GPW全球牲畜数量数据集FAOSTAT调整版 v1引言牲畜分布数据是理解全球粮食安全、公共卫生、温室气体排放和养分循环的关键基础信息。然而高分辨率、长时间序列的全球牲畜分布数据一直较为稀缺。Global Pasture Watch全球牧场监测计划发布的这套数据集填补了这一重要空白。该数据集由Land Carbon Lab的 Global Pasture Watch 计划生成提供了2000年至2022年全球五种主要牲畜牛、山羊、绵羊、马、水牛的数量分布数据空间分辨率为1公里。数据集概述属性说明数据集IDprojects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m时间范围2000-01-01 至 2022-12-31空间分辨率1 公里时间分辨率1 年空间范围全球数据生产者Land Carbon Lab Global Pasture Watch数据生产方法该数据集的构建基于已知最大规模的次国家级牲畜普查数据汇编涵盖了来自147个国家/地区的55,336个行政单位。研究人员通过随机森林Random Forest机器学习模型进行建模使用了128个环境、社会经济和人为空间层作为预测变量包括地形海拔MODIS遥感数据干旱指数可达性指标宗教人口分布等模型分析区域限定于2000年至2022年间基于Landsat数据的潜在畜牧生产用地范围内。最终预测结果采用线性国家/地区缩放方法进行调整使汇总的国家/地区总数与FAOSTAT提供的官方统计数据保持一致。重要提示该数据集的FAOSTAT一致性并不等同于局部准确性。国家层面的总数与FAOSTAT匹配但牲畜在国家内部的次国家分配完全基于模型计算。对于需要高精度次国家级应用的用户建议结合本地校正系数使用。波段信息该数据集为年度数据每年对应一个影像每个影像包含多个牲畜物种波段。所有波段均为整数类型代表每个像素内的牲畜数量头数。波段名称说明cattle牛的数量头goats山羊的数量头sheep绵羊的数量头horses马的数量头buffaloes水牛的数量头注意该数据集不包含缩放系数波段值即为估计的牲畜头数。Earth Engine 代码示例JavaScriptCode Editor// 加载GPW牲畜数量数据集vardatasetee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m);// 按年份过滤例如2020年varfiltereddataset.filterDate(2020-01-01,2020-12-31);// 选择牛cattle波段varcattlefiltered.select(cattle).first();// 可视化参数根据区域调整最大值varvisParams{min:0,max:100,palette:[white,yellow,orange,red,darkred]};// 添加到地图Map.centerObject(cattle,5);Map.addLayer(cattle,visParams,Cattle Headcount (2020));// 打印数据集信息print(Dataset:,dataset);print(Number of years:,dataset.size());print(Available years:,dataset.aggregate_array(system:time_start).map(function(date){returnee.Date(date).format(YYYY);}));多物种叠加显示JavaScript// 加载2020年数据varyear2020dataset.filterDate(2020-01-01,2020-12-31).first();// 选择多个物种varcattleyear2020.select(cattle);varsheepyear2020.select(sheep);vargoatsyear2020.select(goats);// 分别可视化varpalette[white,yellow,orange,red];Map.addLayer(cattle,{min:0,max:50,palette:palette},Cattle);Map.addLayer(sheep,{min:0,max:50,palette:palette},Sheep);Map.addLayer(goats,{min:0,max:50,palette:palette},Goats);提取时间序列JavaScript提取特定位置各年份的牲畜数量变化// 定义感兴趣点varpointee.Geometry.Point([-100,40]);// 美国中部// 加载数据集vardatasetee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m);// 提取牛的数量时间序列vartsdataset.map(function(image){varvalimage.reduceRegion({reducer:ee.Reducer.first(),geometry:point,scale:1000,maxPixels:1e9});returnee.Feature(null,{year:ee.Date(image.get(system:time_start)).format(YYYY),cattle:ee.Number(val.get(cattle))});});print(Cattle Time Series:,ts);全部代码Map.setCenter(0,0,3);varsld160RasterSymbolizer ColorMap typeramp ColorMapEntry color#a9a9a9 quantity0 label0/ ColorMapEntry color#ffffd4 quantity1 label1/ ColorMapEntry color#ffe5a3 quantity12 label12/ ColorMapEntry color#fec168 quantity24 label24/ ColorMapEntry color#fe9828 quantity48 label48/ ColorMapEntry color#f1851f quantity64 label64/ ColorMapEntry color#e57116 quantity72 label72/ ColorMapEntry color#d95f0d quantity84 label84/ ColorMapEntry color#ce570c quantity96 label96/ ColorMapEntry color#c4500a quantity112 label112/ ColorMapEntry color#b94909 quantity124 label124/ ColorMapEntry color#ae4207 quantity136 label136/ ColorMapEntry color#a43b05 quantity148 label148/ ColorMapEntry color#993404 quantity160 label160/ /ColorMap/RasterSymbolizervarsld10RasterSymbolizer ColorMap typeramp ColorMapEntry color#a9a9a9 quantity0 label0/ ColorMapEntry color#ffffd4 quantity1 label1/ ColorMapEntry color#ffefb5 quantity2 label2/ ColorMapEntry color#ffde96 quantity3 label2/ ColorMapEntry color#fec46c quantity4 label4/ ColorMapEntry color#fea73f quantity5 label5/ ColorMapEntry color#f68c23 quantity6 label6/ ColorMapEntry color#e67217 quantity7 label7/ ColorMapEntry color#d25a0c quantity8 label8/ ColorMapEntry color#b64708 quantity9 label9/ ColorMapEntry color#993404 quantity10 label10/ /ColorMap/RasterSymbolizervargldee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m)vargld_2000gld.filterDate(2000-01-01,2001-01-01).first();vargld_2022gld.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));可视化结果Pythongeemap / eeimporteeimportgeemap# 初始化 Earth Engineee.Initialize()# 加载数据集datasetee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m)# 过滤2020年year2020dataset.filterDate(2020-01-01,2020-12-31).first()cattleyear2020.select(cattle)# 创建交互式地图Mapgeemap.Map()Map.centerObject(cattle,4)# 可视化参数vis_params{min:0,max:100,palette:[white,yellow,orange,red,darkred]}Map.addLayer(cattle,vis_params,Cattle Headcount (2020))Map.addLayerControl()Map注意事项与使用限制数据集归属该数据集属于发布商目录并非由Google Earth Engine管理。如需报告问题或查看更多数据集请与Land Carbon Lab联系。1公里模型的局限性像素表示的是次国家级普查统计数据在潜在畜牧生产用地中的统计重新分配而非实际观测到的畜群或农场位置。由于平均普查单位面积约为2,900平方公里标准差约21,500平方公里1公里尺度的细节应视为合理的空间细分而非经过独立验证的精确估计。FAOSTAT一致性国家层面总数与FAOSTAT匹配但这不等同于局部准确性。对于需要高精度的次国家级应用建议结合本地数据进行校正。95%预测区间如需获取95%概率预测区间平均预测值周围的第2.5和第97.5百分位数以及原始密度和人口预测的估计值可访问Zenodo获取补充数据。其他访问渠道该数据集也可通过OpenLandMap STAC访问。总结GPW全球牲畜数量数据集FAOSTAT调整版为全球牲畜分布研究提供了首个1公里分辨率、23年时间跨度的公开数据集。它整合了海量的次国家级普查数据和多源环境协变量通过机器学习方法实现了全球一致的空间化。尽管在次国家级尺度上存在一定局限性但对于大尺度环境评估、温室气体清单编制、农业政策制定等应用场景该数据集具有极高的参考价值。
GPW全球牲畜数量数据集FAOSTAT调整版 v1引言牲畜分布数据是理解全球粮食安全、公共卫生、温室气体排放和养分循环的关键基础信息。然而高分辨率、长时间序列的全球牲畜分布数据一直较为稀缺。Global Pasture Watch全球牧场监测计划发布的这套数据集填补了这一重要空白。该数据集由Land Carbon Lab的 Global Pasture Watch 计划生成提供了2000年至2022年全球五种主要牲畜牛、山羊、绵羊、马、水牛的数量分布数据空间分辨率为1公里。数据集概述属性说明数据集IDprojects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m时间范围2000-01-01 至 2022-12-31空间分辨率1 公里时间分辨率1 年空间范围全球数据生产者Land Carbon Lab Global Pasture Watch数据生产方法该数据集的构建基于已知最大规模的次国家级牲畜普查数据汇编涵盖了来自147个国家/地区的55,336个行政单位。研究人员通过随机森林Random Forest机器学习模型进行建模使用了128个环境、社会经济和人为空间层作为预测变量包括地形海拔MODIS遥感数据干旱指数可达性指标宗教人口分布等模型分析区域限定于2000年至2022年间基于Landsat数据的潜在畜牧生产用地范围内。最终预测结果采用线性国家/地区缩放方法进行调整使汇总的国家/地区总数与FAOSTAT提供的官方统计数据保持一致。重要提示该数据集的FAOSTAT一致性并不等同于局部准确性。国家层面的总数与FAOSTAT匹配但牲畜在国家内部的次国家分配完全基于模型计算。对于需要高精度次国家级应用的用户建议结合本地校正系数使用。波段信息该数据集为年度数据每年对应一个影像每个影像包含多个牲畜物种波段。所有波段均为整数类型代表每个像素内的牲畜数量头数。波段名称说明cattle牛的数量头goats山羊的数量头sheep绵羊的数量头horses马的数量头buffaloes水牛的数量头注意该数据集不包含缩放系数波段值即为估计的牲畜头数。Earth Engine 代码示例JavaScriptCode Editor// 加载GPW牲畜数量数据集vardatasetee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m);// 按年份过滤例如2020年varfiltereddataset.filterDate(2020-01-01,2020-12-31);// 选择牛cattle波段varcattlefiltered.select(cattle).first();// 可视化参数根据区域调整最大值varvisParams{min:0,max:100,palette:[white,yellow,orange,red,darkred]};// 添加到地图Map.centerObject(cattle,5);Map.addLayer(cattle,visParams,Cattle Headcount (2020));// 打印数据集信息print(Dataset:,dataset);print(Number of years:,dataset.size());print(Available years:,dataset.aggregate_array(system:time_start).map(function(date){returnee.Date(date).format(YYYY);}));多物种叠加显示JavaScript// 加载2020年数据varyear2020dataset.filterDate(2020-01-01,2020-12-31).first();// 选择多个物种varcattleyear2020.select(cattle);varsheepyear2020.select(sheep);vargoatsyear2020.select(goats);// 分别可视化varpalette[white,yellow,orange,red];Map.addLayer(cattle,{min:0,max:50,palette:palette},Cattle);Map.addLayer(sheep,{min:0,max:50,palette:palette},Sheep);Map.addLayer(goats,{min:0,max:50,palette:palette},Goats);提取时间序列JavaScript提取特定位置各年份的牲畜数量变化// 定义感兴趣点varpointee.Geometry.Point([-100,40]);// 美国中部// 加载数据集vardatasetee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m);// 提取牛的数量时间序列vartsdataset.map(function(image){varvalimage.reduceRegion({reducer:ee.Reducer.first(),geometry:point,scale:1000,maxPixels:1e9});returnee.Feature(null,{year:ee.Date(image.get(system:time_start)).format(YYYY),cattle:ee.Number(val.get(cattle))});});print(Cattle Time Series:,ts);全部代码Map.setCenter(0,0,3);varsld160RasterSymbolizer ColorMap typeramp ColorMapEntry color#a9a9a9 quantity0 label0/ ColorMapEntry color#ffffd4 quantity1 label1/ ColorMapEntry color#ffe5a3 quantity12 label12/ ColorMapEntry color#fec168 quantity24 label24/ ColorMapEntry color#fe9828 quantity48 label48/ ColorMapEntry color#f1851f quantity64 label64/ ColorMapEntry color#e57116 quantity72 label72/ ColorMapEntry color#d95f0d quantity84 label84/ ColorMapEntry color#ce570c quantity96 label96/ ColorMapEntry color#c4500a quantity112 label112/ ColorMapEntry color#b94909 quantity124 label124/ ColorMapEntry color#ae4207 quantity136 label136/ ColorMapEntry color#a43b05 quantity148 label148/ ColorMapEntry color#993404 quantity160 label160/ /ColorMap/RasterSymbolizervarsld10RasterSymbolizer ColorMap typeramp ColorMapEntry color#a9a9a9 quantity0 label0/ ColorMapEntry color#ffffd4 quantity1 label1/ ColorMapEntry color#ffefb5 quantity2 label2/ ColorMapEntry color#ffde96 quantity3 label2/ ColorMapEntry color#fec46c quantity4 label4/ ColorMapEntry color#fea73f quantity5 label5/ ColorMapEntry color#f68c23 quantity6 label6/ ColorMapEntry color#e67217 quantity7 label7/ ColorMapEntry color#d25a0c quantity8 label8/ ColorMapEntry color#b64708 quantity9 label9/ ColorMapEntry color#993404 quantity10 label10/ /ColorMap/RasterSymbolizervargldee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m)vargld_2000gld.filterDate(2000-01-01,2001-01-01).first();vargld_2022gld.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));可视化结果Pythongeemap / eeimporteeimportgeemap# 初始化 Earth Engineee.Initialize()# 加载数据集datasetee.ImageCollection(projects/global-pasture-watch/assets/gld-1km/v1/livestock-headcount-faostat_m)# 过滤2020年year2020dataset.filterDate(2020-01-01,2020-12-31).first()cattleyear2020.select(cattle)# 创建交互式地图Mapgeemap.Map()Map.centerObject(cattle,4)# 可视化参数vis_params{min:0,max:100,palette:[white,yellow,orange,red,darkred]}Map.addLayer(cattle,vis_params,Cattle Headcount (2020))Map.addLayerControl()Map注意事项与使用限制数据集归属该数据集属于发布商目录并非由Google Earth Engine管理。如需报告问题或查看更多数据集请与Land Carbon Lab联系。1公里模型的局限性像素表示的是次国家级普查统计数据在潜在畜牧生产用地中的统计重新分配而非实际观测到的畜群或农场位置。由于平均普查单位面积约为2,900平方公里标准差约21,500平方公里1公里尺度的细节应视为合理的空间细分而非经过独立验证的精确估计。FAOSTAT一致性国家层面总数与FAOSTAT匹配但这不等同于局部准确性。对于需要高精度的次国家级应用建议结合本地数据进行校正。95%预测区间如需获取95%概率预测区间平均预测值周围的第2.5和第97.5百分位数以及原始密度和人口预测的估计值可访问Zenodo获取补充数据。其他访问渠道该数据集也可通过OpenLandMap STAC访问。总结GPW全球牲畜数量数据集FAOSTAT调整版为全球牲畜分布研究提供了首个1公里分辨率、23年时间跨度的公开数据集。它整合了海量的次国家级普查数据和多源环境协变量通过机器学习方法实现了全球一致的空间化。尽管在次国家级尺度上存在一定局限性但对于大尺度环境评估、温室气体清单编制、农业政策制定等应用场景该数据集具有极高的参考价值。
