Этот набор данных входит в каталог издателя и не управляется Google Earth Engine. Если вы обнаружили ошибку, свяжитесь с Land & Carbon Lab. Вы также можете посмотреть другие наборы данных из каталога Global Pasture Watch. Подробнее о наборах данных издателя…
- Владелец каталога
- Global Pasture Watch
- Доступность набора данных
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Поставщик набора данных
- Land and Carbon Lab Global Pasture Watch
- Контакт
- Land & Carbon Lab
- Периодичность
- 1 год
- Теги
Описание
Этот набор данных содержит информацию о поголовье скота в мире с 2000 по 2022 год с пространственным разрешением 1 км. Текущий набор данных, созданный в рамках инициативы Global Pasture Watch организации Land & Carbon Lab, содержит глобальные прогнозы поголовья скота, скорректированные с учетом национальной статистики FAOSTAT. Набор данных основан на крупнейшей из известных компиляций данных переписи скота на субнациональном уровне (согласованных из 55 336 административных единиц в 147 странах) и смоделирован с помощью машинного обучения (Random Forest) с использованием 128 экологических, социально-экономических и антропогенных пространственных слоев (включая высоту местности, данные MODIS, индекс засушливости, показатели доступности, распределение религиозного населения и т. д.). Области моделирования были ограничены ежегодным слоем потенциальных земель для животноводства, полученным на основе данных Landsat о пахотных землях и пастбищах с 2000 по 2022 год.
Набор данных предназначен для поддержки экологических и сельскохозяйственных приложений (уточнение оценок выбросов парниковых газов, моделирование циклов питательных веществ, оценка скорости депонирования углерода в почве, информирование о национальной политике в области животноводства и т. д.). Окончательные прогнозы были скорректированы с использованием линейного подхода к масштабированию по странам, чтобы агрегированные национальные итоги соответствовали статистике, предоставленной FAOSTAT. Эта корректировка ограничивает национальные итоги данными FAOSTAT, но не подтверждает, где именно в стране размещается скот; субнациональное распределение моделируется и должно рассматриваться как таковое. Для субнациональных приложений, требующих высокой точности, пользователям рекомендуется применять локальные калибровочные коэффициенты национальных агентств, а не полагаться полностью на скорректированные оценки ФАОСТАТ.
Оценки значений интервала прогнозирования с вероятностью 95 % (нижняя и верхняя границы вокруг средних прогнозов; 2,5-й и 97,5-й процентили), а также необработанные данные о плотности и прогнозы численности доступны в Zenodo:
- Годовая плотность поголовья скота
- Плотность популяции коз по годам
- Плотность поголовья овец за год
- Плотность популяции лошадей по годам
- Ежегодная плотность популяции буйволов
Набор данных также доступен в OpenLandMap STAC.
Ограничения
Моделирование распределения в радиусе 1 км, а не наблюдаемые местоположения скота. Пиксели представляют собой статистическое перераспределение приблизительных данных переписи на субнациональном уровне по годовому слою потенциальных земель для животноводства. Они не обозначают наблюдаемые стада или фермы. Точность модели оценивалась на основе многоугольников переписи населения с использованием ковариат средних значений многоугольников. Поскольку средняя площадь единицы переписи составляет около 2900 км² (стандартное отклонение – около 21 500), эти показатели описывают соответствие на уровне административной единицы и не характеризуют точность детализации в 1 км. Рассматривайте мелкомасштабную модель как вероятную дезагрегацию, а не как независимо подтвержденную оценку с разрешением 1 км.
Соответствие данным FAOSTAT не означает точность на местном уровне. Масштабирование по странам гарантирует, что национальные итоги соответствуют данным FAOSTAT, но не ограничивает и не подтверждает, где именно в стране размещаются животные. Поэтому общие данные по стране могут быть верными, а распределение по регионам – неточным.
Разрывы на государственных границах. Поскольку численность поголовья масштабируется до национальных итогов FAOSTAT отдельно для каждой страны, на международных границах могут возникать резкие изменения, например между Монголией и ее соседями, где сообщаемые национальные итоги сильно различаются. Это артефакты, а не реальные градиенты плотности.
Нерегулярные и неполные данные переписи. Данные переписи скота часто нерегулярны, неполны и могут быть завышены из-за двойного учета, вызванного перемещением животных через границы переписи или сменой владельцев ферм. Кроме того, пространственная доступность сильно варьируется; многие развивающиеся страны предоставляют данные только в грубых административных масштабах (на уровне штата/округа), что может привести к систематической недооценке незарегистрированного скота.
Несоответствие масштабов входных данных и нереалистичная плотность. Плотность поголовья скота рассчитывается путем объединения административных оценок численности с ежегодным слоем потенциальных земель для животноводства. В регионах, где преобладают безземельные системы животноводства или откормочные площадки, большое количество скота может не соответствовать нанесенным на карту потенциальным землям,что приводит к нереалистично высоким значениям плотности (местами превышающим 2500 голов крупного рогатого скота на км²).
Равномерное распределение по видам скота. Промежуточный слой, представляющий потенциальные земли для животноводства, равномерно применяется в качестве входных данных для всех смоделированных видов скота. Текущая модель не учитывает сложности различных систем управления животноводством (молочное животноводство, мясное животноводство, откорм) или особенности поведения отдельных видов, например коз, которые в основном питаются листьями и ветками.
Недооценка районов с высокой плотностью и ненадежные интервалы прогнозирования. Выбранные модели машинного обучения не могут прогнозировать районы с очень высокой плотностью скота, вероятно, недооценивая интенсивные очаги скота. Интервалы прогноза намного уже, чем подразумевает их номинальный уровень 95 %, и занижают истинную неопределенность. Хотя интервалы были помечены как 95 %, вероятность покрытия интервала прогнозирования (PICP) составила 30–45 %. Это означает, что наблюдения за полигонами переписи населения попадали в интервалы прогнозирования только в 30–45% случаев. Эти интервалы не следует использовать в качестве вероятностных границ для пороговых значений риска, вероятностей превышения или распространения ошибок без независимой повторной калибровки.
Временной охват и подтвержденная динамика. Слои охватывают период с 2000 по 2022 год, но временная валидация не проводилась. Большая часть межгодовых сигналов получена из национальных итогов FAOSTAT и ежегодно меняющихся входных данных о растительном покрове, в то время как модель плотности на пиксель в значительной степени опирается на статические и долгосрочные ковариаты. Некоторые социально-экономические входные данные остаются постоянными и переносятся на будущее (например, ИЧР до 2015 года, ночное освещение до ~2020 года). Осторожно интерпретируйте краткосрочные (из года в год) изменения.
Ограничения прерывистой гомолосинусоидальной проекции Гуда. Чтобы обеспечить точное пространственное выравнивание и минимизировать искажения, все моделирование проводилось в равновеликой системе координат, а именно в прерывистой гомолосинусоидальной проекции Гуда (используется для всех слоев в Zenodo). Перед загрузкой в GEE набор данных был преобразован в систему координат EPSG:4326. Поскольку исходные данные о численности населения представляют собой абсолютные значения на 1 км², для корректировки искажений, вызванных проекцией, использовался подход пространственного перераспределения (см. Github). Эта корректировка позволяет сохранить общие национальные значения для согласованности со статистикой FAOSTAT, хотя она может немного сместить локальное распределение численности поголовья в пределах границ страны.
Дополнительную информацию можно найти в статье Parente et. al, 2026, на сайте Zenodo и на странице Global Pasture Watch в GitHub.
Диапазоны частот
Диапазоны частот
Размер пикселя: 1000 метров (все диапазоны)
| Название | Мин. | Макс. | Размер пикселя | Описание |
|---|---|---|---|---|
cattle |
0* | 160* | 1000 метров | Поголовье крупного рогатого скота с учетом доступной площади для животноводства на км² |
buffalo |
0* | 160* | 1000 метров | Поголовье буйволов с учетом доступной земли для животноводства на км² |
horse |
0* | 10* | 1000 метров | Поголовье лошадей с учетом доступных земель для животноводства на км² |
goat |
0* | 160* | 1000 метров | Поголовье коз с учетом доступной площади для животноводства на км² |
sheep |
0* | 160* | 1000 метров | Поголовье овец с учетом доступной площади для животноводства на км² |
Свойства изображения
Свойства изображения
| Название | Тип | Описание |
|---|---|---|
| version | ПЕР | Версия продукта |
Условия использования
Условия использования
Библиографические ссылки
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Global Pasture Watch – слои с ежегодным поголовьем скота, коз, овец, лошадей и буйволов с разрешением 1 км за 2000–2022 гг. (с поправкой FAOSTAT) (версия v1) [набор данных]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). Глобальное распределение домашнего скота, лошадей, коз, овец и буйволов с разрешением 1 км за 2000–2022 гг. на основе данных переписи населения на субнациональном уровне и пространственно-временного машинного обучения. PeerJ. doi: 10.7717/peerj.21494
DOI
Исследуйте 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)');