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, avec une résolution spatiale de 1 km. Produit par l'initiative Global Pasture Watch de Land &Carbon Lab, l'ensemble de données actuel fournit des prédictions mondiales du 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 infranational (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 répartition de la population religieuse, etc.). Les zones de modélisation ont été limitées à la couche annuelle de terres potentielles pour la production de bétail, 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 (affinement des estimations des émissions de GES, modélisation des cycles nutritifs, estimation des taux de séquestration du carbone dans le sol, information des politiques nationales en matière d'élevage, etc.). Les prédictions finales ont été ajustées à l'aide d'une approche de mise à l'échelle linéaire par pays, de sorte 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 infranationales nécessitant une haute précision, les utilisateurs sont encouragés à appliquer des facteurs d'étalonnage locaux provenant d'agences nationales plutôt que de s'appuyer entièrement sur les estimations ajustées par 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 densités brutes et les prédictions du nombre de têtes de bétail sont disponibles dans 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 :
Allocation modélisée de 1 km, et non emplacements observés du bétail : les pixels représentent une redistribution statistique des décomptes de recensement infranational grossiers sur la couche annuelle de terres potentielles pour la production de bétail. Ils ne marquent pas les troupeaux ou les exploitations observés. La précision du modèle a été évaluée sur des polygones de recensement mis de côté à l'aide de covariables moyennes de polygones. Comme l'unité de recensement moyenne est d'environ 2 900 km² (écart type d'environ 21 500), ces métriques décrivent la concordance au niveau de l'unité administrative et ne caractérisent pas la précision du détail de 1 km. Traitez le modèle à petite échelle comme une désagrégation plausible, et non comme une estimation de 1 km validée indépendamment.
La cohérence de FAOSTAT n'est pas une précision 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 l'allocation infranationale reste incertaine.
Discontinuités aux frontières nationales : comme le nombre de têtes de bétail est remis à l'échelle des totaux nationaux de 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 gradients de densité réels.
Données de recensement irrégulières et incomplètes : les données de recensement du bétail sont souvent irrégulières, incomplètes et peuvent être surestimées en raison d'un double comptage causé par la mobilité des animaux au-delà des limites de recensement ou par des changements de propriété des exploitations. En outre, la disponibilité spatiale varie considérablement. De nombreux pays en développement ne fournissent des données qu'à des échelles administratives grossières (niveau de l'État/du comté), ce qui peut entraîner une sous-estimation systématique du bétail non documenté.
Échelles d'entrée non concordantes et densités irréalistes : les densités de bétail sont dérivées en combinant les estimations administratives du nombre de têtes de bétail 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 aux terres potentielles cartographiées, ce qui entraîne des valeurs de densité irréalistes (dépassant localement 2 500 têtes de bétail par km²).
Allocation uniforme entre les espèces de bétail : la couche intermédiaire représentant les terres potentielles pour la production de bétail est appliquée uniformément comme entrée pour toutes les espèces de bétail modélisées. Le modèle actuel ne tient pas compte des complexités des différents systèmes de gestion du bétail (systèmes laitiers, vaches-veaux et d'engraissement) ni des comportements spécifiques aux espèces, comme les chèvres qui agissent principalement comme des navigateurs.
Sous-estimation des zones à forte densité et intervalles de prédiction non 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 points chauds intenses 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'ils soient étiquetés comme des intervalles de 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 de polygones de recensement mis de côté n'ont été incluses dans les intervalles de prédiction qu'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 par rapport à la dynamique validée : les couches couvrent la période 2000-2022 annuellement, mais il n'existe aucune validation temporelle. 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, les lumières nocturnes jusqu'en 2020 environ). Interprétez les changements à court terme (d'une année sur l'autre) avec prudence.
Mises en garde concernant la projection interrompue de Goode Homolosine : 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 interrompue de Goode Homolosine (utilisée pour toutes les couches de 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 du nombre de têtes de bétail 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 de FAOSTAT, bien qu'il puisse légèrement modifier l'allocation locale du nombre de têtes de bétail à l'intérieur des frontières nationales.
Pour en savoir plus, consultez Parente et al., 2026, Zenodo et le site GitHub de Global Pasture Watch
Bandes
Bandes
Taille des pixels : 1 000 mètres (toutes les bandes)
| Nom | Marie | Max | Taille des pixels | Description |
|---|---|---|---|---|
cattle |
0* | 160* | 1 000 mètres | Nombre de têtes de bétail en tenant compte des terres disponibles pour la production de bétail par km² |
buffalo |
0* | 160* | 1 000 mètres | Nombre de têtes de buffles en tenant compte des terres disponibles pour la production de bétail par km² |
horse |
0* | 10* | 1 000 mètres | Nombre de têtes de chevaux en tenant compte des terres disponibles pour la production de bétail par km² |
goat |
0* | 160* | 1 000 mètres | Nombre de têtes de chèvres en tenant compte des terres disponibles pour la production de bétail par km² |
sheep |
0* | 160* | 1 000 mètres | Nombre de têtes de moutons en tenant compte des terres disponibles pour la production de bétail 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 - 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). Global distribution of livestock, horses, goats, sheep and buffaloes at 1 km resolution for 2000–2022 based on subnational census data and spatiotemporal machine learning. 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)');