Ten zbiór danych jest częścią Katalogu wydawców i nie jest zarządzany przez Google Earth Engine. W przypadku błędów skontaktuj się z Land & Carbon Lab. Więcej zbiorów danych z katalogu Global Pasture Watch znajdziesz tutaj. Więcej informacji o zbiorach danych wydawcy
- Właściciel katalogu
- Global Pasture Watch
- Dostępność zbioru danych
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Dostawca zbioru danych
- Land and Carbon Lab Global Pasture Watch
- Kontakt
- Land & Carbon Lab
- Częstotliwość
- 1 rok
- Tagi
Opis
Ten zbiór danych zawiera globalne dane dotyczące liczby zwierząt gospodarskich w latach 2000–2022 w rozdzielczości przestrzennej 1 km. Obecny zbiór danych, opracowany w ramach inicjatywy Global Pasture Watch prowadzonej przez Land & Carbon Lab, zawiera globalne prognozy liczby zwierząt gospodarskich skorygowane pod kątem statystyk krajowych FAOSTAT. Zbiór danych powstał na podstawie największego znanego zestawienia danych z narodowych spisów inwentarza żywego (zestawionego z 55 336 jednostek administracyjnych w 147 krajach) i został opracowany za pomocą uczenia maszynowego (Random Forest) z użyciem 128 warstw przestrzennych dotyczących środowiska, czynników społeczno-ekonomicznych i antropogenicznych (w tym wysokości terenu, danych MODIS, wskaźnika suchości, wskaźników dostępności, rozmieszczenia populacji religijnych itp.). Obszary modelowania zostały ograniczone do rocznej warstwy potencjalnych gruntów pod produkcję zwierzęcą, która została utworzona na podstawie danych Landsat dotyczących obszarów uprawnych i trawiastych z lat 2000–2022.
Zbiór danych został opracowany z myślą o zastosowaniach środowiskowych i rolniczych (udoskonalanie szacunków emisji gazów cieplarnianych, modelowanie cykli składników odżywczych, szacowanie tempa sekwestracji węgla w glebie, informowanie o krajowej polityce dotyczącej zwierząt gospodarskich itp.). Ostateczne prognozy zostały skorygowane za pomocą liniowego podejścia skalowania według krajów, tak aby zagregowane sumy krajowe odpowiadały statystykom podanym przez FAOSTAT. Ta korekta ogranicza sumy krajowe do danych FAOSTAT, ale nie weryfikuje, gdzie w danym kraju znajdują się zwierzęta gospodarskie. Alokacja na poziomie subnarodowym jest modelowana i należy ją traktować jako taką. W przypadku zastosowań na poziomie podkrajowym wymagających dużej precyzji zaleca się stosowanie lokalnych współczynników kalibracji pochodzących od agencji krajowych, a nie poleganie wyłącznie na szacunkach skorygowanych przez FAOSTAT.
Szacunki wartości przedziału prognozowania z 95-procentowym prawdopodobieństwem (dolne i górne granice wokół średnich prognoz; 2,5 i 97,5 percentyla) oraz surowe prognozy gęstości i liczby osób są dostępne w Zenodo:
- Roczna gęstość bydła
- Roczna gęstość kóz
- Roczna gęstość owiec
- Roczna gęstość koni
- Roczna gęstość występowania bawołów
Zbiór danych jest też dostępny w OpenLandMap STAC.
Ograniczenia:
Modelowa alokacja 1 km, a nie obserwowane lokalizacje zwierząt gospodarskich: piksele reprezentują statystyczną redystrybucję przybliżonych danych ze spisów powszechnych na poziomie podkrajowym na roczną warstwę potencjalnej ziemi pod produkcję zwierzęcą. Nie oznaczają one obserwowanych stad ani gospodarstw. Dokładność modelu została oceniona na podstawie wyłączonych wielokątów spisu ludności przy użyciu średnich wartości zmiennych w wielokątach. Średnia powierzchnia jednostki statystycznej wynosi ok. 2900 km² (odchylenie standardowe to ok. 21 500 km²), więc te dane opisują zgodność na poziomie jednostki administracyjnej i nie charakteryzują dokładności szczegółów na poziomie 1 km. Traktuj wzorzec o wysokiej rozdzielczości jako prawdopodobne rozdzielenie, a nie niezależnie zweryfikowane oszacowanie na poziomie 1 km.
Spójność z FAOSTAT nie oznacza dokładności lokalnej: ponowne skalowanie w poszczególnych krajach gwarantuje, że sumy krajowe są zgodne z danymi FAOSTAT, ale nie ogranicza ani nie weryfikuje, gdzie w danym kraju znajdują się zwierzęta. Dlatego łączne kwoty na poziomie krajowym mogą być prawidłowe, a przydział na poziomie subnarodowym może być niepewny.
Nieciągłości na granicach państw: ponieważ liczebność jest skalowana do krajowych sum FAOSTAT oddzielnie dla każdego kraju, na granicach międzynarodowych mogą pojawiać się nagłe zmiany – na przykład między Mongolią a jej sąsiadami, gdzie zgłaszane sumy krajowe znacznie się różnią. Są to artefakty korekty, a nie rzeczywiste gradienty gęstości.
Nieregularne i niekompletne dane ze spisu powszechnego: dane ze spisu powszechnego zwierząt gospodarskich są często nieregularne i niekompletne, a także mogą być zawyżone z powodu podwójnego liczenia wynikającego z przemieszczania się zwierząt przez granice spisowe lub zmian w własności gospodarstw. Ponadto dostępność przestrzenna jest bardzo zróżnicowana. Wiele krajów rozwijających się udostępnia dane tylko w dużej skali administracyjnej (na poziomie stanu lub hrabstwa), co może prowadzić do systematycznego niedoszacowania liczby nieudokumentowanych zwierząt gospodarskich.
Niedopasowane skale danych wejściowych i nierealistyczne gęstości: gęstości zwierząt gospodarskich są obliczane na podstawie połączenia szacunków liczby zwierząt w jednostkach administracyjnych z roczną warstwą potencjalnych gruntów pod produkcję zwierzęcą. W regionach, w których dominują systemy hodowli bezrolnej lub tuczu, duża liczba zwierząt gospodarskich może nie odpowiadać potencjalnej powierzchni gruntów,co skutkuje nierealistycznie wysokimi wartościami gęstości (lokalnie przekraczającymi 2500 sztuk bydła na km²).
Jednolite przypisanie do gatunków zwierząt gospodarskich: warstwa pośrednia reprezentująca potencjalne grunty pod produkcję zwierzęcą jest stosowana jednolicie jako dane wejściowe dla wszystkich modelowanych gatunków zwierząt gospodarskich. Obecny model nie uwzględnia złożoności różnych systemów zarządzania zwierzętami gospodarskimi (systemów mlecznych, systemów krów-matek i systemów tuczu) ani odrębnych zachowań poszczególnych gatunków, takich jak kozy, które żywią się głównie liśćmi i gałązkami.
Zaniżanie wartości w przypadku obszarów o dużym zagęszczeniu zwierząt gospodarskich i nierzetelne przedziały prognozy: wybrane modele uczenia maszynowego mają trudności z prognozowaniem wartości w przypadku obszarów o bardzo dużym zagęszczeniu zwierząt gospodarskich, prawdopodobnie zaniżając wartości w przypadku obszarów o największym zagęszczeniu. Przedziały prognozowania są znacznie węższe, niż wynikałoby to z nominalnego poziomu 95%, i zawyżają prawdziwą niepewność. Chociaż przedziały te zostały oznaczone jako 95-procentowe, prawdopodobieństwo pokrycia przedziału prognozowania (PICP) wynosiło 30–45%, co oznacza, że obserwacje dotyczące wyłączonych wielokątów spisu ludności mieściły się w przedziałach prognozowania tylko w około 30–45% przypadków. Tych przedziałów nie należy używać jako granic probabilistycznych dla progów ryzyka, prawdopodobieństw przekroczenia ani propagacji błędów w dalszych obliczeniach bez niezależnej ponownej kalibracji.
Zakres czasowy a zweryfikowana dynamika: warstwy obejmują lata 2000–2022, ale nie ma weryfikacji czasowej. Większość sygnałów międzyrocznych pochodzi z danych FAOSTAT dotyczących łącznej liczby ludności w poszczególnych krajach oraz z danych o pokryciu terenu, które zmieniają się co roku. Z kolei model gęstości na piksel opiera się w dużej mierze na statycznych i długoterminowych zmiennych pomocniczych. Niektóre dane społeczno-ekonomiczne są stałe i przenoszone na kolejne lata (np. HDI do 2015 r., światła nocne do ok. 2020 r.). Krótkoterminowe zmiany (z roku na rok) interpretuj ostrożnie.
Ograniczenia dotyczące przerywanej projekcji Goode Homolosine: aby zapewnić precyzyjne dopasowanie przestrzenne i zminimalizować zniekształcenia, wszystkie modelowania przeprowadzono w układzie współrzędnych o równej powierzchni, a konkretnie w przerywanej projekcji Goode Homolosine (używanej we wszystkich warstwach w Zenodo). Przed wczytaniem do GEE zbiór danych został przekonwertowany na układ współrzędnych EPSG:4326. Ponieważ pierwotne dane o liczbie ludności przedstawiają wartości bezwzględne na 1 km², do skorygowania zniekształceń spowodowanych projekcją zastosowano metodę przestrzennego rozkładu (patrz GitHub). Ta korekta zachowuje łączne wartości krajowe, aby zapewnić spójność ze statystykami FAOSTAT, chociaż może nieznacznie zmienić lokalny podział liczby osób w granicach kraju.
Więcej informacji znajdziesz w Parente i wsp., 2026, Zenodo i na stronie Global Pasture Watch w GitHubie
Pasma
Pasma
Rozmiar piksela: 1000 m (wszystkie pasma)
| Nazwa | Minimum | Maks. | Rozmiar piksela | Opis |
|---|---|---|---|---|
cattle |
0* | 160* | 1 000 metrów | Liczba bydła z uwzględnieniem dostępnej powierzchni pod produkcję zwierzęcą na km² |
buffalo |
0* | 160* | 1 000 metrów | Liczba bawołów z uwzględnieniem dostępnego obszaru pod produkcję zwierzęcą na km² |
horse |
0* | 10* | 1 000 metrów | Liczba koni z uwzględnieniem dostępnej powierzchni pod produkcję zwierzęcą na km² |
goat |
0* | 160* | 1 000 metrów | Liczba kóz z uwzględnieniem dostępnej powierzchni pod produkcję zwierzęcą na km² |
sheep |
0* | 160* | 1 000 metrów | Liczba owiec z uwzględnieniem dostępnej powierzchni pod produkcję zwierzęcą na km² |
Właściwości obrazu
Właściwości obrazu
| Nazwa | Typ | Opis |
|---|---|---|
| wersja | PRZ | Wersja usługi |
Warunki usługi
Warunki korzystania z usługi
Cytowanie
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) [Zbiór danych]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Globalny rozkład zwierząt gospodarskich, koni, kóz, owiec i bawołów w rozdzielczości 1 km w latach 2000–2022 na podstawie danych z całej populacji na poziomie podkrajowym i uczenia maszynowego w przestrzeni i czasie. PeerJ. doi: 10.7717/peerj.21494
DOI
Odkrywaj za pomocą Earth Engine
Edytor kodu (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)');