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 conferir mais conjuntos de dados do catálogo do Global Pasture Watch. Saiba mais sobre os conjuntos de dados de editores.
- Proprietário do catálogo
- Global Pasture Watch
- Disponibilidade do conjunto de dados
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Produtor do 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 (links em inglês), o conjunto de dados atual fornece previsões globais de contagem ajustadas às estatísticas nacionais da FAOSTAT (link em inglês). O conjunto de dados é baseado na maior compilação conhecida de dados de censo de animais 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 MODIS, índice de aridez, métricas de acessibilidade, distribuição da população religiosa etc.). As áreas de modelagem foram restritas à camada anual de terras potenciais para produção de animais, derivada de extensões de terras agrícolas e pastagens baseadas em Landsat de 2000 a 2022.
O conjunto de dados foi projetado para oferecer suporte a aplicações ambientais e agrícolas (refinar estimativas de emissão de GEE, modelar ciclos de nutrientes, estimar taxas de sequestro de carbono do solo, informar políticas nacionais de animais etc.). As previsões finais foram ajustadas usando uma abordagem de escalonamento linear país a país para que os totais nacionais agregados correspondam às estatísticas fornecidas pela FAOSTAT. Esse ajuste restringe os totais nacionais à FAOSTAT, mas não valida onde os animais estão localizados em um país. A alocação subnacional é modelada e deve ser tratada como tal. Para aplicações subnacionais que exigem alta precisão, os usuários são incentivados a aplicar fatores de calibragem locais de agências nacionais em vez de confiar totalmente nas estimativas ajustadas pela FAOSTAT.
As 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 as densidades brutas e previsões de contagem estão disponíveis no Zenodo (link em inglês):
- 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 de animais observados: os pixels representam uma redistribuição estatística de contagens de censo subnacionais aproximadas na camada anual de terras potenciais para produção de animais. Eles não marcam rebanhos ou fazendas observados. A precisão do modelo foi avaliada em polígonos de censo retidos usando covariáveis de média de polígonos. Como a unidade de censo média é de aproximadamente 2.900 km² (DP ~21.500), essas métricas descrevem a concordância no nível da unidade administrativa e não caracterizam a precisão do detalhe de 1 km. Trate o padrão de escala fina como uma desagregação plausível, não uma estimativa de 1 km validada de forma independente.
A consistência da FAOSTAT não é acurácia local: o reescalonamento país a país garante que os totais nacionais correspondam à FAOSTAT por construção. Ele não restringe nem valida onde os animais são colocados em um país. Portanto, os totais nacionais podem estar corretos, enquanto a alocação subnacional permanece incerta.
Descontinuidades nas fronteiras nacionais: como as contagens são reescalonadas para os totais nacionais da FAOSTAT separadamente para cada país, mudanças abruptas podem aparecer 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 de censo irregulares e incompletos: os dados de censo de animais são geralmente irregulares, incompletos e podem ser superestimados devido à dupla contagem causada pela mobilidade dos animais nas fronteiras do censo ou mudanças na propriedade da fazenda. 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 à subestimação sistemática de animais não documentados.
Escalas de entrada incompatíveis e densidades não realistas: as densidades de animais são derivadas da combinação de estimativas de contagem administrativa com a camada anual de terras potenciais para produção de animais. Em regiões dominadas por sistemas de animais sem terra ou confinamentos, o grande número de animais pode não corresponder à terra potencial mapeada, resultando em valores de densidade não realistas (excedendo localmente 2.500 cabeças de gado por km²).
Alocação uniforme em todas as espécies de animais: a camada intermediária que representa terra potencial para produção de animais é aplicada uniformemente como entrada para todas as espécies de animais modeladas. O modelo atual não considera as complexidades de diferentes sistemas de manejo de animais (sistemas de produção de leite, de gado de corte e de engorda) ou comportamentos distintos específicos de espécies, como cabras que agem principalmente como navegadores.
Subestimação de áreas de alta densidade e intervalos de previsão não confiáveis: os modelos de aprendizado de máquina selecionados têm dificuldade em prever áreas com densidade muito alta de animais, provavelmente subestimando pontos de acesso intensos. Os intervalos de previsão são muito mais estreitos do que o nível nominal de 95% implica e subestimam a verdadeira incerteza. Embora rotulada como intervalos de 95%, a probabilidade de cobertura do intervalo de previsão (PICP, na sigla em inglês) foi considerada de 30 a 45%, o que significa que as observações de polígonos de censo retidos caíram dentro dos intervalos de previsão apenas cerca de 30 a 45% do tempo. 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 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 para 2015, luzes noturnas para ~2020). Interprete a mudança de curto prazo (ano a ano) com cautela.
Advertências de projeção de Goode Homolosine interrompida: para garantir o 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 para todas as camadas no Zenodo). Antes da ingestão do GEE, o conjunto de dados foi convertido para o sistema de coordenadas EPSG:4326. Como os dados de contagem originais representam valores absolutos por 1 km², uma abordagem de redistribuição espacial foi usada para corrigir distorções induzidas pela projeção (consulte Github, link em inglês). 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 (link em inglês)
Bandas
Bandas
Tamanho do pixel: 1.000 metros (todas as bandas)
| Nome | Min | Máx. | Tamanho do pixel | Descrição |
|---|---|---|---|---|
cattle |
0* | 160* | 1.000 metros | Contagem de gado considerando a terra disponível para produção de animais por km² |
buffalo |
0* | 160* | 1.000 metros | Contagem de búfalos considerando a terra disponível para produção de animais por km² |
horse |
0* | 10* | 1.000 metros | Contagem de cavalos considerando a terra disponível para produção de animais por km² |
goat |
0* | 160* | 1.000 metros | Contagem de cabras considerando a terra disponível para produção de animais por km² |
sheep |
0* | 160* | 1.000 metros | Contagem de ovelhas considerando a terra disponível para produção de animais por km² |
Propriedades da imagem
Propriedades da imagem
| Nome | Tipo | Descrição |
|---|---|---|
| versão | 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 - 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
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)');