GPW Annual livestock headcount FAOSTAT-adjusted v1

projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m
מידע

קבוצת הנתונים הזו היא חלק מקטלוג של בעלי תוכן דיגיטלי, והוא לא מנוהל על ידי Google Earth Engine. אפשר לפנות אל Land & Carbon Lab כדי לדווח על באגים או לראות קבוצות נתונים נוספות מקטלוג Global Pasture Watch. מידע נוסף על קבוצות נתונים של בעלי תוכן דיגיטלי

בעלי הקטלוג
Global Pasture Watch
זמינות קבוצת הנתונים
2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
מפיק מערך הנתונים
יצירת קשר
Land & Carbon Lab
קטע קוד ל-Earth Engine
ee.ImageCollection("projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m")
קצב
שנה אחת
תגים
חקלאות
גלובלית
global-pasture-watch
gpw
קרקע
שימוש בקרקע
אחו
publisher-dataset
שטחי מרעה

תיאור

קבוצת הנתונים הזו מספקת נתונים גלובליים על מספר ראשי הבקר משנת 2000 עד 2022 ברזולוציה מרחבית של 1 ק"מ. קבוצת הנתונים הנוכחית נוצרה על ידי יוזמת Land & Carbon Lab Global Pasture Watch. היא כוללת תחזיות גלובליות של מספר בעלי החיים, שעברו התאמה לנתונים הסטטיסטיים הלאומיים של FAOSTAT. מערך הנתונים מבוסס על האוסף הגדול ביותר של נתוני מפקד אוכלוסין של בעלי חיים ברמה התת-לאומית (בהתאמה מ-55,336 יחידות אדמיניסטרטיביות ב-147 מדינות), והוא ממוּדל באמצעות למידת מכונה (Random Forest), תוך שימוש ב-128 שכבות מרחביות סביבתיות, סוציו-אקונומיות ואנתרופוגניות (כולל גובה פני השטח, נתוני MODIS, מדד היובש, מדדי נגישות, חלוקת אוכלוסייה דתית וכו'). אזורי המידול הוגבלו לשכבה שנתית של קרקע פוטנציאלית לייצור בעלי חיים, שנגזרה מנתוני שטחי גידולים ושטחים עם צמחייה עשבונית מבוססי Landsat משנת 2000 עד 2022.

קבוצת הנתונים נועדה לתמוך ביישומים סביבתיים וחקלאיים (שיפור האומדנים של פליטות גזי חממה, יצירת מודלים של מחזורי חומרים מזינים, הערכת שיעורי ספיחת פחמן באדמה, מתן מידע למדיניות לאומית בנושא בעלי חיים וכו'). התחזיות הסופיות הותאמו באמצעות גישה לינארית של שינוי קנה מידה לפי מדינה, כך שהסכומים הכוללים המצטברים ברמה הלאומית תואמים לנתונים הסטטיסטיים שסופקו על ידי FAOSTAT. ההתאמה הזו מגבילה את הסכומים הכוללים ברמת המדינה לנתונים של FAOSTAT, אבל לא מאמתת את המיקום של בעלי החיים במדינה. ההקצאה ברמה התת-לאומית מבוססת על מודל, ולכן צריך להתייחס אליה כאל כזו. באפליקציות ברמה התת-לאומית שדורשות דיוק גבוה, מומלץ למשתמשים להשתמש בגורמי כיול מקומיים מסוכנויות לאומיות, במקום להסתמך באופן מלא על האומדנים המותאמים של FAOSTAT.

ב-Zenodo אפשר למצוא הערכות של ערכי הרווח ברי-הסמך של תחזיות הסתברות בשיעור 95% (גבולות תחתונים ועליונים סביב תחזיות ממוצעות; אחוזונים 2.5 ו-97.5), וכן תחזיות של צפיפות גולמית ומספר העובדים:

מערך הנתונים זמין גם ב-OpenLandMap STAC.

מגבלות:

הקצאה של קילומטר אחד על בסיס מודל, לא מיקומים של בעלי חיים שנצפו: הפיקסלים מייצגים חלוקה סטטיסטית מחדש של נתוני מפקד אוכלוסין גסים ברמת המדינה, על פני שכבה שנתית של קרקע פוטנציאלית לייצור בעלי חיים. הם לא מסמנים עדרי בעלי חיים או חוות שנצפו. דיוק המודל הוערך על פוליגונים של נתוני מפקד האוכלוסין שהוצאו מהמודל, באמצעות משתני עזר של ממוצע הפוליגון. מכיוון שיחידת המפקד הממוצעת היא ‎~2,900 km² (SD ~21,500), המדדים האלה מתארים את ההסכמה ברמת היחידה האדמיניסטרטיבית ולא מאפיינים את הדיוק של הפרטים ברזולוציה של קילומטר אחד. התבנית בקנה מידה קטן היא פירוק סביר, ולא אומדן של קילומטר אחד שעבר אימות עצמאי.

התאמה ל-FAOSTAT לא מבטיחה דיוק מקומי: שינוי קנה המידה לפי מדינה מבטיח שהסכומים הכוללים ברמת המדינה יתאימו לנתונים של FAOSTAT, אבל הוא לא מגביל או מאמת את המיקום של בעלי החיים בתוך המדינה. לכן, יכול להיות שהסכומים הכוללים ברמת המדינה יהיו נכונים, אבל ההקצאה ברמה התת-לאומית תישאר לא ודאית.

אי-רציפות בגבולות לאומיים: מכיוון שהנתונים של מספר בעלי החיים משוקללים מחדש לפי הסכומים הכוללים של FAOSTAT לכל מדינה בנפרד, יכולים להופיע שינויים פתאומיים בגבולות בינלאומיים – למשל בין מונגוליה לבין המדינות השכנות שלה, שבהם יש הבדלים משמעותיים בין הסכומים הכוללים שדווחו. אלה ארטיפקטים של ההתאמה, ולא שיפועים אמיתיים של צפיפות.

נתוני מפקד אוכלוסין לא סדירים וחלקיים: נתוני מפקד אוכלוסין של בעלי חיים הם לרוב לא סדירים וחלקיים, ויכול להיות שהם מוטים כלפי מעלה בגלל ספירה כפולה שנגרמת מתנועת בעלי חיים מעבר לגבולות המפקד או משינויים בבעלות על החווה. בנוסף, הזמינות המרחבית משתנה מאוד. במדינות מתפתחות רבות מספקים נתונים רק בקנה מידה אדמיניסטרטיבי גס (ברמת המדינה או המחוז), מה שעלול להוביל להערכת חסר שיטתית של בעלי חיים לא מתועדים.

חוסר התאמה בין סולמות הקלט וצפיפויות לא מציאותיות: צפיפויות בעלי החיים נגזרות משילוב של הערכות לגבי מספר בעלי החיים ברמת המחוז עם השכבה השנתית של קרקע פוטנציאלית לייצור בעלי חיים. באזורים שבהם יש בעיקר מערכות גידול ללא קרקע או מכלאות, יכול להיות שמספר בעלי החיים הגבוה לא יתאים לקרקע הפוטנציאלית שמופיעה במפה, וכתוצאה מכך ערכי הצפיפות יהיו גבוהים באופן לא מציאותי (יותר מ-2,500 ראשי בקר לקמ"ר באופן מקומי).

הקצאה אחידה לכל מיני בעלי החיים: שכבת הביניים שמייצגת קרקע פוטנציאלית לגידול בעלי חיים מוחלת באופן אחיד כקלט לכל מיני בעלי החיים שמודלו. המודל הנוכחי לא מתחשב במורכבות של מערכות שונות לניהול בעלי חיים (מערכות חלב לעומת מערכות של עגלים לעומת מערכות של פיטום) או בהתנהגויות שונות שספציפיות למינים, כמו עיזים שמתנהגות בעיקר כמעלי גירה.

הערכת חסר של אזורים עם צפיפות גבוהה של בעלי חיים ומרווחי חיזוי לא אמינים: מודלים נבחרים של למידת מכונה מתקשים לחזות אזורים עם צפיפות גבוהה מאוד של בעלי חיים, וסביר להניח שהם מעריכים בחסר מוקדים של צפיפות גבוהה של בעלי חיים. הרווחים ברי-הסמך צרים בהרבה ממה שמשתמע מרמת 95% הנומינלית שלהם, והם לא משקפים את אי-הוודאות האמיתית. למרות שהתווית היא 95% מרווחים, הסתברות הכיסוי של מרווח החיזוי (PICP) הייתה 30-45%, כלומר התצפיות של פוליגון המפקד שהוצאו מהמדגם נפלו בתוך מרווחי החיזוי רק בערך 30-45% מהזמן. אסור להשתמש במרווחי הזמן האלה כגבולות הסתברותיים לסף סיכון, להסתברויות חריגה או להעברת שגיאות במורד הזרם בלי לבצע כיול מחדש באופן עצמאי.

כיסוי זמני לעומת דינמיקה מאומתת: השכבות מתפרסות על פני השנים 2000 עד 2022, אבל אין אימות של החזקה זמנית. חלק גדול מהאותות הבין-שנתיים נגזרים מסכומים לאומיים של FAOSTAT ומנתוני כיסוי הקרקע שמשתנים מדי שנה, בעוד שמודל הצפיפות לכל פיקסל מסתמך במידה רבה על משתנים סטטיים ומשתנים לטווח ארוך. חלק מהנתונים הסוציו-אקונומיים נשארים קבועים ומועברים קדימה (למשל, HDI עד 2015, אורות בלילה עד 2020 בערך). חשוב לפרש בזהירות שינויים לטווח קצר (משנה לשנה).

הערות לגבי הקרנת Goode Homolosine עם הפרעות: כדי להבטיח התאמה מרחבית מדויקת ולמזער עיוותים, כל המידול בוצע במערכת קואורדינטות ששומרת על יחס השטח, במיוחד בהקרנת Goode Homolosine עם הפרעות (שמשמשת לכל השכבות ב-Zenodo). לפני ההטמעה ב-GEE, מערך הנתונים הומר למערכת הקואורדינטות EPSG:4326. נתוני כוח האדם המקוריים מייצגים ערכים מוחלטים לכל קמ"ר, ולכן נעשה שימוש בגישה של חלוקה מחדש מרחבית כדי לתקן עיוותים שנובעים מההטלה (ראו Github). ההתאמה הזו שומרת על הערכים הכוללים ברמה הלאומית כדי לשמור על עקביות עם הנתונים הסטטיסטיים של FAOSTAT, למרות שהיא עשויה לשנות מעט את ההקצאה המקומית של מספר העובדים בתוך גבולות המדינה.

מידע נוסף זמין במאמר Parente et. al, 2026, ב-Zenodo ובאתר Global Pasture Watch GitHub

תחום תדרים

תחום תדרים

גודל הפיקסל: 1,000 מטרים (כל הפסים)

שם מינימום מקסימום גודל הפיקסל תיאור
cattle 0* ‫160* ‫1,000 מטרים

מספר ראשי הבקר בהתחשב בשטח הזמין לייצור בעלי חיים לכל קמ"ר
buffalo 0* ‫160* ‫1,000 מטרים

מספר התאו ביחס לשטח הזמין לייצור בעלי חיים לקמ"ר
horse 0* ‫10* ‫1,000 מטרים

מספר הסוסים בהתחשב בשטח הזמין לייצור בעלי חיים לקמ"ר
goat 0* ‫160* ‫1,000 מטרים

מספר העיזים ביחס לשטח הזמין לגידול בעלי חיים לקמ"ר
sheep 0* ‫160* ‫1,000 מטרים

מספר הכבשים בהתחשב בשטח הזמין לגידול בעלי חיים לכל קמ"ר
* ערך מינימלי או מקסימלי משוער

מאפייני תמונה

מאפייני תמונה

שם סוג תיאור
גרסה INT

גרסת המוצר

תנאים והגבלות

תנאים והגבלות

CC-BY-4.0

ציטוטים ביבליוגרפיים

ציטוטים ביבליוגרפיים:

  • Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al.‎ ‏(2026). Global Pasture Watch – שכבות של נתוני מפקד שנתי של בעלי חיים (בקר, עזים, כבשים, סוסים ותאו) ברזולוציה של קילומטר אחד לשנים 2000 עד 2022 (מותאם ל-FAOSTAT) (גרסה v1) [מערך נתונים]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303

  • Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al.‎ ‏(2026). התפלגות גלובלית של בקר, סוסים, עזים, כבשים ותאו ברזולוציה של 1 ק"מ לשנים 2000 עד 2022 על סמך נתוני מפקד אוכלוסין ברמה תת-לאומית ולמידת מכונה מרחבית-זמנית. PeerJ. doi: 10.7717/peerj.21494

מזהי DOI

סיור עם פלטפורמת Earth Engine

עורך קוד (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)');
פתיחה ב-Code Editor
קבוצת הנתונים הזו מספקת נתונים גלובליים על מספר ראשי הבקר משנת 2000 עד 2022 ברזולוציה מרחבית של 1 ק"מ. קבוצת הנתונים הנוכחית נוצרה על ידי יוזמת Land & Carbon Lab Global Pasture Watch. היא כוללת תחזיות גלובליות של מספר בעלי החיים, שעברו התאמה לנתונים הסטטיסטיים הלאומיים של FAOSTAT. קבוצת הנתונים מבוססת על האוסף הגדול ביותר של נתוני מפקד אוכלוסין של בעלי חיים ברמה תת-לאומית…
projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m, agriculture,global,global-pasture-watch,gpw,land,landuse,pasture,publisher-dataset,rangeland
2000-01-01T00:00:00Z/2022-12-31T00:00:00Z
-90 -180 90 180
Google Earth Engine