Este conjunto de datos forma parte de un catálogo de publicadores y no lo administra Google Earth Engine. Comunícate con Land & Carbon Lab si encuentras errores o para ver más conjuntos de datos del catálogo de Global Pasture Watch. Obtén más información sobre los conjuntos de datos de publicadores.
- Propietario del catálogo
- Global Pasture Watch
- Disponibilidad del conjunto de datos
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Proveedor del conjunto de datos
- Land and Carbon Lab Global Pasture Watch
- Contacto
- Land &Carbon Lab
- Cadencia
- 1 año
- Etiquetas
Descripción
Este conjunto de datos proporciona el recuento global de ganado de 2000 a 2022 con una resolución espacial de 1 km. Producido por la iniciativa Global Pasture Watch de Land &Carbon Lab, el conjunto de datos actual proporciona predicciones de recuento global ajustadas a las estadísticas nacionales de FAOSTAT. El conjunto de datos se basa en la compilación más grande conocida de datos de censos de ganado subnacionales (armonizados a partir de 55,336 unidades administrativas en 147 países) y se modela a través del aprendizaje automático (Random Forest), con 128 capas espaciales ambientales, socioeconómicas y antropogénicas (incluida la elevación del terreno, los datos de MODIS, el índice de aridez, las métricas de accesibilidad, la distribución de la población religiosa, etcétera). Las áreas de modelado se restringieron a la capa anual de tierra potencial para la producción ganadera, derivada de las extensiones de tierras de cultivo y pastizales basadas en Landsat de 2000 a 2022.
El conjunto de datos está diseñado para admitir aplicaciones ambientales y agrícolas (refinar las estimaciones de emisiones de GEI, modelar los ciclos de nutrientes, estimar las tasas de secuestro de carbono del suelo, informar las políticas nacionales de ganado, etcétera). Las predicciones finales se ajustaron con un enfoque de escalamiento lineal país por país para que los totales nacionales agregados coincidan con las estadísticas proporcionadas por FAOSTAT. Este ajuste restringe los totales nacionales a FAOSTAT, pero no valida dónde se ubica el ganado dentro de un país. La asignación subnacional se modela y debe tratarse como tal. Para las aplicaciones subnacionales que requieren alta precisión, se recomienda a los usuarios que apliquen factores de calibración locales de las agencias nacionales en lugar de depender por completo de las estimaciones ajustadas por FAOSTAT.
Las estimaciones de los valores del intervalo de predicción de probabilidad del 95% (límites inferior y superior en torno a las predicciones medias; percentiles 2.5 y 97.5) y las predicciones de densidad y recuento sin procesar están disponibles en Zenodo:
- Densidades anuales de ganado vacuno
- Densidades anuales de cabras
- Densidades anuales de ovejas
- Densidades anuales de caballos
- Densidades anuales de búfalos
El conjunto de datos también está disponible en OpenLandMap STAC.
Limitaciones:
Asignación modelada de 1 km, no ubicaciones de ganado observadas: Los píxeles representan una redistribución estadística de recuentos censales subnacionales aproximados en la capa anual de tierra potencial para la producción ganadera. No marcan rebaños ni granjas observados. La precisión del modelo se evaluó en polígonos censales retenidos con covariables de media de polígonos. Como la unidad censal media es de aproximadamente 2,900 km² (DE ~21,500), estas métricas describen la concordancia a nivel de la unidad administrativa y no caracterizan la precisión del detalle de 1 km. Trata el patrón de escala fina como una desagregación plausible, no como una estimación de 1 km validada de forma independiente.
La coherencia de FAOSTAT no es precisión local: El reescalamiento país por país garantiza que los totales nacionales coincidan con FAOSTAT por construcción. No restringe ni valida dónde se ubican los animales dentro de un país. Por lo tanto, los totales nacionales pueden ser correctos, mientras que la asignación subnacional sigue siendo incierta.
Discontinuidades en las fronteras nacionales: Debido a que los recuentos se reescalan a los totales nacionales de FAOSTAT por separado para cada país, pueden aparecer cambios abruptos en las fronteras internacionales, por ejemplo, entre Mongolia y sus vecinos, donde los totales nacionales informados difieren mucho. Estos son artefactos del ajuste, no gradientes de densidad reales.
Datos censales irregulares e incompletos: Los datos censales de ganado suelen ser irregulares, incompletos y pueden sobreestimarse debido al doble conteo causado por la movilidad de los animales a través de los límites censales o los cambios en la propiedad de las granjas. Además, la disponibilidad espacial varía mucho. Muchos países en desarrollo solo proporcionan datos a escalas administrativas aproximadas (nivel de estado o condado), lo que puede generar una subestimación sistemática del ganado no documentado.
Escalas de entrada no coincidentes y densidades poco realistas: Las densidades de ganado se derivan de la combinación de estimaciones de recuento administrativas con la capa anual de tierra potencial para la producción ganadera. En las regiones dominadas por sistemas de ganado sin tierra o corrales de engorde, es posible que la gran cantidad de ganado no coincida con la tierra potencial asignada, lo que genera valores de densidad poco realistas (que superan localmente las 2,500 cabezas de ganado vacuno por km²).
Asignación uniforme en todas las especies de ganado: La capa intermedia que representa la tierra potencial para la producción ganadera se aplica de manera uniforme como entrada para todas las especies de ganado modeladas. El modelo actual no tiene en cuenta las complejidades de los diferentes sistemas de administración de ganado (sistemas de producción lechera, de cría de terneros y de engorde) ni los distintos comportamientos específicos de las especies, como las cabras que actúan principalmente como ramoneadoras.
Subestimación de áreas de alta densidad e intervalos de predicción poco confiables: Los modelos de aprendizaje automático seleccionados tienen dificultades para predecir áreas con una densidad de ganado muy alta, lo que probablemente subestime los puntos críticos de ganado intenso. Los intervalos de predicción son mucho más estrechos de lo que implica su nivel nominal del 95% y subestiman la incertidumbre real. Aunque se etiquetaron como intervalos del 95%, se descubrió que la probabilidad de cobertura del intervalo de predicción (PICP) era del 30 al 45%, lo que significa que las observaciones de polígonos censales retenidos se encontraban dentro de los intervalos de predicción solo entre el 30 y el 45% del tiempo. Estos intervalos no se deben usar como límites probabilísticos para los umbrales de riesgo, las probabilidades de superación o la propagación de errores descendentes sin una recalibración independiente.
Cobertura temporal en comparación con la dinámica validada: Las capas abarcan de 2000 a 2022 anualmente, pero no hay validación de retención temporal. Gran parte de la señal interanual se deriva de los totales nacionales de FAOSTAT y de las entradas de cobertura terrestre que varían anualmente, mientras que el modelo de densidad por píxel depende en gran medida de covariables estáticas y a largo plazo. Algunas entradas socioeconómicas se mantienen constantes y se transfieren (p. ej., el IDH hasta 2015 y las luces nocturnas hasta aproximadamente 2020). Interpreta el cambio a corto plazo (de año a año) con precaución.
Advertencias sobre la proyección de Goode Homolosine interrumpida: Para garantizar una alineación espacial precisa y minimizar las distorsiones, todo el modelado se realizó en un sistema de coordenadas de área equivalente, específicamente la proyección de Goode Homolosine interrumpida (que se usa para todas las capas en Zenodo). Antes de la ingesta de GEE, el conjunto de datos se convirtió al sistema de coordenadas EPSG:4326. Debido a que los datos de recuento originales representan valores absolutos por 1 km², se usó un enfoque de redistribución espacial para corregir las distorsiones inducidas por la proyección (consulta Github). Este ajuste conserva los valores nacionales totales para garantizar la coherencia con las estadísticas de FAOSTAT, aunque puede desplazar ligeramente la asignación local de recuentos dentro de las fronteras del país.
Para obtener más información, consulta Parente et. al, 2026, Zenodo y el sitio de GitHub de Global Pasture Watch
Bandas
Bandas
Tamaño de los píxeles: 1,000 metros (todas las bandas)
| Nombre | Mín. | Máx. | Tamaño de los píxeles | Descripción |
|---|---|---|---|---|
cattle |
0* | 160* | 1,000 metros | Recuento de ganado vacuno teniendo en cuenta la tierra disponible para la producción ganadera por km² |
buffalo |
0* | 160* | 1,000 metros | Recuento de búfalos teniendo en cuenta la tierra disponible para la producción ganadera por km² |
horse |
0* | 10* | 1,000 metros | Recuento de caballos teniendo en cuenta la tierra disponible para la producción ganadera por km² |
goat |
0* | 160* | 1,000 metros | Recuento de cabras teniendo en cuenta la tierra disponible para la producción ganadera por km² |
sheep |
0* | 160* | 1,000 metros | Recuento de ovejas teniendo en cuenta la tierra disponible para la producción ganadera por km² |
Propiedades de la imagen
Propiedades de la imagen
| Nombre | Tipo | Descripción |
|---|---|---|
| versión | INT | Versión del producto |
Condiciones de Uso
Condiciones de Uso
Citas
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch: capas anuales de recuento de ganado para ganado vacuno, cabras, ovejas, caballos y búfalos a 1 km de 2000 a 2022 (ajustadas por FAOSTAT) (versión v1) [Conjunto de datos]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Distribución global de ganado vacuno, caballos, cabras, ovejas y búfalos con una resolución de 1 km para 2000–2022 en función de datos censales subnacionales y aprendizaje automático espacio-temporal. PeerJ. doi: 10.7717/peerj.21494
DOIs
Explora con Earth Engine
Editor de código (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)');