این مجموعه داده بخشی از «کاتالوگ ناشر» است و توسط Google Earth Engine مدیریت نمی‌شود. برای گزارش اشکال با Land & Carbon Lab تماس بگیرید یا مجموعه‌داده‌های بیشتری از «کاتالوگ دیده‌بان جهانی مرتع» مشاهده کنید. درباره مجموعه‌داده‌های «ناشر» بیشتر بدانید.
- مالک کاتالوگ
- Global Pasture Watch
- دردسترس بودن مجموعه داده
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- تولیدکننده مجموعه داده
- Land and Carbon Lab Global Pasture Watch
- تماس
- Land & Carbon Lab
- توالی
- ۱ سال
- برچسب‌ها
شرح
این مجموعه داده تعداد جهانی دام را از سال ۲۰۰۰ تا ۲۰۲۲ با وضوح فضایی ۱ کیلومتر ارائه می‌دهد. این مجموعه داده فعلی که توسط طرح Global Pasture Watch از Land & Carbon Lab تولید شده است، پیش‌بینی‌های جهانی تعداد دام را ارائه می‌دهد که با آمار ملی FAOSTAT تنظیم شده است. این مجموعه داده براساس بزرگ‌ترین مجموعه شناخته‌شده از داده‌های سرشماری دام در سطح زیرملی (هماهنگ‌شده از ۵۵٬۳۳۶ واحد اداری در ۱۴۷ کشور) است و ازطریق یادگیری ماشین (جنگل تصادفی) بااستفاده از ۱۲۸ لایه فضایی محیطی، اجتماعی-اقتصادی، و انسان‌زاد (ازجمله ارتفاع زمین، داده‌های MODIS، شاخص خشکی، سنجه‌های دسترسی، توزیع جمعیت مذهبی، و غیره) مدل‌سازی شده است. مناطق مدل‌سازی به لایه سالانه زمین‌های بالقوه برای تولید دام محدود شد که از گستره زمین‌های زراعی و چمن‌زارها براساس Landsat از سال ۲۰۰۰ تا ۲۰۲۲ به‌دست آمده است.
این مجموعه داده برای پشتیبانی از کاربردهای زیست‌محیطی و کشاورزی (پالایش برآوردهای انتشار گازهای گلخانه‌ای، مدل‌سازی چرخه‌های مواد مغذی، برآورد نرخ ترسیب کربن خاک، اطلاع‌رسانی سیاست‌های ملی دامداری، و غیره) طراحی شده است. پیش‌بینی‌های نهایی بااستفاده از رویکرد مقیاس‌بندی خطی کشوربه‌کشور تنظیم شد تا مجموع ملی تجمیع‌شده با آمار ارائه‌شده توسط FAOSTAT مطابقت داشته باشد. این اصلاح مجموع‌های ملی را به FAOSTAT محدود می‌کند اما تأیید نمی‌کند که دام‌ها در کجای کشور قرار دارند؛ تخصیص فراملی مدل‌سازی شده است و باید به همین صورت درنظر گرفته شود. برای برنامه‌های زیرملی که به دقت بالایی نیاز دارند، به کاربران توصیه می‌شود به‌جای تکیه کامل بر برآوردهای اصلاح‌شده FAOSTAT، از عوامل واسنجی محلی آژانس‌های ملی استفاده کنند.
برآوردهای مقادیر بازه پیش‌بینی احتمال ۹۵٪ (مرزهای پایین و بالا در اطراف میانگین پیش‌بینی‌ها؛ صدک‌های ۲٫۵ و ۹۷٫۵) و تراکم‌های خام و پیش‌بینی‌های تعداد افراد در Zenodo دردسترس است:
این مجموعه‌داده در OpenLandMap STAC نیز دردسترس است.
محدودیت‌ها:
تخصیص ۱ کیلومتری مدل‌سازی‌شده، نه مکان‌های مشاهده‌شده دام: پیکسل‌ها نشان‌دهنده توزیع مجدد آماری شمارش‌های سرشماری فراملی درشت در لایه سالانه زمین بالقوه برای تولید دام هستند؛ آن‌ها گله‌ها یا مزارع مشاهده‌شده را نشان نمی‌دهند. دقت مدل در چندضلعی‌های سرشماری نگه‌داشته‌شده بااستفاده از هم‌تغییرهای میانگین چندضلعی ارزیابی شد. ازآنجایی‌که میانگین واحد سرشماری تقریباً ۲۹۰۰ کیلومتر مربع است (انحراف معیار تقریباً ۲۱۵۰۰)، این سنجه‌ها توافق را در سطح واحد اداری توصیف می‌کنند و دقت جزئیات ۱ کیلومتری را مشخص نمی‌کنند. الگوی مقیاس ریز را به‌عنوان یک تفکیک قابل‌قبول درنظر بگیرید، نه یک تخمین ۱ کیلومتری که به‌طور مستقل اعتبارسنجی شده است.
سازگاری با FAOSTAT به‌معنای دقت محلی نیست: تغییر مقیاس کشوربه‌کشور تضمین می‌کند که مجموع‌های ملی با ساختار FAOSTAT مطابقت داشته باشند؛ این امر مکان قرارگیری حیوانات در داخل کشور را محدود یا تأیید نمی‌کند. بنابراین، مجموع‌های ملی می‌توانند صحیح باشند درحالی‌که تخصیص‌های فراملی نامشخص باقی می‌مانند.
ناپیوستگی در مرزهای ملی: ازآنجایی‌که سرشماری‌ها به‌طور جداگانه برای هر کشور به مجموع ملی FAOSTAT تغییر مقیاس داده می‌شوند، ممکن است تغییرات ناگهانی در مرزهای بین‌المللی ظاهر شود — برای مثال بین مغولستان و همسایگانش، جایی که مجموع ملی گزارش‌شده تفاوت زیادی دارد. این‌ها مصنوعات تنظیم هستند، نه گرادیان‌های تراکم واقعی.
داده‌های سرشماری نامنظم و ناقص: داده‌های سرشماری دام اغلب نامنظم و ناقص هستند و ممکن است به‌دلیل دوبارشماری ناشی از جابه‌جایی حیوانات در مرزهای سرشماری یا تغییر در مالکیت مزارع، بیش‌ازحد تخمین زده شوند. علاوه‌براین، دردسترس بودن فضایی بسیار متفاوت است؛ بسیاری از کشورهای درحال‌توسعه فقط داده‌ها را در مقیاس‌های اداری درشت (سطح ایالت/شهرستان) ارائه می‌دهند که ممکن است منجر به دست‌کم گرفتن سیستماتیک دام‌های ثبت‌نشده شود.
مقیاس‌های ورودی نامتناسب و تراکم‌های غیرواقعی: تراکم‌های دام با ترکیب کردن تخمین‌های تعداد دام در تقسیمات کشوری با لایه سالانه زمین‌های بالقوه برای تولید دام به‌دست می‌آید. در مناطقی که سیستم‌های دامداری بدون زمین یا پرواربندی غالب هستند، تعداد بالای دام ممکن است با زمین بالقوه نقشه‌برداری‌شده مطابقت نداشته باشد و منجر به مقادیر تراکم غیرواقعی بالا شود (به‌طور محلی بیش‌از ۲۵۰۰ رأس گاو در هر کیلومتر مربع).
تخصیص یکنواخت در سراسر گونه‌های دامی: لایه میانی که نشان‌دهنده زمین بالقوه برای تولید دام است، به‌طور یکنواخت به‌عنوان ورودی برای همه گونه‌های دامی مدل‌سازی‌شده اعمال می‌شود. مدل فعلی پیچیدگی‌های سیستم‌های مختلف مدیریت دام (سیستم‌های لبنی در مقابل گاو-گوساله در مقابل سیستم‌های پرواربندی) یا رفتارهای متمایز خاص گونه‌ها، مانند بزهایی که عمدتاً به‌عنوان چرنده عمل می‌کنند، را در نظر نمی‌گیرد.
کم‌برآورد کردن مناطق با تراکم بالا و فواصل پیش‌بینی غیرقابل‌اعتماد: مدل‌های یادگیری ماشین انتخاب‌شده برای پیش‌بینی مناطق با تراکم بسیار بالای دام با مشکل مواجه هستند و احتمالاً کانون‌های متراکم دام را کمتر از حد واقعی برآورد می‌کنند. بازه پیش‌بینی بسیار باریک‌تر از سطح اسمی ۹۵٪ است و عدم قطعیت واقعی را کمتر از حد واقعی نشان می‌دهد. اگرچه این بازه‌ها به‌عنوان بازه‌های ۹۵٪ برچسب‌گذاری شده‌اند، اما «احتمال پوشش بازه پیش‌بینی» (PICP) بین ۳۰ تا ۴۵ درصد برآورد شده است، به این معنی که مشاهدات چندضلعی سرشماری کنارگذاشته‌شده فقط در حدود ۳۰ تا ۴۵ درصد مواقع در بازه‌های پیش‌بینی قرار می‌گیرند. این بازه‌ها نباید به‌عنوان حدود احتمالی برای آستانه‌های خطر، احتمالات فراتر رفتن، یا انتشار خطای پایین‌دست بدون واسنجی مجدد مستقل استفاده شوند.
پوشش زمانی درمقابل پویایی‌های اعتبارسنجی‌شده: لایه‌ها سالانه از ۲۰۰۰ تا ۲۰۲۲ را پوشش می‌دهند، اما اعتبارسنجی زمانی با داده‌های استفاده‌نشده وجود ندارد. بخش زیادی از سیگنال بین‌سالانه از مجموع‌های ملی FAOSTAT و ورودی‌های پوشش زمین که سالانه تغییر می‌کنند مشتق می‌شود، درحالی‌که مدل تراکم هر پیکسل به‌طور قابل‌توجهی به متغیرهای کمکی ثابت و بلندمدت متکی است؛ برخی‌از ورودی‌های اجتماعی-اقتصادی ثابت نگه داشته می‌شوند و به جلو منتقل می‌شوند (مثلاً HDI تا ۲۰۱۵، چراغ‌های شبانه تا حدود ۲۰۲۰). تغییرات کوتاه‌مدت (سال‌به‌سال) را با احتیاط تفسیر کنید.
هشدارهای مربوط به تصویرسازی «گود هومولوسین منقطع»: برای اطمینان از هم‌ترازی فضایی دقیق و به‌حداقل رساندن اعوجاج، همه مدل‌سازی‌ها در یک سیستم مختصات هم‌مساحت، به‌ویژه تصویرسازی «گود هومولوسین منقطع» (که برای همه لایه‌ها در Zenodo استفاده می‌شود) انجام شد. پیش‌از انتقال به GEE، مجموعه داده به سیستم مختصات EPSG:4326 تبدیل شده است. چون داده‌های اصلی سرشماری نشان‌دهنده مقادیر مطلق در هر کیلومتر مربع است، از رویکرد توزیع مجدد فضایی برای اصلاح اعوجاج‌های ناشی از تصویرسازی استفاده شد (به Github مراجعه کنید). این اصلاح مقادیر کل ملی را برای سازگاری با آمار FAOSTAT حفظ می‌کند، اگرچه ممکن است تخصیص محلی تعداد افراد را در مرزهای کشور کمی تغییر دهد.
برای اطلاعات بیشتر، به Parente et. al, 2026، Zenodo، و سایت Global Pasture Watch GitHub مراجعه کنید
باند
باند
اندازه پیکسل: ۱۰۰۰ متر (همه باندها)
| نام | دقیقه | Max | اندازه پیکسل | شرح |
|---|---|---|---|---|
cattle |
۰* | ۱۶۰* | ۱۰۰۰ متر | تعداد گاوها با درنظر گرفتن زمین دردسترس برای تولید دام در هر کیلومتر مربع |
buffalo |
۰* | ۱۶۰* | ۱۰۰۰ متر | سرشماری گاومیش با درنظر گرفتن زمین دردسترس برای تولید دام در هر کیلومتر مربع |
horse |
۰* | ۱۰* | ۱۰۰۰ متر | تعداد اسب‌ها با درنظر گرفتن زمین دردسترس برای تولید دام در هر کیلومتر مربع |
goat |
۰* | ۱۶۰* | ۱۰۰۰ متر | تعداد بزها با درنظر گرفتن زمین دردسترس برای تولید دام در هر کیلومتر مربع |
sheep |
۰* | ۱۶۰* | ۱۰۰۰ متر | تعداد گوسفندان با درنظر گرفتن زمین دردسترس برای تولید دام در هر کیلومتر مربع |
مشخصات تصویر
ویژگی‌های تصویر
| نام | نوع | شرح |
|---|---|---|
| نسخه | INT | نسخه محصول |
شرایط استفاده
شرایط استفاده
نقل‌قول‌ها
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). توزیع جهانی دام، اسب، بز، گوسفند، و گاومیش با وضوح ۱ کیلومتر برای سال‌های ۲۰۰۰ تا ۲۰۲۲ براساس داده‌های سرشماری زیرملی و یادگیری ماشین فضایی-زمانی. PeerJ. doi: 10.7717/peerj.21494
شناسه دیجیتال شیء
کاوش با Earth Engine
ویرایشگر کد (جاوا اسکریپت)
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)');