Set data ini adalah bagian dari Katalog Penayang, dan tidak dikelola oleh Google Earth Engine. Hubungi Land & Carbon Lab untuk melaporkan bug atau melihat set data lainnya dari Katalog Global Pasture Watch. Pelajari lebih lanjut set data Penayang.
- Pemilik Katalog
- Global Pasture Watch
- Ketersediaan Set Data
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Produsen Set Data
- Land and Carbon Lab Global Pasture Watch
- Kontak
- Land & Carbon Lab
- Rangkaian Langkah Penjualan
- 1 Tahun
- Tag
Deskripsi
Set data ini menyediakan jumlah ternak global dari tahun 2000 hingga 2022 pada resolusi spasial 1 km. Dihasilkan oleh inisiatif Global Pasture Watch dari Land & Carbon Lab, set data saat ini memberikan prediksi jumlah penduduk global yang disesuaikan dengan statistik nasional FAOSTAT. Set data ini didasarkan pada kompilasi terbesar yang diketahui dari data sensus ternak subnasional (yang diselaraskan dari 55.336 unit administratif di 147 negara) dan dimodelkan melalui machine learning (Random Forest), menggunakan 128 lapisan spasial lingkungan, sosial ekonomi, dan antropogenik (termasuk elevasi medan, data MODIS, indeks kekeringan, metrik aksesibilitas, distribusi populasi agama, dll.). Area pemodelan dibatasi pada lapisan tahunan potensi lahan untuk produksi ternak, yang berasal dari luas lahan pertanian dan padang rumput berbasis Landsat dari tahun 2000 hingga 2022.
Set data ini dirancang untuk mendukung aplikasi lingkungan dan pertanian (memperbaiki estimasi emisi GHG, membuat model siklus nutrisi, memperkirakan tingkat penyerapan karbon tanah, menginformasikan kebijakan peternakan nasional, dll.). Prediksi akhir disesuaikan menggunakan pendekatan penskalaan linear per negara sehingga total nasional yang digabungkan cocok dengan statistik yang diberikan oleh FAOSTAT. Penyesuaian ini membatasi total nasional ke FAOSTAT, tetapi tidak memvalidasi lokasi penempatan ternak di suatu negara; alokasi subnasional dimodelkan dan harus diperlakukan seperti itu. Untuk aplikasi subnasional yang memerlukan presisi tinggi, pengguna dianjurkan untuk menerapkan faktor kalibrasi lokal dari lembaga nasional, bukan hanya mengandalkan perkiraan yang disesuaikan dengan FAOSTAT.
Perkiraan nilai interval prediksi probabilitas 95% (batas bawah dan atas di sekitar prediksi rata-rata; persentil ke-2,5 & ke-97,5) serta prediksi kepadatan dan jumlah orang yang belum diproses tersedia di Zenodo:
- Kepadatan ternak tahunan
- Kepadatan kambing tahunan
- Kepadatan domba tahunan
- Kepadatan kuda tahunan
- Kepadatan kerbau tahunan
Set data ini juga tersedia di OpenLandMap STAC.
Batasan:
Alokasi 1 km yang dimodelkan, bukan lokasi ternak yang diamati: Piksel mewakili redistribusi statistik jumlah sensus subnasional kasar di seluruh lapisan tahunan potensi lahan untuk produksi ternak; piksel tidak menandai kawanan atau peternakan yang diamati. Akurasi model dievaluasi pada poligon sensus yang tidak digunakan menggunakan kovariat rata-rata poligon. Karena unit sensus rata-rata adalah ~2.900 km² (SD ~21.500), metrik ini menjelaskan kesesuaian di tingkat unit administratif dan tidak mencirikan akurasi detail 1 km. Perlakukan pola skala halus sebagai disagregasi yang masuk akal, bukan perkiraan 1 km yang divalidasi secara independen.
Konsistensi FAOSTAT bukan akurasi lokal: Penyesuaian skala per negara menjamin bahwa total nasional cocok dengan FAOSTAT berdasarkan konstruksi; hal ini tidak membatasi atau memvalidasi lokasi penempatan hewan di dalam suatu negara. Oleh karena itu, total nasional dapat benar, sementara alokasi subnasional tetap tidak pasti.
Diskontinuitas di perbatasan nasional: Karena jumlah karyawan diskalakan ulang ke total nasional FAOSTAT secara terpisah untuk setiap negara, perubahan mendadak dapat muncul di seluruh batas internasional — misalnya antara Mongolia dan negara tetangganya, yang total nasional yang dilaporkan sangat berbeda. Ini adalah artefak penyesuaian, bukan gradien kepadatan yang sebenarnya.
Data sensus yang tidak teratur dan tidak lengkap: Data sensus ternak sering kali tidak teratur, tidak lengkap, dan dapat diperkirakan terlalu tinggi karena penghitungan ganda yang disebabkan oleh mobilitas hewan di seluruh batas sensus atau perubahan kepemilikan peternakan. Selain itu, ketersediaan spasial sangat bervariasi; banyak negara berkembang hanya menyediakan data pada skala administratif kasar (tingkat negara bagian/kabupaten), yang dapat menyebabkan kurangnya perkiraan sistematis terhadap ternak yang tidak tercatat.
Skala input yang tidak cocok dan kepadatan yang tidak realistis: Kepadatan ternak diperoleh dengan menggabungkan perkiraan jumlah ternak administratif dengan lapisan tahunan potensi lahan untuk produksi ternak. Di wilayah yang didominasi oleh sistem peternakan tanpa lahan atau tempat penggemukan, jumlah ternak yang tinggi mungkin tidak sesuai dengan potensi lahan yang dipetakan, sehingga menghasilkan nilai kepadatan yang sangat tinggi (secara lokal melebihi 2.500 ekor sapi per km⁻²).
Alokasi seragam di seluruh spesies ternak: Lapisan perantara yang merepresentasikan potensi lahan untuk produksi ternak diterapkan secara seragam sebagai input untuk semua spesies ternak yang dimodelkan. Model saat ini tidak memperhitungkan kompleksitas berbagai sistem pengelolaan ternak (sistem produksi susu vs. sapi-pedet vs. penggemukan) atau perilaku khusus spesies yang berbeda, seperti kambing yang bertindak terutama sebagai peramban.
Perkiraan yang terlalu rendah untuk area dengan kepadatan tinggi dan interval prediksi yang tidak andal: Model machine learning yang dipilih kesulitan memprediksi area dengan kepadatan ternak yang sangat tinggi, sehingga cenderung meremehkan hotspot ternak yang intens. Interval prediksi jauh lebih sempit daripada yang tersirat pada tingkat 95% nominalnya dan meremehkan ketidakpastian sebenarnya. Meskipun diberi label sebagai interval 95%, Probabilitas Cakupan Interval Prediksi (PICP) ditemukan sebesar 30-45%, yang berarti bahwa pengamatan poligon sensus yang dikecualikan hanya berada di dalam interval prediksi sekitar 30-45% dari waktu. Interval ini tidak boleh digunakan sebagai batas probabilistik untuk nilai minimum risiko, probabilitas terlampaui, atau propagasi error hilir tanpa kalibrasi ulang independen.
Cakupan temporal vs. dinamika yang divalidasi: Lapisan ini mencakup tahun 2000–2022 setiap tahun, tetapi tidak ada validasi penahanan temporal. Sebagian besar sinyal antar-tahunan berasal dari total nasional FAOSTAT dan input tutupan lahan yang bervariasi setiap tahun, sementara model kepadatan per piksel sangat bergantung pada kovariat statis dan jangka panjang; beberapa input sosioekonomi tetap konstan dan dilanjutkan (misalnya, HDI hingga 2015, cahaya malam hingga ~2020). Interpretasikan perubahan jangka pendek (dari tahun ke tahun) dengan hati-hati.
Peringatan proyeksi Goode Homolosine terinterupsi: Untuk memastikan keselarasan spasial yang presisi dan meminimalkan distorsi, semua pemodelan dilakukan dalam sistem koordinat area yang sama, khususnya proyeksi Goode Homolosine terinterupsi (digunakan untuk semua lapisan di Zenodo). Sebelum penyerapan GEE, set data dikonversi ke sistem koordinat EPSG:4326. Karena data jumlah karyawan asli merepresentasikan nilai absolut per 1 km², pendekatan redistribusi spasial digunakan untuk mengoreksi distorsi yang disebabkan oleh proyeksi (lihat Github). Penyesuaian ini mempertahankan total nilai nasional agar konsisten dengan statistik FAOSTAT, meskipun dapat sedikit mengubah alokasi lokal jumlah ternak dalam batas negara.
Untuk mengetahui informasi selengkapnya, lihat Parente et. al, 2026, Zenodo, dan situs GitHub Global Pasture Watch
Band
Band
Ukuran piksel: 1000 meter (semua band)
| Nama | Min | Maks | Ukuran Piksel | Deskripsi |
|---|---|---|---|---|
cattle |
0* | 160* | 1.000 meter | Jumlah ternak dengan mempertimbangkan lahan yang tersedia untuk produksi ternak per km² |
buffalo |
0* | 160* | 1.000 meter | Jumlah kerbau dengan mempertimbangkan lahan yang tersedia untuk produksi ternak per km² |
horse |
0* | 10* | 1.000 meter | Jumlah kuda dengan mempertimbangkan lahan yang tersedia untuk produksi ternak per km² |
goat |
0* | 160* | 1.000 meter | Jumlah kambing dengan mempertimbangkan lahan yang tersedia untuk produksi ternak per km² |
sheep |
0* | 160* | 1.000 meter | Jumlah domba dengan mempertimbangkan lahan yang tersedia untuk produksi ternak per km² |
Properti Gambar
Properti Gambar
| Nama | Jenis | Deskripsi |
|---|---|---|
| versi | INT | Versi produk |
Persyaratan Penggunaan
Persyaratan Penggunaan
Kutipan
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch - Lapisan jumlah ternak tahunan untuk ternak, kambing, domba, kuda, dan kerbau pada tahun 2000–2022 (disesuaikan dengan FAOSTAT) 1 km (Versi v1) [Set data]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Distribusi global ternak, kuda, kambing, domba, dan kerbau pada resolusi 1 km untuk tahun 2000–2022 berdasarkan data sensus subnasional dan machine learning spatiotemporal. PeerJ. doi: 10.7717/peerj.21494
DOI
Mengeksplorasi dengan Earth Engine
Editor Kode (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)');