Questo set di dati fa parte di un catalogo del publisher e non è gestito da Google Earth Engine. Contatta il Land & Carbon Lab per segnalare bug o visualizzare altri set di dati dal catalogo Global Pasture Watch. Scopri di più sui set di dati del publisher.
- Proprietario del catalogo
- Global Pasture Watch
- Disponibilità set di dati
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Produttore del set di dati
- Land and Carbon Lab Global Pasture Watch
- Contatto
- Land & Carbon Lab
- Cadenza
- 1 anno
- Tag
Descrizione
Questo set di dati fornisce il numero di capi di bestiame a livello globale dal 2000 al 2022 con una risoluzione spaziale di 1 km. Prodotto dall'iniziativa Global Pasture Watch del Land & Carbon Lab, il set di dati attuale fornisce previsioni globali del numero di capi di bestiame aggiustate in base alle statistiche nazionali di FAOSTAT. Il set di dati si basa sulla più grande raccolta conosciuta di dati censuali sul bestiame a livello subnazionale (armonizzati da 55.336 unità amministrative in 147 paesi) ed è modellato tramite machine learning (Random Forest), utilizzando 128 livelli spaziali ambientali, socioeconomici e antropogenici (tra cui elevazione del terreno, dati MODIS, indice di aridità, metriche di accessibilità, distribuzione della popolazione religiosa e così via). Le aree di modellazione erano limitate allo strato annuale di potenziale terreno per la produzione zootecnica, derivato dalle estensioni di terreni coltivati e praterie basate su Landsat dal 2000 al 2022.
Il set di dati è progettato per supportare applicazioni ambientali e agricole (miglioramento delle stime delle emissioni di gas serra, modellazione dei cicli dei nutrienti, stima dei tassi di sequestro del carbonio nel suolo, definizione delle politiche nazionali per il bestiame e così via). Le previsioni finali sono state aggiustate utilizzando un approccio di scalabilità lineare paese per paese in modo che i totali nazionali aggregati corrispondano alle statistiche fornite da FAOSTAT. Questo aggiustamento vincola i totali nazionali a FAOSTAT, ma non convalida la posizione del bestiame all'interno di un paese; la ripartizione a livello subnazionale è modellata e deve essere trattata come tale. Per le applicazioni subnazionali che richiedono un'elevata precisione, consigliamo agli utenti di applicare fattori di calibrazione locali delle agenzie nazionali anziché fare affidamento interamente sulle stime aggiustate di FAOSTAT.
Le stime dei valori dell'intervallo di previsione di probabilità del 95% (limiti inferiore e superiore intorno alle previsioni medie; 2,5° e 97,5° percentile) e le previsioni grezze di densità e numero di dipendenti sono disponibili in Zenodo:
- Densità annuali di bovini
- Densità annuali di capre
- Densità annuali di pecore
- Densità annuali di cavalli
- Densità annuali di bufali
Il set di dati è disponibile anche in OpenLandMap STAC.
Limitazioni:
Allocazione modellata di 1 km, non posizioni del bestiame osservate: i pixel rappresentano una ridistribuzione statistica dei conteggi censuali subnazionali grezzi nel livello annuale di terreno potenziale per la produzione zootecnica; non contrassegnano mandrie o allevamenti osservati. L'accuratezza del modello è stata valutata su poligoni censuari esclusi utilizzando covariate medie dei poligoni. Poiché l'unità censuaria media è di circa 2900 km² (DS ~21.500), queste metriche descrivono la concordanza a livello di unità amministrativa e non caratterizzano l'accuratezza del dettaglio di 1 km. Considera il pattern su piccola scala come una disaggregazione plausibile, non una stima di 1 km convalidata in modo indipendente.
La coerenza di FAOSTAT non è un'accuratezza locale: il ridimensionamento paese per paese garantisce che i totali nazionali corrispondano a FAOSTAT per costruzione; non vincola né convalida la posizione degli animali all'interno di un paese. Pertanto, i totali nazionali possono essere corretti, mentre la ripartizione a livello subnazionale rimane incerta.
Discontinuità ai confini nazionali: poiché i conteggi vengono ridimensionati in base ai totali nazionali FAOSTAT separatamente per ogni paese, possono verificarsi cambiamenti bruschi ai confini internazionali, ad esempio tra la Mongolia e i paesi vicini, dove i totali nazionali segnalati differiscono notevolmente. Questi sono artefatti della regolazione, non gradienti di densità reali.
Dati censuari irregolari e incompleti: i dati censuari sul bestiame sono spesso irregolari, incompleti e possono essere sovrastimati a causa del doppio conteggio causato dalla mobilità degli animali oltre i confini censuari o dai cambiamenti di proprietà delle aziende agricole. Inoltre, la disponibilità spaziale varia notevolmente: molti paesi in via di sviluppo forniscono dati solo su scale amministrative grossolane (a livello di stato/contea), il che può portare a una sottostima sistematica del bestiame non documentato.
Scale di input non corrispondenti e densità non realistiche: le densità di bestiame vengono derivate combinando le stime amministrative del numero di capi con il livello annuale di terreno potenziale per la produzione di bestiame. Nelle regioni dominate da sistemi di allevamento senza terra o da feedlot, l'elevato numero di capi di bestiame potrebbe non corrispondere al potenziale terreno mappato, con conseguenti valori di densità irrealisticamente elevati (a livello locale superiori a 2500 capi di bestiame per km²).
Allocazione uniforme tra le specie di bestiame: il livello intermedio che rappresenta la potenziale terra per la produzione di bestiame viene applicato in modo uniforme come input per tutte le specie di bestiame modellate. Il modello attuale non tiene conto della complessità dei diversi sistemi di gestione del bestiame (sistemi di produzione di latte, di allevamento di bovini e di finissaggio) o dei comportamenti specifici delle diverse specie, ad esempio le capre che si nutrono principalmente di foglie.
Sottostima delle aree ad alta densità e intervalli di previsione inaffidabili: i modelli di machine learning selezionati hanno difficoltà a prevedere le aree con una densità di bestiame molto elevata, probabilmente sottostimando gli hotspot di bestiame intensivo. Gli intervalli di previsione sono molto più ristretti di quanto implichi il livello nominale del 95% e sottostimano la vera incertezza. Sebbene etichettata come intervalli del 95%, la probabilità di copertura dell'intervallo di previsione (PICP) è risultata pari al 30-45%, il che significa che le osservazioni dei poligoni censuari trattenuti rientravano negli intervalli di previsione solo nel 30-45% dei casi. Questi intervalli non devono essere utilizzati come limiti probabilistici per le soglie di rischio, le probabilità di superamento o la propagazione degli errori a valle senza una ricalibrazione indipendente.
Copertura temporale rispetto alla dinamica convalidata: i livelli coprono il periodo 2000-2022 annualmente, ma non è presente una convalida di hold-out temporale. Gran parte del segnale interannuale deriva dai totali nazionali di FAOSTAT e dagli input di copertura del suolo che variano annualmente, mentre il modello di densità per pixel si basa in modo sostanziale su covariate statiche e a lungo termine; alcuni input socioeconomici vengono mantenuti costanti e riportati (ad es. l'IDU fino al 2015, le luci notturne fino al 2020 circa). Interpreta con cautela le variazioni a breve termine (di anno in anno).
Avvertenze relative alla proiezione Goode Homolosine interrotta: per garantire un allineamento spaziale preciso e ridurre al minimo le distorsioni, tutta la modellazione è stata eseguita in un sistema di coordinate di uguale area, in particolare la proiezione Goode Homolosine interrotta (utilizzata per tutti i livelli in Zenodo). Prima dell'importazione in GEE, il set di dati è stato convertito nel sistema di coordinate EPSG:4326. Poiché i dati originali sul numero di dipendenti rappresentano valori assoluti per 1 km², è stato utilizzato un approccio di ridistribuzione spaziale per correggere le distorsioni indotte dalla proiezione (vedi GitHub). Questo aggiustamento preserva i valori nazionali totali per garantire la coerenza con le statistiche FAOSTAT, anche se potrebbe spostare leggermente la distribuzione locale dei conteggi all'interno dei confini nazionali.
Per ulteriori informazioni, consulta Parente et al., 2026, Zenodo e il sito GitHub di Global Pasture Watch
Bande
Bande
Dimensioni pixel: 1000 metri (tutte le bande)
| Nome | Min | Max | Dimensioni pixel | Descrizione |
|---|---|---|---|---|
cattle |
0* | 160* | 1000 metri | Numero di capi di bestiame considerando la superficie disponibile per la produzione zootecnica per km² |
buffalo |
0* | 160* | 1000 metri | Numero di bufali considerando la superficie disponibile per la produzione di bestiame per km² |
horse |
0* | 10* | 1000 metri | Numero di cavalli considerando la superficie disponibile per la produzione zootecnica per km² |
goat |
0* | 160* | 1000 metri | Numero di capi di bestiame caprino considerando la superficie disponibile per la produzione zootecnica per km² |
sheep |
0* | 160* | 1000 metri | Numero di pecore considerando il terreno disponibile per la produzione di bestiame per km² |
Proprietà immagini
Proprietà immagini
| Nome | Tipo | Descrizione |
|---|---|---|
| versione | INT | Versione del prodotto |
Termini e condizioni d'uso
Termini e condizioni d'uso
Citazioni
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) [Set di dati]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Distribuzione globale di bestiame, cavalli, capre, pecore e bufali con una risoluzione di 1 km per il periodo 2000-2022 basata su dati censuali subnazionali e machine learning spaziotemporale. PeerJ. doi: 10.7717/peerj.21494
DOI
Esplora con Earth Engine
Editor di codice (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)');