Questo set di dati fa parte di un catalogo di editori e non è gestito da Google Earth Engine. Contatta Land & Carbon Lab per segnalare bug o visualizzare altri set di dati dal catalogo Global Pasture Watch. Scopri di più sui set di dati degli editori.
- Proprietario del catalogo
- Global Pasture Watch
- Disponibilità set di dati
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Produttore di dati
- Land and Carbon Lab Global Pasture Watch
- Contatto
- Land &Carbon Lab
- Cadenza
- 1 anno
- Tag
Descrizione
Questo set di dati fornisce il conteggio globale del bestiame dal 2000 al 2022 con una risoluzione spaziale di 1 km. Prodotto dall'iniziativa Global Pasture Watch di Land &Carbon Lab, il set di dati attuale fornisce previsioni di conteggio globali corrette in base alle statistiche nazionali di FAOSTAT. Il set di dati si basa sulla più grande raccolta nota di dati di censimento del 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 sono state limitate al livello annuale di terreno potenziale per la produzione di bestiame, derivato dalle estensioni di terreni coltivati e pascoli basate su Landsat dal 2000 al 2022.
Il set di dati è progettato per supportare applicazioni ambientali e agricole (affinamento delle stime delle emissioni di gas serra, modellazione dei cicli dei nutrienti, stima dei tassi di sequestro di carbonio nel suolo, informazioni sulle politiche nazionali sul bestiame e così via). Le previsioni finali sono state corrette utilizzando un approccio di scalabilità lineare paese per paese in modo che i totali nazionali aggregati corrispondano alle statistiche fornite da FAOSTAT. Questa correzione vincola i totali nazionali a FAOSTAT, ma non convalida la posizione del bestiame all'interno di un paese; l'allocazione subnazionale è modellata e deve essere trattata come tale. Per le applicazioni subnazionali che richiedono un'elevata precisione, gli utenti sono invitati ad applicare fattori di calibrazione locali delle agenzie nazionali anziché affidarsi interamente alle stime corrette di FAOSTAT.
Le stime dei valori dell'intervallo di previsione di probabilità del 95% (limiti inferiore e superiore intorno alle previsioni medie; percentili 2,5 e 97,5) e le previsioni di densità e conteggio grezze 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 di censimento subnazionali grossolani nel livello annuale di terreno potenziale per la produzione di bestiame; non contrassegnano mandrie o allevamenti osservati. L'accuratezza del modello è stata valutata sui poligoni di censimento esclusi utilizzando le covariate medie dei poligoni. Poiché l'unità di censimento media è di circa 2900 km² (deviazione standard di circa 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 a grana fine come una disaggregazione plausibile, non una stima di 1 km convalidata in modo indipendente.
La coerenza di FAOSTAT non è l'accuratezza locale: la riscalabilità 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 l'allocazione subnazionale rimane incerta.
Discontinuità ai confini nazionali: poiché i conteggi vengono riscalati ai totali nazionali di FAOSTAT separatamente per ogni paese, possono apparire cambiamenti bruschi ai confini internazionali, ad esempio tra la Mongolia e i paesi limitrofi, dove i totali nazionali segnalati differiscono notevolmente. Questi sono artefatti della correzione, non gradienti di densità reali.
Dati di censimento irregolari e incompleti: i dati di censimento del bestiame sono spesso irregolari, incompleti e possono essere sovrastimati a causa del doppio conteggio causato dalla mobilità degli animali tra i confini di censimento o dalle modifiche della proprietà dell'allevamento. 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 di conteggio amministrative con il livello annuale di terreno potenziale per la produzione di bestiame. Nelle regioni dominate da sistemi di bestiame senza terra o da allevamenti intensivi, l'elevato numero di bestiame potrebbe non corrispondere al terreno potenziale mappato, con conseguenti valori di densità non realistici (a livello locale superiori a 2500 capi di bestiame per km²).
Allocazione uniforme tra le specie di bestiame: il livello intermedio che rappresenta il terreno potenziale 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 delle complessità dei diversi sistemi di gestione del bestiame (sistemi di produzione di latte, di allevamento di vitelli e di ingrasso) o dei comportamenti specifici delle specie, ad esempio le capre che si nutrono principalmente di arbusti.
Sottostima delle aree ad alta densità e intervalli di previsione inaffidabili: i modelli di machine learning selezionati faticano a prevedere le aree con una densità di bestiame molto elevata, sottostimando probabilmente gli hotspot di bestiame intensivi. Gli intervalli di previsione sono molto più ristretti del livello nominale del 95% e sottostimano la vera incertezza. Sebbene siano etichettati come intervalli del 95%, la probabilità di copertura dell'intervallo di previsione (PICP) è risultata del 30-45%, il che significa che le osservazioni dei poligoni di censimento esclusi 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 alle dinamiche convalidate: i livelli coprono il periodo 2000-2022 annualmente, ma non esiste una convalida di esclusione 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 sostanzialmente su covariate statiche e a lungo termine; alcuni input socioeconomici vengono mantenuti costanti e riportati (ad es. HDI fino al 2015, luci notturne fino al 2020 circa). Interpreta con cautela le variazioni a breve termine (da un anno all'altro).
Avvertenze relative alla proiezione di 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 area uguale, in particolare la proiezione di Goode Homolosine interrotta (utilizzata per tutti i livelli in Zenodo). Prima dell'inserimento in GEE, il set di dati è stato convertito nel sistema di coordinate EPSG:4326. Poiché i dati di conteggio originali rappresentano valori assoluti per 1 km², è stato utilizzato un approccio di ridistribuzione spaziale per correggere le distorsioni indotte dalla proiezione (vedi Github). Questa correzione mantiene i valori nazionali totali per la coerenza con le statistiche di FAOSTAT, anche se potrebbe spostare leggermente l'allocazione 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 | Conteggio del bestiame considerando il terreno disponibile per la produzione di bestiame per km² |
buffalo |
0* | 160* | 1000 metri | Conteggio dei bufali considerando il terreno disponibile per la produzione di bestiame per km² |
horse |
0* | 10* | 1000 metri | Conteggio dei cavalli considerando il terreno disponibile per la produzione di bestiame per km² |
goat |
0* | 160* | 1000 metri | Conteggio delle capre considerando il terreno disponibile per la produzione di bestiame per km² |
sheep |
0* | 160* | 1000 metri | Conteggio delle 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) [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
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)');