Этот набор данных является частью каталога издателя и не управляется Google Earth Engine. Для сообщения об ошибках обращайтесь в Land & Carbon Lab или просмотрите другие наборы данных из каталога Global Pasture Watch. Узнайте больше о наборах данных издателя .
- Владелец каталога
- Глобальный мониторинг пастбищ
- Доступность набора данных
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Производитель наборов данных
- Land and Carbon Lab Global Pasture Watch
- Контакт
- Лаборатория земли и углерода
- Каденция
- 1 год
- Теги
- сельское хозяйство
Описание
Этот набор данных содержит глобальные данные о численности поголовья скота с 2000 по 2022 год с пространственным разрешением 1 км. Созданный в рамках инициативы Global Pasture Watch лаборатории Land & Carbon Lab, текущий набор данных содержит глобальные прогнозы численности поголовья, скорректированные с учетом национальной статистики FAOSTAT. Набор данных основан на крупнейшей известной компиляции данных субнациональных переписей скота ( гармонизированных на основе 55 336 административных единиц из 147 стран ) и смоделирован с помощью машинного обучения (случайный лес) с использованием 128 пространственных слоев, отражающих экологическую, социально-экономическую и антропогенную обстановку (включая высоту рельефа, данные MODIS, индекс засушливости, показатели доступности, религиозное распределение населения и т. д.). Моделируемые области были ограничены годовым слоем потенциальных земель для животноводства , полученным на основе данных Landsat о площади пахотных и пастбищных угодий с 2000 по 2022 год.
Данный набор данных предназначен для поддержки экологических и сельскохозяйственных приложений (уточнение оценок выбросов парниковых газов, моделирование круговорота питательных веществ, оценка скорости поглощения углерода почвой, информирование национальной политики в области животноводства и т. д.). Окончательные прогнозы были скорректированы с использованием линейного подхода масштабирования по странам, чтобы агрегированные национальные итоги соответствовали статистическим данным, предоставленным FAOSTAT. Эта корректировка ограничивает национальные итоги данными FAOSTAT, но не подтверждает, где именно в стране размещено поголовье скота; распределение на субнациональном уровне моделируется и должно рассматриваться как таковое. Для субнациональных приложений, требующих высокой точности, пользователям рекомендуется применять локальные калибровочные коэффициенты национальных агентств, а не полагаться исключительно на оценки, скорректированные FAOSTAT.
Оценки значений 95%-ного доверительного интервала прогнозирования (нижняя и верхняя границы средних прогнозов; 2,5-й и 97,5-й процентили), а также исходные данные о плотности и численности персонала доступны в Zenodo:
- Годовая плотность поголовья скота
- Годовая плотность поголовья коз
- Годовая плотность овец
- Ежегодная плотность популяции лошадей
- Ежегодная плотность популяции буйволов
Данный набор данных также доступен в OpenLandMap STAC .
Ограничения:
Моделирование распределения в пределах 1 км, а не наблюдаемые местоположения скота : пиксели представляют собой статистическое перераспределение приблизительных данных субнациональной переписи населения по годовому слою потенциальных земель для животноводства ; они не отмечают наблюдаемые стада или фермы. Точность модели оценивалась на отложенных полигонах переписи с использованием ковариат среднего значения полигона. Поскольку средняя площадь переписной единицы составляет ~2900 км² (стандартное отклонение ~21 500), эти показатели описывают согласованность на уровне административных единиц и не характеризуют точность детализации в пределах 1 км. Рассматривайте мелкомасштабную картину как правдоподобное дезагрегирование, а не как независимо подтвержденную оценку в пределах 1 км.
Согласованность данных FAOSTAT не означает локальной точности : пересчет по странам гарантирует, что национальные итоговые показатели по умолчанию соответствуют данным FAOSTAT; он не ограничивает и не подтверждает, где именно в пределах страны размещены животные. Таким образом, национальные итоговые показатели могут быть правильными, в то время как распределение на субнациональном уровне остается неопределенным.
Разрывы на национальных границах : Поскольку численность населения пересчитывается отдельно для каждой страны в соответствии с общенациональными данными FAOSTAT, могут возникать резкие изменения на международных границах — например, между Монголией и ее соседями, где сообщаемые общенациональные показатели сильно различаются. Это артефакты корректировки, а не реальные градиенты плотности.
Нерегулярные и неполные данные переписи : Данные переписи скота часто бывают нерегулярными, неполными и могут быть завышены из-за двойного учета, вызванного перемещением животных через границы переписных участков или изменением формы собственности на ферму. Кроме того, пространственная доступность данных сильно варьируется; многие развивающиеся страны предоставляют данные только на уровне крупных административных единиц (штат/округ), что может привести к систематической недооценке незарегистрированного скота.
Несоответствие масштабов входных данных и нереалистичная плотность : Плотность поголовья скота определяется путем объединения административных оценок численности с годовым слоем потенциальных земель для животноводства . В регионах, где преобладают безземельные системы животноводства или откормочные площадки, большое количество скота может не соответствовать картированным потенциальным землям, что приводит к нереалистично высоким значениям плотности (местами превышающим 2500 голов скота на км⁻²).
Равномерное распределение земель по видам скота : промежуточный слой, представляющий потенциальные земли для животноводства, применяется единообразно в качестве входных данных для всех моделируемых видов скота. Текущая модель не учитывает сложности различных систем управления животноводством (молочное животноводство, разведение коров с телятами и откормочные системы) или специфические особенности поведения отдельных видов, например, когда козы преимущественно питаются листьями и ветками.
Недооценка районов с высокой плотностью поголовья скота и ненадежные интервалы прогнозирования : выбранные модели машинного обучения с трудом прогнозируют районы с очень высокой плотностью поголовья скота, вероятно, недооценивая очаги интенсивного животноводства. Интервалы прогнозирования значительно уже, чем предполагает их номинальный 95%-ный уровень, и занижают истинную неопределенность. Хотя интервалы обозначены как 95%, вероятность охвата интервала прогнозирования (PICP) составила 30-45%, что означает, что данные, полученные с помощью полигонов переписи, попадали в интервалы прогнозирования лишь примерно в 30-45% случаев. Эти интервалы не следует использовать в качестве вероятностных границ для пороговых значений риска, вероятностей превышения или распространения ошибок в дальнейшем без независимой перекалибровки.
Временной охват против подтвержденной динамики : Слои охватывают период с 2000 по 2022 год, но отсутствует временная проверка с контрольной точкой. Большая часть межгодового сигнала получена из национальных суммарных данных FAOSTAT и ежегодно изменяющихся входных данных о землепользовании, в то время как модель плотности для каждого пикселя в значительной степени опирается на статические и долгосрочные ковариаты; некоторые социально-экономические входные данные остаются постоянными и переносятся на будущие периоды (например, ИЧР до 2015 года, ночное освещение примерно до 2020 года). Краткосрочные (ежегодные) изменения следует интерпретировать с осторожностью.
Особенности проекции прерывистого Гуда-Гомолосин : Для обеспечения точного пространственного выравнивания и минимизации искажений все моделирование проводилось в равноплощадной системе координат, а именно в проекции прерывистого Гуда-Гомолосин (используемой для всех слоев в Zenodo ). Перед загрузкой GEE набор данных был преобразован в систему координат EPSG:4326. Поскольку исходные данные о численности населения представляют собой абсолютные значения на 1 км², для коррекции искажений, вызванных проекцией, использовался метод пространственного перераспределения (см. Github ). Эта корректировка сохраняет общие национальные значения для обеспечения согласованности со статистикой FAOSTAT, хотя она может незначительно сместить локальное распределение численности населения в пределах границ страны.
Более подробную информацию можно найти в работе Parente et al., 2026 , на сайтах Zenodo и Global Pasture Watch в GitHub.
Группы
Группы
Размер пикселя: 1000 метров (все диапазоны)
| Имя | Мин | Макс | Размер пикселя | Описание |
|---|---|---|---|---|
cattle | 0* | 160* | 1000 метров | Численность поголовья крупного рогатого скота с учетом доступных земель для животноводства на км² |
buffalo | 0* | 160* | 1000 метров | Подсчет численности буйволов с учетом доступных земель для животноводства на квадратный километр. |
horse | 0* | 10* | 1000 метров | Количество лошадей с учетом доступных земель для животноводства на квадратный километр. |
goat | 0* | 160* | 1000 метров | Численность коз с учетом доступной для животноводства площади в км² |
sheep | 0* | 160* | 1000 метров | Численность овец с учетом доступных для животноводства земель на квадратный километр. |
Свойства изображения
Свойства изображения
| Имя | Тип | Описание |
|---|---|---|
| версия | ИНТ | Версия продукта |
Условия эксплуатации
Условия эксплуатации
Цитаты
Паренте, Л., Эрманн, С., Хенгль, Т., Фриц, С., Бонаннелла, К. и др. (2026). Global Pasture Watch - Ежегодные данные о численности скота (коз, овец, лошадей и буйволов) на расстоянии 1 км 2000–2022 гг. (с поправкой FAOSTAT) (Версия v1) [Набор данных]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Паренте, Л., Эрманн, С., Хенгль, Т., Фриц, С., Бонаннелла, К. и др. (2026). Глобальное распределение домашнего скота, лошадей, коз, овец и буйволов с разрешением 1 км за 2000–2022 годы на основе данных субнациональной переписи и пространственно-временного машинного обучения. PeerJ. doi: 10.7717/peerj.21494
DOI
Исследуйте мир с помощью Earth Engine.
Редактор кода (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)');