Cet ensemble de données fait partie d'un catalogue d'éditeurs et n'est pas géré par Google Earth Engine. Contactez Land & Carbon Lab pour signaler un bug ou consultez d'autres ensembles de données dans le catalogue Global Pasture Watch. En savoir plus sur les ensembles de données pour les éditeurs
- Propriétaire du catalogue
- Global Pasture Watch
- Disponibilité de l'ensemble de données
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Producteur de l'ensemble de données
- Land and Carbon Lab Global Pasture Watch
- Contact
- Land & Carbon Lab
- Cadence
- 1 an
- Tags
Description
Cet ensemble de données fournit le nombre de têtes de bétail dans le monde de 2000 à 2022, à une résolution spatiale de 1 km. Produit par l'initiative Global Pasture Watch du Land & Carbon Lab, l'ensemble de données actuel fournit des prédictions mondiales sur le nombre de têtes de bétail ajustées aux statistiques nationales de FAOSTAT. L'ensemble de données est basé sur la plus grande compilation connue de données de recensement du bétail au niveau subnational (harmonisées à partir de 55 336 unités administratives dans 147 pays) et est modélisé à l'aide du machine learning (Random Forest), en utilisant 128 couches spatiales environnementales, socio-économiques et anthropiques (y compris l'altitude du terrain, les données MODIS, l'indice d'aridité, les métriques d'accessibilité, la distribution de la population religieuse, etc.). Les zones de modélisation étaient limitées à la couche annuelle de terres potentielles pour la production animale, dérivée des étendues de terres cultivées et de prairies basées sur Landsat de 2000 à 2022.
L'ensemble de données est conçu pour prendre en charge les applications environnementales et agricoles (affiner les estimations des émissions de GES, modéliser les cycles nutritifs, estimer les taux de séquestration du carbone dans le sol, informer les politiques nationales sur le bétail, etc.). Les prédictions finales ont été ajustées à l'aide d'une approche de mise à l'échelle linéaire par pays afin que les totaux nationaux agrégés correspondent aux statistiques fournies par FAOSTAT. Cet ajustement contraint les totaux nationaux à FAOSTAT, mais ne valide pas l'emplacement du bétail dans un pays. L'allocation infranationale est modélisée et doit être traitée comme telle. Pour les applications subnationales nécessitant une grande précision, nous encourageons les utilisateurs à appliquer des facteurs de calibration locaux provenant d'agences nationales plutôt que de s'appuyer entièrement sur les estimations ajustées de FAOSTAT.
Les estimations des valeurs d'intervalle de prédiction de probabilité de 95 % (limites inférieure et supérieure autour des prédictions moyennes, 2,5e et 97,5e centiles), ainsi que les prédictions brutes de densité et d'effectifs sont disponibles sur Zenodo :
- Densités annuelles de bovins
- Densités annuelles de chèvres
- Densités annuelles de moutons
- Densités annuelles de chevaux
- Densités annuelles de buffles
L'ensemble de données est également disponible dans OpenLandMap STAC.
Limites :
Répartition modélisée à 1 km, et non emplacements observés du bétail : les pixels représentent une redistribution statistique des décomptes censitaires infranationaux bruts sur la couche annuelle de terres potentielles pour l'élevage. Ils ne marquent pas les troupeaux ni les fermes observés. La précision du modèle a été évaluée sur des polygones de recensement mis de côté à l'aide de covariables moyennes par polygone. Étant donné que la superficie moyenne des unités de recensement est d'environ 2 900 km² (écart-type d'environ 21 500), ces métriques décrivent la concordance au niveau des unités administratives et ne caractérisent pas la précision au niveau de 1 km. Considérez le modèle à échelle fine comme une désagrégation plausible, et non comme une estimation validée indépendamment à 1 km.
La cohérence avec FAOSTAT n'est pas synonyme d'exactitude locale : la remise à l'échelle par pays garantit que les totaux nationaux correspondent à FAOSTAT par construction. Elle ne contraint ni ne valide l'emplacement des animaux dans un pays. Les totaux nationaux peuvent donc être corrects, tandis que la répartition infranationale reste incertaine.
Discontinuités aux frontières nationales : comme les effectifs sont rééchelonnés sur les totaux nationaux FAOSTAT séparément pour chaque pays, des changements brusques peuvent apparaître aux frontières internationales. Par exemple, entre la Mongolie et ses voisins, où les totaux nationaux déclarés diffèrent fortement. Il s'agit d'artefacts de l'ajustement, et non de véritables gradients de densité.
Données de recensement irrégulières et incomplètes : les données de recensement du bétail sont souvent irrégulières et incomplètes, et peuvent être surestimées en raison du double comptage causé par la mobilité des animaux au-delà des limites de recensement ou par les changements de propriété des exploitations. De plus, la disponibilité spatiale varie considérablement. De nombreux pays en développement ne fournissent des données qu'à des échelles administratives grossières (au niveau des États/comtés), ce qui peut entraîner une sous-estimation systématique du bétail non recensé.
Échelles d'entrée non concordantes et densités irréalistes : les densités de bétail sont obtenues en combinant les estimations des effectifs administratifs avec la couche annuelle de terres potentielles pour la production de bétail. Dans les régions dominées par des systèmes d'élevage sans terre ou des parcs d'engraissement, le nombre élevé de têtes de bétail peut ne pas correspondre à la superficie potentielle cartographiée, ce qui entraîne des valeurs de densité irréalistes (dépassant localement 2 500 têtes de bétail par km²).
Répartition uniforme entre les espèces d'élevage : la couche intermédiaire représentant les terres potentielles pour l'élevage est appliquée de manière uniforme comme entrée pour toutes les espèces d'élevage modélisées. Le modèle actuel ne tient pas compte de la complexité des différents systèmes de gestion du bétail (systèmes laitiers, systèmes vache-veau et systèmes d'engraissement) ni des comportements spécifiques aux différentes espèces, comme les chèvres qui sont principalement des brouteuses.
Sous-estimation des zones à forte densité et intervalles de prédiction peu fiables : les modèles de machine learning sélectionnés ont du mal à prédire les zones à très forte densité de bétail, ce qui entraîne probablement une sous-estimation des zones de forte concentration de bétail. Les intervalles de prédiction sont beaucoup plus étroits que leur niveau nominal de 95% ne le suggère et sous-estiment la véritable incertitude. Bien qu'elles soient étiquetées comme des intervalles à 95 %, la probabilité de couverture de l'intervalle de prédiction (PICP) s'est avérée être de 30 à 45%, ce qui signifie que les observations des polygones de recensement retenues se situaient dans les intervalles de prédiction seulement environ 30 à 45% du temps. Ces intervalles ne doivent pas être utilisés comme limites probabilistes pour les seuils de risque, les probabilités de dépassement ou la propagation des erreurs en aval sans recalibrage indépendant.
Couverture temporelle vs dynamique validée : les calques couvrent les années 2000 à 2022, mais il n'y a pas de validation temporelle de la mise en veille. Une grande partie du signal interannuel provient des totaux nationaux de FAOSTAT et des entrées de couverture terrestre qui varient chaque année, tandis que le modèle de densité par pixel repose en grande partie sur des covariables statiques et à long terme. Certaines entrées socio-économiques sont maintenues constantes et reportées (par exemple, l'IDH jusqu'en 2015 et les lumières nocturnes jusqu'en 2020 environ). Interprétez les changements à court terme (d'une année sur l'autre) avec prudence.
Avertissements concernant la projection Goode Homolosine interrompue : pour garantir un alignement spatial précis et minimiser les distorsions, toute la modélisation a été effectuée dans un système de coordonnées à surface égale, en particulier la projection Goode Homolosine interrompue (utilisée pour toutes les couches dans Zenodo). Avant l'ingestion dans GEE, l'ensemble de données a été converti au système de coordonnées EPSG:4326. Étant donné que les données d'origine sur le nombre d'employés représentent des valeurs absolues par km², une approche de redistribution spatiale a été utilisée pour corriger les distorsions induites par la projection (voir Github). Cet ajustement préserve les valeurs nationales totales pour assurer la cohérence avec les statistiques FAOSTAT, même s'il peut légèrement modifier la répartition locale des effectifs à l'intérieur des frontières du pays.
Pour en savoir plus, consultez Parente et al., 2026, Zenodo et le site GitHub Global Pasture Watch.
Bandes
Bandes de fréquences
Taille des pixels : 1 000 mètres (toutes les bandes)
| Nom | Min | Max | Taille des pixels | Description |
|---|---|---|---|---|
cattle |
0* | 160* | 1 000 mètres | Nombre de bovins en fonction des terres disponibles pour l'élevage par km² |
buffalo |
0* | 160* | 1 000 mètres | Nombre de buffles en fonction des terres disponibles pour l'élevage par km² |
horse |
0* | 10* | 1 000 mètres | Nombre de chevaux en fonction des terres disponibles pour la production de bétail par km² |
goat |
0* | 160* | 1 000 mètres | Nombre de chèvres en fonction des terres disponibles pour l'élevage par km² |
sheep |
0* | 160* | 1 000 mètres | Nombre de moutons en fonction des terres disponibles pour l'élevage par km² |
Propriétés des images
Propriétés des images
| Nom | Type | Description |
|---|---|---|
| version | INT | Version du produit |
Conditions d'utilisation
Conditions d'utilisation
Citations
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch – Couches annuelles du nombre de têtes de bétail pour les bovins, les caprins, les ovins, les équins et les buffles à 1 km 2000–2022 (ajustées par FAOSTAT) (version v1) [Ensemble de données]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Distribution mondiale du bétail, des chevaux, des chèvres, des moutons et des buffles à une résolution de 1 km pour la période 2000-2022, basée sur des données de recensement infranationales et le machine learning spatiotemporel. PeerJ. doi: 10.7717/peerj.21494
DOI
Explorer avec Earth Engine
Éditeur de code (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)');