Ten zbiór danych jest częścią katalogu wydawcy i nie jest zarządzany przez Google Earth Engine. W przypadku błędów skontaktuj się z Land & Carbon Lab lub wyświetl więcej zbiorów danych z katalogu Global Pasture Watch. Więcej informacji o zbiorach danych wydawcy.
- Właściciel katalogu
- Global Pasture Watch
- Dostępność zbioru danych
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Producent zbioru danych
- Land and Carbon Lab Global Pasture Watch
- Kontakt
- Land &Carbon Lab
- Kadencja
- 1 rok
- Tagi
Opis
Ten zbiór danych zawiera globalne dane o liczbie zwierząt gospodarskich w latach 2000–2022 w rozdzielczości przestrzennej 1 km. Aktualny zbiór danych, opracowany w ramach inicjatywy Global Pasture Watch prowadzonej przez Land &Carbon Lab, zawiera globalne prognozy liczby zwierząt gospodarskich dostosowane do statystyk krajowych FAOSTAT. Zbiór danych jest oparty na największym znanym zestawieniu danych z krajowych spisów zwierząt gospodarskich (zharmonizowanych z 55 336 jednostek administracyjnych w 147 krajach) i jest modelowany za pomocą uczenia maszynowego (Random Forest) z wykorzystaniem 128 przestrzennych warstw środowiskowych, społeczno-ekonomicznych i antropogenicznych (w tym wysokości terenu, danych MODIS, wskaźnika suchości, wskaźników dostępności, rozmieszczenia populacji religijnej itp.). Obszary modelowania zostały ograniczone do rocznej warstwy potencjalnych gruntów pod produkcję zwierzęcą, uzyskanej na podstawie danych Landsat o powierzchni gruntów ornych i pastwisk w latach 2000–2022.
Zbiór danych jest przeznaczony do zastosowań środowiskowych i rolniczych (m.in. do ulepszania szacunków emisji gazów cieplarnianych, modelowania cykli składników odżywczych, szacowania tempa pochłaniania dwutlenku węgla w glebie, informowania o krajowych politykach dotyczących zwierząt gospodarskich). Ostateczne prognozy zostały dostosowane za pomocą liniowego podejścia do skalowania w poszczególnych krajach, tak aby zagregowane sumy krajowe odpowiadały statystykom podanym przez FAOSTAT. To dostosowanie ogranicza sumy krajowe do danych FAOSTAT, ale nie sprawdza, gdzie w danym kraju znajdują się zwierzęta gospodarskie. Alokacja na poziomie krajowym jest modelowana i należy ją traktować jako taką. W przypadku zastosowań na poziomie krajowym wymagających wysokiej precyzji zalecamy stosowanie lokalnych współczynników kalibracji z agencji krajowych, a nie poleganie wyłącznie na szacunkach dostosowanych do danych FAOSTAT.
Szacunki wartości przedziału prognozowania z prawdopodobieństwem 95% (dolne i górne granice wokół średnich prognoz; 2,5 i 97,5 percentyla) oraz surowe dane o gęstości i prognozy liczby zwierząt gospodarskich są dostępne w Zenodo:
- Roczna gęstość bydła
- Roczna gęstość kóz
- Roczna gęstość owiec
- Roczna gęstość koni
- Roczna gęstość bawołów
Zbiór danych jest też dostępny w OpenLandMap STAC.
Ograniczenia:
Modelowana alokacja 1 km, a nie obserwowane lokalizacje zwierząt gospodarskich: piksele reprezentują statystyczną redystrybucję przybliżonych danych ze spisu na poziomie krajowym w rocznej warstwie potencjalnych gruntów pod produkcję zwierzęcą. Nie oznaczają one obserwowanych stad ani gospodarstw. Dokładność modelu została oceniona na podstawie wyłączonych wielokątów spisu z wykorzystaniem współzmiennych średniej wielokąta. Ponieważ średnia jednostka spisu ma powierzchnię ok. 2900 km² (odchylenie standardowe ok. 21 500), te dane opisują zgodność na poziomie jednostki administracyjnej i nie charakteryzują dokładności szczegółów na poziomie 1 km. Wzorzec w drobnej skali należy traktować jako prawdopodobne rozdzielenie, a nie jako niezależnie zweryfikowany szacunek na poziomie 1 km.
Spójność z FAOSTAT nie oznacza dokładności lokalnej: ponowne skalowanie w poszczególnych krajach gwarantuje, że sumy krajowe będą zgodne z danymi FAOSTAT. Nie ogranicza ani nie weryfikuje, gdzie w danym kraju znajdują się zwierzęta. Sumy krajowe mogą być zatem prawidłowe, a alokacja na poziomie krajowym pozostaje niepewna.
Nieciągłości na granicach państw: ponieważ liczba zwierząt gospodarskich jest skalowana do sum krajowych FAOSTAT oddzielnie dla każdego kraju, na granicach międzynarodowych mogą występować nagłe zmiany – na przykład między Mongolią a jej sąsiadami, gdzie zgłaszane sumy krajowe znacznie się różnią. Są to artefakty dostosowania, a nie rzeczywiste gradienty gęstości.
Nieregularne i niekompletne dane ze spisu: dane ze spisu zwierząt gospodarskich są często nieregularne, niekompletne i mogą być przeszacowane ze względu na podwójne liczenie spowodowane przemieszczaniem się zwierząt między granicami spisu lub zmianami właściciela gospodarstwa. Ponadto dostępność przestrzenna jest bardzo zróżnicowana. Wiele krajów rozwijających się udostępnia dane tylko w przybliżonej skali administracyjnej (na poziomie stanu lub hrabstwa), co może prowadzić do systematycznego niedoszacowania liczby zwierząt gospodarskich nieobjętych spisem.
Niedopasowane skale danych wejściowych i nierealistyczne gęstości: gęstość zwierząt gospodarskich jest obliczana przez połączenie szacunków liczby zwierząt na poziomie administracyjnym z roczną warstwą potencjalnych gruntów pod produkcję zwierzęcą. W regionach, w których dominują systemy hodowli bez ziemi lub tuczu, duża liczba zwierząt gospodarskich może nie odpowiadać mapowanym potencjalnym gruntom,co prowadzi do nierealistycznie wysokich wartości gęstości (lokalnie przekraczających 2500 sztuk bydła na km²).
Jednolita alokacja w przypadku różnych 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 (mlecznymi, cielnymi i tucznymi) ani odrębnych zachowań specyficznych dla gatunków, takich jak kozy, które żywią się głównie liśćmi i gałązkami.
Niedoszacowanie obszarów o dużej gęstości i nierzetelne przedziały prognozowania: wybrane modele uczenia maszynowego mają trudności z przewidywaniem obszarów o bardzo dużej gęstości zwierząt gospodarskich, co prawdopodobnie prowadzi do niedoszacowania intensywnych hotspotów zwierząt gospodarskich. Przedziały prognozowania są znacznie węższe niż sugeruje ich nominalny poziom 95% i zaniżają rzeczywistą niepewność. Chociaż są oznaczone jako przedziały 95%, prawdopodobieństwo pokrycia przedziału prognozowania (PICP) wynosiło 30–45%, co oznacza, że obserwacje wyłączonych wielokątów spisu mieściły się w przedziałach prognozowania tylko w ok. 30–45% przypadków. Bez niezależnej ponownej kalibracji nie należy używać tych przedziałów jako probabilistycznych granic progów ryzyka, prawdopodobieństw przekroczenia ani propagacji błędów w dalszych etapach.
Pokrycie czasowe a zweryfikowana dynamika: warstwy obejmują lata 2000–2022, ale nie ma walidacji czasowej. Znaczna część sygnału międzyrocznego pochodzi z sum krajowych FAOSTAT i zmieniających się co roku danych wejściowych dotyczących pokrycia terenu, natomiast model gęstości na piksel opiera się w dużej mierze na statycznych i długoterminowych współzmiennych. Niektóre dane społeczno-ekonomiczne są stałe i przenoszone (np. HDI do 2015 r., światła nocne do ok. 2020 r.). Krótkoterminowe zmiany (rok do roku) należy interpretować ostrożnie.
Zastrzeżenia dotyczące przerwanej projekcji Goode’a: aby zapewnić precyzyjne wyrównanie przestrzenne i zminimalizować zniekształcenia, wszystkie modelowania przeprowadzono w układzie współrzędnych o równej powierzchni, a konkretnie w przerwanej projekcji Goode’a (używanej we wszystkich warstwach w Zenodo). Przed wczytaniem do GEE zbiór danych został przekonwertowany na układ współrzędnych EPSG:4326. Ponieważ oryginalne dane o liczbie zwierząt gospodarskich reprezentują wartości bezwzględne na 1 km², do skorygowania zniekształceń spowodowanych projekcją użyto podejścia do redystrybucji przestrzennej (patrz Github). To dostosowanie zachowuje łączne wartości krajowe, aby zapewnić spójność ze statystykami FAOSTAT, ale może nieznacznie przesunąć lokalną alokację liczby zwierząt gospodarskich w granicach kraju.
Więcej informacji znajdziesz w publikacji Parente et al., 2026, Zenodo i na stronie Global Pasture Watch w GitHubie
Pasma
Pasma
Rozmiar piksela: 1000 metrów (wszystkie pasma)
| Nazwa | Minimum | Maks. | Rozmiar piksela | Opis |
|---|---|---|---|---|
cattle |
0* | 160* | 1000 metrów | Liczba bydła z uwzględnieniem dostępnych gruntów pod produkcję zwierzęcą na km² |
buffalo |
0* | 160* | 1000 metrów | Liczba bawołów z uwzględnieniem dostępnych gruntów pod produkcję zwierzęcą na km² |
horse |
0* | 10* | 1000 metrów | Liczba koni z uwzględnieniem dostępnych gruntów pod produkcję zwierzęcą na km² |
goat |
0* | 160* | 1000 metrów | Liczba kóz z uwzględnieniem dostępnych gruntów pod produkcję zwierzęcą na km² |
sheep |
0* | 160* | 1000 metrów | Liczba owiec z uwzględnieniem dostępnych gruntów pod produkcję zwierzęcą na km² |
Właściwości obrazu
Właściwości obrazu
| Nazwa | Typ | Opis |
|---|---|---|
| wersja | INT | 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 – roczne warstwy liczby zwierząt gospodarskich, kóz, owiec, koni i bawołów w rozdzielczości 1 km w latach 2000–2022 (dostosowane do danych FAOSTAT) (wersja 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). Globalne rozmieszczenie zwierząt gospodarskich, koni, kóz, owiec i bawołów w rozdzielczości 1 km w latach 2000–2022 na podstawie danych ze spisu na poziomie krajowym 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)');