این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

GPW Annual livestock headcount FAOSTAT-adjusted v1

پروژه‌ها/نظارت جهانی بر مراتع/دارایی‌ها/gld-1km/v1/livestock-headcount-faostat_m

اطلاعات

این مجموعه داده‌ها بخشی از کاتالوگ ناشر است و توسط موتور گوگل ارث مدیریت نمی‌شود. برای اطلاع از اشکالات یا مشاهده مجموعه داده‌های بیشتر از کاتالوگ جهانی نظارت بر مراتع، با آزمایشگاه زمین و کربن تماس بگیرید. درباره مجموعه داده‌های ناشر بیشتر بدانید .

مالک کاتالوگ: دیده‌بان جهانی مراتع
در دسترس بودن مجموعه داده‌ها: 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
تولیدکننده مجموعه داده: آزمایشگاه زمین و کربن، دیده‌بان جهانی مراتع
تماس: آزمایشگاه زمین و کربن

کادانس: ۱ سال
برچسب‌ها: کشاورزی

جهانی

نظارت جهانی بر مراتع

جی پی دبلیو

زمین

کاربری زمین

مرتع

مجموعه داده‌های ناشر

مرتع

توضیحات

این مجموعه داده‌ها، سرشماری جهانی دام از سال ۲۰۰۰ تا ۲۰۲۲ را با وضوح مکانی ۱ کیلومتر ارائه می‌دهد. مجموعه داده‌های فعلی که توسط طرح «دیده‌بانی مراتع جهانی» آزمایشگاه زمین و کربن تولید شده است، پیش‌بینی‌های سرشماری جهانی را مطابق با آمار ملی FAOSTAT ارائه می‌دهد. این مجموعه داده‌ها بر اساس بزرگترین مجموعه شناخته شده از داده‌های سرشماری دام محلی ( هماهنگ شده از ۵۵۳۳۶ واحد اداری در ۱۴۷ کشور ) است و از طریق یادگیری ماشین (جنگل تصادفی) با استفاده از ۱۲۸ لایه مکانی محیطی، اجتماعی-اقتصادی و انسانی (از جمله ارتفاع زمین، داده‌های MODIS، شاخص خشکی، معیارهای دسترسی، توزیع جمعیت مذهبی و غیره) مدل‌سازی شده است. مناطق مدل‌سازی به لایه سالانه زمین‌های بالقوه برای تولید دام محدود شده بودند که از وسعت زمین‌های زراعی و مراتع مبتنی بر لندست از سال ۲۰۰۰ تا ۲۰۲۲ استخراج شده بودند.

این مجموعه داده‌ها برای پشتیبانی از کاربردهای زیست‌محیطی و کشاورزی (اصلاح تخمین‌های انتشار گازهای گلخانه‌ای، مدل‌سازی چرخه‌های مواد مغذی، تخمین نرخ ترسیب کربن خاک، اطلاع‌رسانی در مورد سیاست‌های ملی دام و غیره) طراحی شده است. پیش‌بینی‌های نهایی با استفاده از یک رویکرد مقیاس‌بندی خطی کشور به کشور تنظیم شده‌اند تا مجموع‌های ملی تجمیع‌شده با آمار ارائه شده توسط FAOSTAT مطابقت داشته باشند. این تنظیم، مجموع‌های ملی را به FAOSTAT محدود می‌کند، اما محل قرارگیری دام‌ها در یک کشور را تأیید نمی‌کند. تخصیص محلی مدل‌سازی شده است و باید به همین صورت در نظر گرفته شود. برای کاربردهای محلی که نیاز به دقت بالا دارند، به کاربران توصیه می‌شود به جای تکیه کامل بر تخمین‌های تنظیم‌شده توسط FAOSTAT، از عوامل کالیبراسیون محلی از سازمان‌های ملی استفاده کنند.

تخمین مقادیر بازه پیش‌بینی با احتمال ۹۵٪ (کران‌های پایین و بالا در اطراف پیش‌بینی‌های میانگین؛ صدک‌های ۲.۵ و ۹۷.۵) و پیش‌بینی‌های خام تراکم و تعداد افراد در Zenodo موجود است:

این مجموعه داده همچنین در OpenLandMap STAC موجود است.

محدودیت‌ها:

تخصیص ۱ کیلومتر مربع مدل‌سازی شده، مکان‌های مشاهده نشده دام : پیکسل‌ها نشان‌دهنده توزیع مجدد آماری شمارش‌های سرشماری منطقه‌ای در لایه سالانه زمین‌های بالقوه برای تولید دام هستند ؛ آنها گله‌ها یا مزارع مشاهده شده را مشخص نمی‌کنند. دقت مدل بر روی چندضلعی‌های سرشماری با استفاده از متغیرهای کمکی میانگین چندضلعی ارزیابی شد. از آنجایی که واحد سرشماری میانگین حدود ۲۹۰۰ کیلومتر مربع (انحراف معیار حدود ۲۱۵۰۰) است، این معیارها توافق در سطح واحد اداری را توصیف می‌کنند و دقت جزئیات ۱ کیلومتر مربع را مشخص نمی‌کنند. الگوی ریزمقیاس را به عنوان یک تفکیک محتمل در نظر بگیرید، نه یک تخمین ۱ کیلومتر مربع که به طور مستقل اعتبارسنجی شده باشد.

سازگاری FAOSTAT به معنای دقت محلی نیست : تغییر مقیاس کشور به کشور تضمین می‌کند که مجموع‌های ملی با FAOSTAT از نظر ساختار مطابقت داشته باشند؛ این تغییر مکان قرارگیری حیوانات در داخل یک کشور را محدود یا تأیید نمی‌کند. بنابراین، مجموع‌های ملی می‌توانند صحیح باشند در حالی که تخصیص محلی نامشخص است.

ناپیوستگی‌ها در مرزهای ملی : از آنجا که سرشماری‌ها برای هر کشور به طور جداگانه به مجموع ملی FAOSTAT مقیاس‌بندی می‌شوند، تغییرات ناگهانی می‌تواند در مرزهای بین‌المللی ظاهر شود - به عنوان مثال بین مغولستان و همسایگانش، جایی که مجموع ملی گزارش شده به شدت متفاوت است. اینها مصنوعات تعدیل هستند، نه شیب‌های تراکم واقعی.

داده‌های سرشماری نامنظم و ناقص : داده‌های سرشماری دام اغلب نامنظم، ناقص و به دلیل شمارش مضاعف ناشی از جابجایی حیوانات در مرزهای سرشماری یا تغییر در مالکیت مزارع، می‌توانند بیش از حد تخمین زده شوند. علاوه بر این، دسترسی مکانی به طور گسترده متفاوت است؛ بسیاری از کشورهای در حال توسعه فقط داده‌ها را در مقیاس‌های اداری درشت (سطح ایالت/شهرستان) ارائه می‌دهند که ممکن است منجر به تخمین کمتر از حد سیستماتیک دام‌های بدون مدرک شود.

مقیاس‌های ورودی نامتناسب و تراکم‌های غیرواقعی : تراکم دام با ترکیب تخمین‌های سرشماری اداری با لایه سالانه زمین بالقوه برای تولید دام به دست می‌آید. در مناطقی که تحت سلطه سیستم‌های دامداری بدون زمین یا مزارع پرواربندی هستند، تعداد زیاد دام ممکن است با زمین بالقوه نقشه‌برداری شده مطابقت نداشته باشد و منجر به مقادیر تراکم غیرواقعی بالا شود (در سطح محلی بیش از ۲۵۰۰ رأس گاو در کیلومتر مربع).

تخصیص یکنواخت در بین گونه‌های دامی : لایه میانی که نشان‌دهنده زمین بالقوه برای تولید دام است، به طور یکنواخت به عنوان ورودی برای همه گونه‌های دامی مدل‌سازی شده اعمال می‌شود. مدل فعلی پیچیدگی‌های سیستم‌های مختلف مدیریت دام (سیستم‌های لبنی در مقابل گاو-گوساله در مقابل سیستم‌های پرواری) یا رفتارهای متمایز مختص گونه‌ها، مانند بزهایی که در درجه اول به عنوان جستجوگر عمل می‌کنند، را در نظر نمی‌گیرد.

تخمین کمتر از حد مناطق با تراکم بالا و فواصل پیش‌بینی غیرقابل اعتماد : مدل‌های یادگیری ماشین انتخاب شده در پیش‌بینی مناطقی با تراکم بسیار بالای دام مشکل دارند و احتمالاً نقاط حساس دام را کمتر از حد واقعی تخمین می‌زنند. فواصل پیش‌بینی بسیار باریک‌تر از سطح اسمی ۹۵٪ آنها هستند و عدم قطعیت واقعی را کمتر از حد واقعی نشان می‌دهند. اگرچه به عنوان فواصل ۹۵٪ نامگذاری شده‌اند، احتمال پوشش فاصله پیش‌بینی (PICP) بین ۳۰ تا ۴۵ درصد بود، به این معنی که مشاهدات چندضلعی سرشماری فقط حدود ۳۰ تا ۴۵ درصد مواقع در فواصل پیش‌بینی قرار می‌گیرند. این فواصل نباید به عنوان محدوده‌های احتمالی برای آستانه‌های ریسک، احتمالات تجاوز یا انتشار خطای پایین‌دست بدون کالیبراسیون مجدد مستقل استفاده شوند.

پوشش زمانی در مقابل دینامیک‌های معتبر : لایه‌ها سالانه از ۲۰۰۰ تا ۲۰۲۲ را پوشش می‌دهند، اما هیچ اعتبارسنجی زمانی وجود ندارد. بخش عمده‌ای از سیگنال بین سالانه از مجموع ملی FAOSTAT و ورودی‌های پوشش زمین که سالانه تغییر می‌کنند، مشتق می‌شود، در حالی که مدل تراکم در هر پیکسل اساساً به متغیرهای کمکی ایستا و بلندمدت متکی است. برخی از ورودی‌های اجتماعی-اقتصادی ثابت نگه داشته شده و به آینده منتقل می‌شوند (به عنوان مثال، HDI تا ۲۰۱۵، نورهای شبانه تا حدود ۲۰۲۰). تغییرات کوتاه‌مدت (سال به سال) را با احتیاط تفسیر کنید.

هشدارهای مربوط به طرح‌ریزی همولوزین گودِ منقطع : برای اطمینان از ترازبندی مکانی دقیق و به حداقل رساندن اعوجاج‌ها، تمام مدل‌سازی‌ها در یک سیستم مختصات با مساحت مساوی، به ویژه طرح‌ریزی همولوزین گودِ منقطع (که برای همه لایه‌ها در Zenodo استفاده می‌شود) انجام شد. قبل از استفاده از GEE، مجموعه داده‌ها به سیستم مختصات EPSG:4326 تبدیل شد. از آنجا که داده‌های سرشماری اولیه نشان‌دهنده مقادیر مطلق در هر ۱ کیلومتر مربع هستند، از یک رویکرد توزیع مجدد مکانی برای اصلاح اعوجاج‌های ناشی از طرح‌ریزی استفاده شد (به Github مراجعه کنید). این تنظیم، مقادیر کل ملی را برای سازگاری با آمار FAOSTAT حفظ می‌کند، اگرچه ممکن است تخصیص محلی سرشماری‌ها را در مرزهای کشور کمی تغییر دهد.

برای اطلاعات بیشتر به Parente و همکاران، 2026 ، Zenodo و سایت GitHub Global Pasture Watch مراجعه کنید.

باندها

باندها

اندازه پیکسل: ۱۰۰۰ متر (همه باندها)

نام	مکس	اندازه پیکسل	توضیحات
`cattle`	۱۶۰*	۱۰۰۰ متر	سرشماری دام با در نظر گرفتن زمین موجود برای تولید دام در هر کیلومتر مربع
`buffalo`	۱۶۰*	۱۰۰۰ متر	سرشماری بوفالو با در نظر گرفتن زمین موجود برای تولید دام در هر کیلومتر مربع
`horse`	۱۰*	۱۰۰۰ متر	تعداد اسب‌ها با در نظر گرفتن زمین موجود برای تولید دام در هر کیلومتر مربع
`goat`	۱۶۰*	۱۰۰۰ متر	سرشماری بز با در نظر گرفتن زمین موجود برای تولید دام در هر کیلومتر مربع
`sheep`	۱۶۰*	۱۰۰۰ متر	تعداد گوسفندان با در نظر گرفتن زمین موجود برای تولید دام در هر کیلومتر مربع

* حداقل یا حداکثر مقدار تخمینی

ویژگی‌های تصویر

ویژگی‌های تصویر

نام	نوع	توضیحات
نسخه	داخلی	نسخه محصول

شرایط استفاده

شرایط استفاده

CC-BY-4.0

نقل قول‌ها

پارنت، ل.، ارمن، س.، هنگل، ت.، فریتز، س.، بونانلا، س. و همکاران (2026). دیده‌بان مراتع جهانی - شمارش سالانه جمعیت دام، بز، گوسفند، اسب و گاومیش در فاصله 1 کیلومتری، 2000-2022 (تنظیم‌شده با FAOSTAT) (نسخه v1) [مجموعه داده‌ها]. زنودو. doi: https://doi.org/10.5281/zenodo.20396303
پارنت، ل.، ارمن، س.، هنگل، ت.، فریتز، س.، بونانلا، س. و همکاران (2026). توزیع جهانی دام، اسب، بز، گوسفند و گاومیش با وضوح 1 کیلومتر برای سال‌های 2000-2022 بر اساس داده‌های سرشماری محلی و یادگیری ماشینی مکانی-زمانی. PeerJ. doi: 10.7717/peerj.21494

DOI ها

با موتور زمین کاوش کنید

ویرایشگر کد (جاوااسکریپت)

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)');

باز کردن در ویرایشگر کد

سرشماری سالانه دام (GPW) - تعدیل شده با FAOSTAT - نسخه ۱

این مجموعه داده‌ها، سرشماری جهانی دام از سال ۲۰۰۰ تا ۲۰۲۲ را با وضوح مکانی ۱ کیلومتر ارائه می‌دهد. این مجموعه داده‌ها که توسط طرح دیده‌بانی مراتع جهانی آزمایشگاه زمین و کربن تهیه شده است، پیش‌بینی‌های سرشماری جهانی را مطابق با آمار ملی FAOSTAT ارائه می‌دهد. این مجموعه داده‌ها بر اساس بزرگترین مجموعه شناخته شده از سرشماری دام‌های محلی است...

پروژه‌ها/نظارت جهانی بر مراتع/دارایی‌ها/gld-1km/v1/سرشمار دام-faostat_m، کشاورزی، جهانی،نظارت جهانی بر مراتع،gpw،زمین،کاربری زمین،مرتع،مجموعه داده‌های ناشر،مرتع

2000-01-01T00:00:00Z/2022-12-31T00:00:00Z

۹۰- ۱۸۰ ۹۰ ۱۸۰

موتور گوگل ارث

https://developers.google.com/earth-engine/datasets