Gesamtzahlen von FAOSTAT skaliert werden, können an internationalen Grenzen abrupte Änderungen auftreten, z. B. zwischen der Mongolei und ihren Nachbarländern, wo die gemeldeten nationalen Gesamtzahlen stark voneinander abweichen. Das sind Artefakte der Anpassung, keine echten Dichtegradienten.
Unregelmäßige und unvollständige Volkszählungsdaten: Volkszählungsdaten für Nutztiere sind oft unregelmäßig und unvollständig und können aufgrund von Doppelzählungen überschätzt werden, die durch die Mobilität von Tieren über Volkszählungsgrenzen hinweg oder durch Änderungen des Eigentums an landwirtschaftlichen Betrieben verursacht werden. Außerdem variiert die räumliche Verfügbarkeit stark. In vielen Entwicklungsländern sind Daten nur auf groben Verwaltungsebenen (Bundesstaat/Landkreis) verfügbar, was zu einer systematischen Unterschätzung von nicht dokumentiertem Vieh führen kann.
Nicht übereinstimmende Eingabeskalen und unrealistische Dichten: Die Viehdichten werden abgeleitet, indem geschätzte Verwaltungszahlen mit der jährlichen Ebene des potenziellen Landes für die Viehzucht kombiniert werden. In Regionen, in denen es hauptsächlich Viehhaltung ohne Land oder Mastbetriebe gibt, stimmt die hohe Anzahl an Nutztieren möglicherweise nicht mit dem kartierten potenziellen Land überein,was zu unrealistisch hohen Dichtewerten führt (lokal über 2.500 Rinder pro km⁻²).
Einheitliche Zuweisung für alle Nutztierarten: Die Zwischenschicht, die potenzielles Land für die Nutztierproduktion darstellt, wird einheitlich als Eingabe für alle modellierten Nutztierarten verwendet. Das aktuelle Modell berücksichtigt nicht die Komplexität verschiedener Viehhaltungssysteme (Milchvieh, Kuh-Kalb-Systeme, Mastsysteme) oder artspezifische Verhaltensweisen, z. B. dass Ziegen hauptsächlich als Browser agieren.
Unterbewertung von Gebieten mit hoher Dichte und unzuverlässige Vorhersageintervalle: Die ausgewählten Machine-Learning-Modelle haben Schwierigkeiten, Gebiete mit sehr hoher Viehdichte vorherzusagen, und unterschätzen wahrscheinlich intensive Hotspots für Vieh. Die Vorhersageintervalle sind viel enger als ihr nominelles 95‑%-Niveau impliziert und unterschätzen die tatsächliche Unsicherheit. Obwohl sie als 95‑%‑Intervalle bezeichnet werden, lag die Wahrscheinlichkeit der Vorhersageintervallabdeckung (Prediction Interval Coverage Probability, PICP) zwischen 30 und 45 %. Das bedeutet, dass die zurückgehaltenen Beobachtungen von Volkszählungs-Polygonen nur etwa 30 bis 45% der Zeit in die Vorhersageintervalle fielen. Diese Intervalle sollten nicht als probabilistische Grenzen für Risikoschwellen, Überschreitungswahrscheinlichkeiten oder die Weitergabe von Downstream-Fehlern ohne unabhängige Neukalibrierung verwendet werden.
Zeitlicher Umfang im Vergleich zu validierter Dynamik: Die Ebenen umfassen die Jahre 2000 bis 2022, es gibt jedoch keine Hold-out-Validierung. Ein Großteil des zwischenjährlichen Signals stammt aus den nationalen Gesamtwerten von FAOSTAT und den jährlich variierenden Eingaben zur Landbedeckung, während das Dichtemodell pro Pixel im Wesentlichen auf statischen und langfristigen Kovariaten beruht. Einige sozioökonomische Eingaben werden konstant gehalten und übertragen (z. B. HDI bis 2015, nächtliche Beleuchtung bis ca. 2020). Interpretieren Sie kurzfristige (jährliche) Änderungen mit Vorsicht.
Hinweise zur unterbrochenen Goode-Homolosine-Projektion: Um eine präzise räumliche Ausrichtung zu gewährleisten und Verzerrungen zu minimieren, wurde die gesamte Modellierung in einem flächengleichen 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 Mitarbeiterzahl absolute Werte pro Quadratkilometer darstellen, wurde ein räumlicher Neuverteilungsansatz verwendet, um Projektionsverzerrungen zu korrigieren (siehe Github). Durch diese Anpassung bleiben die nationalen Gesamtwert erhalten, um die Konsistenz mit FAOSTAT-Statistiken zu gewährleisten. Die lokale Zuweisung der Bevölkerungszahlen innerhalb der Landesgrenzen kann sich jedoch leicht verschieben.
Weitere Informationen finden Sie unter Parente et. al, 2026, Zenodo und Global Pasture Watch GitHub-Website.
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 Viehhaltung pro km² |
buffalo |
0* | 160* | 1.000 Meter | Anzahl der Büffel unter Berücksichtigung der verfügbaren Fläche für die Viehzucht pro km² |
horse |
0* | 10* | 1.000 Meter | Anzahl der Pferde unter Berücksichtigung der verfügbaren Fläche für die Viehzucht pro Quadratkilometer |
goat |
0* | 160* | 1.000 Meter | Anzahl der Ziegen unter Berücksichtigung der verfügbaren Fläche für die Viehhaltung pro Quadratkilometer |
sheep |
0* | 160* | 1.000 Meter | Anzahl der Schafe unter Berücksichtigung der verfügbaren Fläche für die Viehzucht pro Quadratkilometer |
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 Schicht mit Viehbestandszahlen für Rinder, Ziegen, Schafe, Pferde und Büffel auf 1 km, 2000–2022 (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 Rindern, Pferden, Ziegen, Schafen und Büffeln mit einer Auflösung von 1 km für 2000–2022 auf Grundlage von subnationalen Volkszählungsdaten und räumlich-zeitlichem maschinellem Lernen. 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)');