Bu veri kümesi, bir yayıncı kataloğunun parçasıdır ve Google Earth Engine tarafından yönetilmez. Hatalar için Land & Carbon Lab ile iletişime geçin. Global Pasture Watch Kataloğu'ndan daha fazla veri kümesi görüntüleyin. Yayıncı veri kümeleri hakkında daha fazla bilgi edinin.
- Katalog Sahibi
- Global Pasture Watch
- Veri Kümesi Kullanılabilirliği
- 2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
- Veri Kümesi Üreticisi
- Land and Carbon Lab Global Pasture Watch
- İletişim
- Land & Carbon Lab
- Adım frekansı
- 1 yıl
- Etiketler
Açıklama
Bu veri kümesi, 2000-2022 yılları arasında 1 km uzamsal çözünürlükte küresel olarak çiftlik hayvanlarının sayısını sağlar. Land & Carbon Lab'ın Global Pasture Watch girişimi tarafından üretilen mevcut veri kümesi, FAOSTAT ulusal istatistiklerine göre ayarlanmış küresel hayvan sayısı tahminlerini sağlar. Veri kümesi, bilinen en büyük ulusal alt düzeydeki hayvancılık sayımı verileri derlemesine (147 ülkedeki 55.336 idari birimden uyarlanmıştır) dayanır ve 128 çevresel, sosyoekonomik ve antropojenik uzamsal katman (arazi yüksekliği, MODIS verileri, kuraklık indeksi, erişilebilirlik metrikleri, dini nüfus dağılımı vb. dahil) kullanılarak makine öğrenimi (Random Forest) aracılığıyla modellenir. Modelleme alanları, 2000-2022 yılları arasındaki Landsat tabanlı ekili alan ve çayır alanlarından elde edilen hayvancılık için potansiyel arazi yıllık katmanıyla sınırlandırılmıştır.
Veri kümesi, çevresel ve tarımsal uygulamaları (Sera Gazı emisyonu tahminlerini iyileştirme, besin döngülerini modelleme, toprak karbon tutma oranlarını tahmin etme, ulusal hayvancılık politikaları hakkında bilgi verme vb.) desteklemek için tasarlanmıştır. Nihai tahminler, ülke bazında doğrusal bir ölçeklendirme yaklaşımı kullanılarak ayarlandı. Böylece, toplanan ulusal toplamlar FAOSTAT tarafından sağlanan istatistiklerle eşleşti. Bu düzenleme, ulusal toplamları FAOSTAT ile sınırlar ancak bir ülke içinde hayvancılığın nerede yapıldığını doğrulamaz. Ülke altı tahsis modellenir ve bu şekilde ele alınmalıdır. Yüksek hassasiyet gerektiren ulusal düzeyin altındaki uygulamalarda, kullanıcıların tamamen FAOSTAT'ın ayarladığı tahminlere güvenmek yerine ulusal kurumlardan alınan yerel kalibrasyon faktörlerini uygulamaları önerilir.
%95 olasılıkla tahmin aralığı değerlerinin (ortalama tahminlerin alt ve üst sınırları; 2,5.ve 97,5.yüzdelikler) tahminleri ve ham yoğunluklar ile kişi sayısı tahminleri Zenodo'da mevcuttur:
- Yıllık sığır yoğunlukları
- Yıllık keçi yoğunlukları
- Yıllık koyun yoğunlukları
- Yıllık at yoğunlukları
- Yıllık manda yoğunlukları
Veri kümesi OpenLandMap STAC'de de mevcuttur.
Sınırlamalar:
Gözlemlenen hayvan konumları değil, 1 km'lik modellenmiş dağıtım: Pikseller, hayvancılık üretimi için potansiyel arazi yıllık katmanında kaba ulusal alt düzey sayımların istatistiksel olarak yeniden dağıtılmasını temsil eder. Gözlemlenen sürüleri veya çiftlikleri işaretlemez. Model doğruluğu, çokgen ortalaması kovaryantları kullanılarak ayrılmış nüfus sayımı çokgenleri üzerinde değerlendirildi. Ortalama nüfus sayımı birimi ~2.900 km² (standart sapma ~21.500) olduğundan bu metrikler, idari birim düzeyindeki anlaşmayı açıklar ve 1 km'lik ayrıntının doğruluğunu karakterize etmez. İnce ölçekli kalıbı, bağımsız olarak doğrulanmış 1 km'lik bir tahmin olarak değil, olası bir ayrışma olarak değerlendirin.
FAOSTAT tutarlılığı, yerel doğruluk anlamına gelmez: Ülke bazında yeniden ölçeklendirme, ulusal toplamların FAOSTAT ile eşleşmesini garanti eder ancak hayvanların ülke içinde nereye yerleştirileceğini kısıtlamaz veya doğrulamayı sağlamaz. Bu nedenle, ulusal toplamlar doğru olabilir ancak ulusal altı düzeydeki dağıtım belirsizliğini korur.
Ülke sınırlarında süreksizlikler: Toplamlar, her ülke için ayrı ayrı FAOSTAT ulusal toplamlarına göre yeniden ölçeklendirildiğinden uluslararası sınırlar arasında ani değişiklikler görülebilir. Örneğin, bildirilen ulusal toplamların büyük farklılık gösterdiği Moğolistan ile komşuları arasında bu tür değişiklikler görülebilir. Bunlar, gerçek yoğunluk gradyanları değil, ayarlamanın eserleridir.
Düzensiz ve eksik nüfus sayımı verileri: Hayvancılık nüfus sayımı verileri genellikle düzensiz ve eksiktir. Ayrıca, hayvanların nüfus sayımı sınırları içindeki hareketliliği veya çiftlik sahipliğindeki değişiklikler nedeniyle çift sayım yapılması sonucu olduğundan olduğundan daha yüksek tahmin edilebilir. Ayrıca, mekansal kullanılabilirlik büyük ölçüde değişir. Birçok gelişmekte olan ülke yalnızca kaba idari ölçeklerde (eyalet/ilçe düzeyi) veri sağlar. Bu durum, belgelenmemiş çiftlik hayvanlarının sistematik olarak az tahmin edilmesine yol açabilir.
Eşleşmeyen giriş ölçekleri ve gerçekçi olmayan yoğunluklar: Hayvan yoğunlukları, idari kişi sayısı tahminleri ile hayvancılık üretimi için potansiyel arazi yıllık katmanının birleştirilmesiyle elde edilir. Topraksız hayvancılık sistemlerinin veya besihanelerin hakim olduğu bölgelerde, çok sayıda hayvan, haritada gösterilen potansiyel araziyle eşleşmeyebilir. Bu durum,gerçekçi olmayan yüksek yoğunluk değerlerine (yerel olarak 2.500 baş/km²'yi aşan) yol açar.
Çiftlik hayvanı türleri arasında eşit dağıtım: Çiftlik hayvanı üretimi için potansiyel araziyi temsil eden ara katman, modellenen tüm çiftlik hayvanı türleri için eşit şekilde giriş olarak uygulanır. Mevcut model, farklı hayvancılık yönetim sistemlerinin (süt, inek-buzağı, besicilik sistemleri) karmaşıklığını veya türlere özgü davranışları (ör. keçilerin öncelikle otlama davranışları) hesaba katmaz.
Yüksek yoğunluklu alanların az tahmin edilmesi ve güvenilir olmayan tahmin aralıkları: Seçilen makine öğrenimi modelleri, çok yüksek hayvan yoğunluğuna sahip alanları tahmin etmekte zorlanıyor ve yoğun hayvan yetiştirme merkezlerini muhtemelen az tahmin ediyor. Tahmin aralıkları, nominal% 95 düzeyinin ima ettiğinden çok daha dardır ve gerçek belirsizliği az gösterir. %95 aralık olarak etiketlenmesine rağmen, tahmin aralığı kapsamı olasılığının (PICP) %30-45 olduğu tespit edildi. Bu da ayrılmış nüfus sayımı poligonu gözlemlerinin, tahmin aralıklarına yalnızca% 30-45 oranında düştüğü anlamına geliyor. Bu aralıklar, bağımsız yeniden kalibrasyon yapılmadan risk eşikleri, aşma olasılıkları veya aşağı akış hata yayılımı için olasılık sınırları olarak kullanılmamalıdır.
Zaman aralığı kapsamı ve doğrulanmış dinamikler: Katmanlar yıllık olarak 2000-2022 yıllarını kapsar ancak zamansal olarak ayrılmış doğrulama yoktur. Yıllar arası sinyalin büyük bir kısmı FAOSTAT ulusal toplamlarından ve yıllık olarak değişen arazi örtüsü girişlerinden elde edilirken piksel başına yoğunluk modeli büyük ölçüde statik ve uzun vadeli kovaryantlara dayanır.Bazı sosyoekonomik girişler sabit tutulur ve ileriye taşınır (ör. 2015'e kadar GSYİH, ~2020'ye kadar gece ışıkları). Kısa vadeli (yıldan yıla) değişimi dikkatli bir şekilde yorumlayın.
Kesintili Goode Homolosine projeksiyonuyla ilgili uyarılar: Tüm modelleme, kesin bir mekansal hizalama sağlamak ve bozulmaları en aza indirmek için eşit alanlı bir koordinat sisteminde (özellikle Zenodo'daki tüm katmanlar için kullanılan Kesintili Goode Homolosine projeksiyonu) yapılmıştır. Veri kümesi, GEE alımından önce EPSG:4326 koordinat sistemine dönüştürülmüştür. Orijinal kişi sayısı verileri, 1 km² başına mutlak değerleri temsil ettiğinden, projeksiyondan kaynaklanan bozulmaları düzeltmek için mekansal yeniden dağıtım yaklaşımı kullanılmıştır (Github'a bakın). Bu düzenleme, ülke sınırları içindeki kişi sayılarının yerel dağılımını biraz değiştirebilse de FAOSTAT istatistikleriyle tutarlılık için toplam ulusal değerleri korur.
Daha fazla bilgi için Parente et. al, 2026, Zenodo ve Global Pasture Watch GitHub sitesi'ne bakın.
Bantlar
Bantlar
Piksel boyutu: 1.000 metre (tüm bantlar)
| Ad | Min. | Maks. | Piksel Boyutu | Açıklama |
|---|---|---|---|---|
cattle |
0* | 160* | 1.000 metre | km² başına hayvancılık üretimi için mevcut arazi dikkate alınarak hesaplanan büyükbaş hayvan sayısı |
buffalo |
0* | 160* | 1.000 metre | km² başına hayvancılık üretimi için mevcut arazi dikkate alınarak hesaplanan manda sayısı |
horse |
0* | 10* | 1.000 metre | km² başına hayvancılık üretimi için mevcut arazi dikkate alınarak hesaplanan at sayısı |
goat |
0* | 160* | 1.000 metre | Km² başına hayvancılık üretimi için mevcut arazi dikkate alınarak keçi sayısı |
sheep |
0* | 160* | 1.000 metre | Km² başına hayvancılık üretimi için mevcut arazi dikkate alınarak hesaplanan koyun sayısı |
Resim Özellikleri
Görüntü Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| sürüm | MÜD | Ürün sürümü |
Kullanım Şartları
Kullanım Şartları
Alıntılar
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) [Veri kümesi]. Zenodo. doi:https://doi.org/10.5281/zenodo.20396303
Parente, L., Ehrmann, S., Hengl, T., Fritz, S., Bonannella, C., et al. (2026). 2000-2022 yılları arasında alt ulusal nüfus sayımı verilerine ve uzamsal-zamansal makine öğrenimine dayalı olarak 1 km çözünürlükte büyükbaş hayvan, at, keçi, koyun ve manda küresel dağılımı. PeerJ. doi: 10.7717/peerj.21494
DOI'lar
Earth Engine ile Keşif
Kod Düzenleyici (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)');