Esse conjunto de dados faz parte de um catálogo de editores e não é gerenciado pelo Google Earth Engine. Entre em contato com o Land & Carbon Lab para informar bugs ou ver mais conjuntos de dados do catálogo Global Pasture Watch. Saiba mais sobre os conjuntos de dados do publisher.
- Proprietário do catálogo
- Global Pasture Watch (em inglês)
- Disponibilidade do conjunto de dados
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Produtor de conjunto de dados
- Land and Carbon Lab Global Pasture Watch
- Contato
- Land & Carbon Lab
- Cadência
- 1 ano
- Tags
Descrição
Esse conjunto de dados fornece a contagem global de animais de 2000 a 2022 com resolução espacial de 1 km. Produzido pela iniciativa Global Pasture Watch do Land & Carbon Lab, o conjunto de dados atual fornece previsões globais de contagem ajustadas às estatísticas nacionais do FAOSTAT. O conjunto de dados é baseado na maior compilação conhecida de dados de censos de pecuária subnacionais (harmonizados de 55.336 unidades administrativas em 147 países) e é modelado por aprendizado de máquina (Random Forest), usando 128 camadas espaciais ambientais, socioeconômicas e antropogênicas (incluindo elevação do terreno, dados do MODIS, índice de aridez, métricas de acessibilidade, distribuição da população religiosa etc.). As áreas de modelagem foram restritas à camada anual de potencial de terra para produção pecuária, derivada de áreas de cultivo e pastagens com base no Landsat de 2000 a 2022.
O conjunto de dados foi criado para oferecer suporte a aplicações ambientais e agrícolas (refinando estimativas de emissões de gases de efeito estufa, modelando ciclos de nutrientes, estimando taxas de sequestro de carbono do solo, informando políticas nacionais de pecuária etc.). As previsões finais foram ajustadas usando uma abordagem de escalonamento linear por país para que os totais nacionais agregados correspondam às estatísticas fornecidas pelo FAOSTAT. Esse ajuste restringe os totais nacionais ao FAOSTAT, mas não valida onde o gado está localizado em um país. A alocação subnacional é modelada e deve ser tratada como tal. Para aplicativos subnacionais que exigem alta precisão, recomendamos que os usuários apliquem fatores de calibragem locais de agências nacionais em vez de confiar totalmente nas estimativas ajustadas da FAOSTAT.
Estimativas de valores de intervalo de previsão de probabilidade de 95% (limites inferior e superior em torno das previsões médias; percentis 2,5 e 97,5) e previsões de densidades brutas e contagem de pessoas estão disponíveis no Zenodo:
- Densidades anuais de gado
- Densidades anuais de cabras
- Densidades anuais de ovelhas
- Densidades anuais de cavalos
- Densidades anuais de búfalos
O conjunto de dados também está disponível no OpenLandMap STAC (link em inglês).
Limitações:
Alocação modelada de 1 km, não locais observados de gado: os pixels representam uma redistribuição estatística de contagens censitárias subnacionais em uma camada anual de potencial de terra para produção de gado. Eles não marcam rebanhos ou fazendas observados. A acurácia do modelo foi avaliada em polígonos de censo retidos usando covariáveis de média de polígonos. Como a unidade censitária média é de aproximadamente 2.900 km² (DP ~21.500), essas métricas descrevem a concordância no nível da unidade administrativa e não caracterizam a acurácia do detalhe de 1 km. Trate o padrão de alta resolução como uma desagragação plausível, não como uma estimativa de 1 km validada de forma independente.
A consistência da FAOSTAT não é precisão local: o reescalonamento por país garante que os totais nacionais correspondam à FAOSTAT por construção, mas não restringe nem valida onde os animais estão localizados em um país. Portanto, os totais nacionais podem estar corretos, mas a alocação subnacional permanece incerta.
Descontinuidades nas fronteiras nacionais: como os totais de funcionários são reescalonados para os totais nacionais da FAOSTAT separadamente para cada país, podem aparecer mudanças abruptas nas fronteiras internacionais, por exemplo, entre a Mongólia e seus vizinhos, onde os totais nacionais informados são muito diferentes. Esses são artefatos do ajuste, não gradientes de densidade reais.
Dados censitários irregulares e incompletos: os dados do censo pecuário são frequentemente irregulares, incompletos e podem ser superestimados devido à dupla contagem causada pela mobilidade dos animais nas fronteiras do censo ou por mudanças na propriedade das fazendas. Além disso, a disponibilidade espacial varia muito. Muitos países em desenvolvimento só fornecem dados em escalas administrativas aproximadas (nível estadual/municipal), o que pode levar a uma subestimação sistemática do gado sem documentação.
Escalas de entrada incompatíveis e densidades não realistas: as densidades de animais são derivadas da combinação de estimativas administrativas de contagem de pessoas com a camada anual de potencial de terra para produção de animais. Em regiões dominadas por sistemas de pecuária sem terra ou confinamentos, o grande número de animais pode não corresponder à terra potencial mapeada, resultando em valores de densidade irrealisticamente altos (localmente excedendo 2.500 cabeças de gado km⁻²).
Alocação uniforme em todas as espécies de gado: a camada intermediária que representa a área potencial para produção de gado é aplicada de maneira uniforme como uma entrada para todas as espécies de gado modeladas. O modelo atual não considera as complexidades de diferentes sistemas de manejo de gado (leiteiro x bezerro-vaca x sistemas de engorda) ou comportamentos específicos de espécies distintas, como cabras agindo principalmente como navegadores.
Subestimação de áreas de alta densidade e intervalos de previsão não confiáveis: os modelos de machine learning selecionados têm dificuldade em prever áreas com densidade muito alta de gado, provavelmente subestimando pontos críticos de alta intensidade. Os intervalos de previsão são muito mais estreitos do que o nível nominal de 95% implica e subestimam a verdadeira incerteza. Embora sejam rotulados como intervalos de 95%, a probabilidade de cobertura do intervalo de previsão (PICP, na sigla em inglês) foi de 30 a 45%, o que significa que as observações de polígonos de censo retidas ficaram dentro dos intervalos de previsão apenas cerca de 30 a 45% das vezes. Esses intervalos não devem ser usados como limites probabilísticos para limites de risco, probabilidades de excedência ou propagação de erros downstream sem recalibragem independente.
Cobertura temporal x dinâmica validada: as camadas abrangem os anos de 2000 a 2022 anualmente, mas não há validação de retenção temporal. Grande parte do sinal interanual deriva dos totais nacionais da FAOSTAT e das entradas de cobertura da terra que variam anualmente, enquanto o modelo de densidade por pixel depende substancialmente de covariáveis estáticas e de longo prazo. Algumas entradas socioeconômicas são mantidas constantes e transferidas (por exemplo, IDH até 2015, luzes noturnas até 2020). Interprete as mudanças de curto prazo (ano a ano) com cautela.
Observações sobre a projeção de Goode Homolosine interrompida: para garantir um alinhamento espacial preciso e minimizar distorções, toda a modelagem foi realizada em um sistema de coordenadas de área igual, especificamente a projeção de Goode Homolosine interrompida (usada em todas as camadas do Zenodo). Antes da ingestão do GEE, o conjunto de dados foi convertido para o sistema de coordenadas EPSG:4326. Como os dados originais de contagem representam valores absolutos por 1 km², uma abordagem de redistribuição espacial foi usada para corrigir distorções induzidas pela projeção (consulte Github). Esse ajuste preserva os valores nacionais totais para consistência com as estatísticas da FAOSTAT, embora possa mudar ligeiramente a alocação local de contagens dentro das fronteiras do país.
Para mais informações, consulte Parente et. al, 2026, Zenodo e o site do Global Pasture Watch no GitHub
Bandas
Bandas
Tamanho do pixel: 1.000 metros (todas as bandas)
| Nome | Mín. | Máx. | Tamanho do pixel | Descrição |
|---|---|---|---|---|
cattle |
0* | 160* | 1.000 metros | Número de cabeças de gado considerando a área disponível para produção pecuária por km² |
buffalo |
0* | 160* | 1.000 metros | Número de búfalos considerando a área disponível para produção de gado por km² |
horse |
0* | 10* | 1.000 metros | Número de cavalos considerando a área disponível para produção de gado por km² |
goat |
0* | 160* | 1.000 metros | Número de cabeças de cabras considerando a área disponível para produção de gado por km² |
sheep |
0* | 160* | 1.000 metros | Número de ovelhas considerando a área disponível para produção de gado por km² |
Propriedades de imagens
Propriedades da imagem
| Nome | Tipo | Descrição |
|---|---|---|
| version | INT | Versão do produto |
Termos de Uso
Termos de Uso
Citações
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch - Camadas anuais de contagem de gado para gado, cabras, ovelhas, cavalos e búfalos em 1 km 2000–2022 (ajustado pela FAOSTAT) (versão v1) [Conjunto de dados]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Distribuição global de gado, cavalos, cabras, ovelhas e búfalos com resolução de 1 km para 2000 a 2022 com base em dados de censos subnacionais e machine learning espaço-temporal. PeerJ. doi: 10.7717/peerj.21494
Identificadores DOI
Explore com o Earth Engine
Editor de código (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)');