このデータセットはパブリッシャー カタログの一部であり、Google Earth Engine によって管理されていません。 バグについては Land & Carbon Lab にお問い合わせください。Global Pasture Watch カタログでその他のデータセットを表示する こともできます。詳しくは、パブリッシャー データセットについての説明をご覧ください。
- カタログの所有者
- Global Pasture Watch
- 利用可能なデータセットの期間
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- データセットの作成者
- Land and Carbon Lab Global Pasture Watch
- 連絡先
- Land &Carbon Lab
- 回転数
- 1 年
- タグ
説明
このデータセットは、2000 年から 2022 年までの全球の家畜頭数を 1 km の空間解像度で提供します。 Land &Carbon Lab の Global Pasture Watch イニシアチブによって作成された現在のデータセットは、FAOSTAT の国別統計に合わせて調整された全球の頭数予測を提供します。このデータセットは、既知の最大規模の国別家畜センサス データ（147 か国の 55,336 の行政単位から調和）に基づいており、128 の環境、社会経済、人為的空間レイヤ（地形標高、MODIS データ、乾燥指数、アクセシビリティ指標、宗教人口分布など）を使用して、機械学習（ランダム フォレスト）によってモデル化されています。モデリング エリアは、2000 年から 2022 年までの Landsat ベースの農地と草地の範囲から派生した、家畜生産に適した土地の年間レイヤに限定されました。
このデータセットは、環境および農業アプリケーション（GHG 排出量の推定値の改善、栄養循環のモデリング、土壌炭素隔離率の推定、国の家畜政策の通知など）をサポートするように設計されています。最終的な予測は、国別の線形スケーリング アプローチを使用して調整され、集計された国別の合計が FAOSTAT によって提供される統計と一致するようにしました。この調整により、国別の合計は FAOSTAT に制約されますが、国内のどこに家畜が配置されているかは検証されません。国別の割り当てはモデル化されており、そのように扱う必要があります。高精度が求められる国別のアプリケーションでは、FAOSTAT で調整された推定値に完全に依存するのではなく、国の機関から提供されるローカル キャリブレーション ファクタを適用することをおすすめします。
95% の確率の予測間隔値（平均予測値の上下限、2.5 パーセンタイルと 97.5 パーセンタイル）と、未加工の密度と頭数予測は、Zenodo で入手できます。
このデータセットは、OpenLandMap STAC でも利用できます。
制限事項:
観測された家畜の場所ではなく、モデル化された 1 km の割り当て: ピクセルは、家畜生産に適した土地の年間レイヤ全体にわたる、粗い国別センサス数の統計的再分布を表します。観測された群れや農場を示すものではありません。モデルの精度は、ポリゴン平均共変量を使用して、保留されたセンサス ポリゴンで評価されました。センサス単位の平均は ~2,900 km²（SD ~21,500）であるため、これらの指標は行政単位レベルでの一致を表しており、1 km の詳細の精度を示すものではありません。細かいスケールのパターンは、個別に検証された 1 km の推定値ではなく、妥当な細分化として扱ってください。
FAOSTAT の一貫性はローカルの精度ではありません: 国別のリスケーリングにより、国別の合計が FAOSTAT と一致することが保証されますが、国内のどこに動物が配置されているかは制約または検証されません。そのため、国別の合計は正しい場合でも、国別の割り当ては不確実なままになる可能性があります。
国境での不連続性: 頭数は国ごとに FAOSTAT の国別合計にリスケーリングされるため、国境を越えて急激な変化が生じることがあります。たとえば、モンゴルとその近隣諸国では、報告された国別合計が大きく異なります。これらは調整のアーティファクトであり、実際の密度勾配ではありません。
不規則で不完全なセンサス データ: 家畜センサス データは不規則で不完全なことが多く、センサス境界を越えた動物の移動や農場の所有者の変更による二重カウントにより、過大評価される可能性があります。さらに、空間的な可用性は大きく異なります。多くの発展途上国では、粗い行政スケール（州/郡レベル）でのみデータを提供しているため、文書化されていない家畜が体系的に過小評価される可能性があります。
入力スケールの不一致と非現実的な密度: 家畜の密度は、行政上の頭数推定値と家畜生産に適した土地の年間レイヤを組み合わせて算出されます。土地のない家畜システムや肥育場が支配的な地域では、家畜の数が地図上の潜在的な土地と一致しない場合があり、非現実的に高い密度値（局所的に 2,500 頭 km⁻² を超える）が生じることがあります。
家畜種全体で均一な割り当て: 家畜生産に適した土地を表す中間レイヤは、モデル化されたすべての家畜種に対して入力として均一に適用されます。現在のモデルでは、さまざまな家畜管理システム（乳牛、牛、肥育システム）の複雑さや、ヤギが主にブラウザとして機能するなど、種固有の行動は考慮されていません。
高密度エリアの過小評価と信頼性の低い予測間隔: 選択した機械学習モデルは、家畜密度が非常に高いエリアの予測に苦労し、家畜のホットスポットを過小評価する可能性があります。予測間隔は、名目上の 95% レベルよりもはるかに狭く、真の不確実性を過小評価しています。95% 間隔とラベル付けされていますが、予測間隔カバレッジ確率（PICP）は 30 ～ 45% であり、保留されたセンサス ポリゴンの観測値が予測間隔内に収まるのは約 30 ～ 45% でした。これらの間隔は、独立した再キャリブレーションなしに、リスクしきい値、超過確率、ダウンストリーム エラー伝播の確率的境界として使用しないでください。
時間的範囲と検証済みのダイナミクス: レイヤは 2000 ～ 2022 年にわたって毎年更新されますが、時間的なホールドアウト検証はありません。年間のシグナルの多くは、FAOSTAT の国別合計と年ごとに変化する土地被覆入力から派生しています。一方、ピクセル単位の密度モデルは、静的で長期的な共変量に大きく依存しています。一部の社会経済的入力は一定に保たれ、繰り越されます（例: 2015 年までの HDI、2020 年までの夜間照明）。短期的な（年ごとの）変化は慎重に解釈してください。
中断されたグード ホモロサイン図法の注意点: 正確な空間アライメントを確保し、歪みを最小限に抑えるため、すべてのモデリングは等面積座標系（具体的には、中断されたグード ホモロサイン図法（Zenodo のすべてのレイヤで使用））で行われました。GEE に取り込む前に、データセットは EPSG:4326 座標系に変換されました。元の頭数データは 1 km² あたりの絶対値を表しているため、投影によって生じる歪みを補正するために空間再分布アプローチが使用されました（Github を参照）。この調整により、FAOSTAT 統計との整合性を保つために国別の合計値が保持されますが、国境内の頭数のローカル割り当てがわずかにシフトする可能性があります。
詳細については、Parente et. al, 2026、Zenodo と Global Pasture Watch GitHub サイトをご覧ください。
バンド
バンド
ピクセルサイズ: 1000 メートル（すべてのバンド）
| 名前 | 最小 | 最大 | ピクセルサイズ | 説明 |
|---|---|---|---|---|
cattle |
0* | 160* | 1000 メートル | 1 km² あたりの家畜生産に利用可能な土地を考慮した牛の頭数 |
buffalo |
0* | 160* | 1000 メートル | 1 km² あたりの家畜生産に利用可能な土地を考慮した水牛の頭数 |
horse |
0* | 10* | 1000 メートル | 1 km² あたりの家畜生産に利用可能な土地を考慮した馬の頭数 |
goat |
0* | 160* | 1000 メートル | 1 km² あたりの家畜生産に利用可能な土地を考慮したヤギの頭数 |
sheep |
0* | 160* | 1000 メートル | 1 km² あたりの家畜生産に利用可能な土地を考慮した羊の頭数 |
画像プロパティ検出
画像プロパティ検出
| 名前 | タイプ | 説明 |
|---|---|---|
| version | INT | プロダクト バージョン |
利用規約
利用規約
引用
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) [データセット]（バージョン v1）。Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Subnational census data and spatiotemporal machine learning に基づく、2000 ～ 2022 年の家畜、馬、ヤギ、羊、水牛の 1 km 解像度の全球分布。PeerJ. doi: 10.7717/peerj.21494
DOI
Earth Engine で探索する
コードエディタ（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)');