GPW Annual livestock headcount FAOSTAT-adjusted v1

projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m
info

此数据集属于发布商目录，并非由 Google Earth Engine 管理。 如需报告 bug 或查看 Global Pasture Watch Catalog中的更多数据集，请与Land & Carbon Lab联系。详细了解发布商数据集。

目录所有者
Global Pasture Watch
数据集可用时间
2000-01-01T00:00:00Z–2022-12-31T00:00:00Z
数据集生产者
联系人
Land &Carbon Lab
Earth Engine 代码段
ee.ImageCollection("projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m")
步频
1 年
标记
agriculture global global-pasture-watch gpw land landuse pasture publisher-dataset rangeland

说明

此数据集以 1 公里的空间分辨率提供 2000 年至 2022 年的全球牲畜数量。 此数据集由 Land &Carbon Lab 的 Global Pasture Watch 计划生成，提供根据 FAOSTAT 国家/地区统计数据调整后的全球牲畜数量预测。该数据集基于已知最大的次国家/地区级牲畜普查数据汇编（来自 147 个国家/地区的 55,336 个行政单位，并经过统一处理），并通过机器学习（随机森林）建模，使用 128 个环境、社会经济和人为空间层（包括地形海拔、MODIS 数据、干旱指数、可访问性指标、宗教人口分布等）。建模区域仅限于 2000 年至 2022 年基于 Landsat 的农田和草地范围得出的潜在牲畜生产用地年度层。

该数据集旨在支持环境和农业应用（完善温室气体排放量估算、模拟养分循环、估算土壤碳封存率、为国家牲畜政策提供信息等）。最终预测使用线性国家/地区级缩放方法进行调整，以使汇总的国家/地区总数与 FAOSTAT 提供的统计数据相符。此调整将国家/地区总数限制为 FAOSTAT，但不会验证牲畜在国家/地区内的位置；次国家/地区级分配是经过建模的，应按此方式处理。对于需要高精度的次国家/地区级应用，建议用户应用国家/地区机构的本地校准因子，而不是完全依赖于 FAOSTAT 调整后的估算值。

95% 概率预测区间值（平均预测值周围的下限和上限；第 2.5 个百分位数和第 97.5 个百分位数）以及原始密度和牲畜数量预测的估算值可在 Zenodo 中找到：

该数据集也可在 OpenLandMap STAC 中找到。

限制：

建模的 1 公里分配，而非观测到的牲畜位置：像素表示粗略的次国家/地区级普查计数在潜在牲畜生产用地年度层中的统计重新分配；它们不标记观测到的畜群或农场。使用多边形平均协变量对保留的普查多边形评估了模型准确率。由于平均普查单位约为 2,900 平方公里（标准差约为 21,500），因此这些指标描述了行政单位级别的协议，并未描述 1 公里详细信息的准确率。将精细尺度模式视为合理的分解，而不是独立验证的 1 公里估算值。

FAOSTAT 一致性并非本地准确率：国家/地区级重新缩放保证了国家/地区总数与 FAOSTAT 在结构上相符；它不会限制或验证牲畜在国家/地区内的位置。因此，国家/地区总数可能是正确的，但次国家/地区级分配仍不确定。

国界处的不连续性：由于每个国家/地区的牲畜数量都单独重新缩放为 FAOSTAT 国家/地区总数，因此国际边界可能会出现突变，例如蒙古及其邻国之间，报告的国家/地区总数差异很大。这些是调整的产物，而不是真实的密度梯度。

普查数据不规则且不完整：牲畜普查数据通常不规则、不完整，并且可能因牲畜跨普查边界流动或农场所有权变更而导致重复计数，从而被高估。此外，空间可用性差异很大；许多发展中国家/地区仅提供粗略行政尺度（州/县级）的数据，这可能会导致对未记录的牲畜进行系统性低估。

输入尺度不匹配和不切实际的密度：牲畜密度是通过将行政牲畜数量估算值与潜在牲畜生产用地年度层相结合得出的。在以无地牲畜系统或饲养场为主的地区，牲畜数量可能与映射的潜在用地不匹配，从而导致密度值过高（局部超过 2,500 头牛/平方公里）。

跨牲畜物种的统一分配：代表潜在牲畜生产用地的中间层统一应用于所有建模的牲畜物种的输入。当前模型未考虑不同牲畜管理系统（奶牛与牛犊与育肥系统）或不同物种特定行为（例如山羊主要作为浏览者）的复杂性。

低估高密度区域和不可靠的预测区间：所选机器学习模型难以预测牲畜密度非常高的区域，可能会低估牲畜密集热点。预测区间比其名义 95% 水平所暗示的要窄得多，并且低估了真实的不确定性。虽然标记为 95% 区间，但预测区间覆盖概率 (PICP) 仅为 30-45%，这意味着保留的普查多边形观测值仅在约 30-45% 的时间内落在预测区间内。在没有独立重新校准的情况下，这些区间不应作为风险阈值、超额概率或下游错误传播的概率边界。

时间覆盖范围与经过验证的动态：这些层每年跨越 2000-2022 年，但没有时间保留验证。许多年际信号来自 FAOSTAT 国家/地区总数和每年变化的土地覆盖输入，而每像素密度模型则很大程度上依赖于静态和长期协变量；一些社会经济输入保持不变并向前推进（例如，2015 年的人类发展指数、约 2020 年的夜间灯光）。谨慎解读短期（年际）变化。

中断的 Goode Homolosine 投影注意事项：为确保精确的空间对齐并最大限度地减少失真，所有建模均在等面积坐标系中进行，具体而言，即中断的 Goode Homolosine 投影（用于 Zenodo 中的所有层）。在 GEE 提取之前，数据集已转换为 EPSG:4326 坐标系。由于原始牲畜数量数据表示每平方公里的绝对值，因此使用空间重新分配方法来校正投影引起的失真（请参阅 Github）。此调整保留了国家/地区总值，以与 FAOSTAT 统计数据保持一致，但可能会略微改变国家/地区边界内牲畜数量的本地分配。

如需了解详情，请参阅 Parente et. al, 2026、Zenodo 和 Global Pasture Watch GitHub 网站

频段

频段

像素大小：1000 米（所有频段）

名称 最小值 全速 像素大小 说明
cattle 0* 160* 1000 米

考虑每平方公里可用于牲畜生产的土地的牛数量
buffalo 0* 160* 1000 米

考虑每平方公里可用于牲畜生产的土地的水牛数量
horse 0* 10* 1000 米

考虑每平方公里可用于牲畜生产的土地的马数量
goat 0* 160* 1000 米

考虑每平方公里可用于牲畜生产的土地的山羊数量
sheep 0* 160* 1000 米

考虑每平方公里可用于牲畜生产的土地的绵羊数量
* 估算的最小值或最大值

图像属性

图像属性

名称 类型 说明
版本 INT

产品版本

使用条款

使用条款

CC-BY-4.0

引用

引用：

  • Parente, L.，Ehrmann, S.，Hengl, T.，Fritz, S.，Bonannella, C. 等 (2026)。Global Pasture Watch - Annual livestock headcount layers for livestock, goats, sheep, horses, and buffaloes at 1-km 2000–2022 (FAOSTAT-adjusted)（版本 v1）[数据集]。Zenodo。doi:https://doi.org/10.5281/zenodo.20396303

  • Parente, L.，Ehrmann, S.，Hengl, T.，Fritz, S.，Bonannella, C. 等 (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

DOI

通过 Earth Engine 探索

代码编辑器 (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)');
在代码编辑器中打开
此数据集以 1 公里的空间分辨率提供 2000 年至 2022 年的全球牲畜数量。此数据集由 Land &Carbon Lab 的 Global Pasture Watch 计划生成，提供根据 FAOSTAT 国家/地区统计数据调整后的全球牲畜数量预测。该数据集基于已知最大的次国家/地区级牲畜普查数据汇编…
projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m, agriculture,global,global-pasture-watch,gpw,land,landuse,pasture,publisher-dataset,rangeland
2000-01-01T00:00:00Z/2022-12-31T00:00:00Z
-90 -180 90 180
Google Earth Engine