Land Cover 2050 - Global
Predicted global land cover for year 2050, generated by Clark Labs. The prediction was modeled globally.
Use this global model layer when performing analysis across continents. This layer displays a global land cover map and model for the year 2050 at a pixel resolution of 300m. ESA CCI land cover from the years 2010 and 2018 were used to create this prediction.
Variable mapped: Projected land cover in 2050.
Data Projection: Cylindrical Equal Area
Mosaic Projection: Cylindrical Equal Area
Extent: Global
Cell Size: 300m
Source Type: Thematic
Visible Scale: 1:50,000 and smaller
Source: Clark University
Publication date: April 2021
What you can do with this layer?
This layer may be added to online maps and compared with the ESA CCI Land Cover from any year from 1992 to 2018. To do this, add Global Land Cover 1992-2018 to your map and choose the processing template (image display) from that layer called “Simplified Renderer.”
This layer can also be used in analysis in ecological planning to find specific areas that may need to be set aside before they are converted to human use.
Links to the six Clark University land cover 2050 layers in ArcGIS Living Atlas of the World:
There are three scales (country, regional, and world) for the land cover and vulnerability models. They’re all slightly different since the country model can be more fine-tuned to the drivers in that particular area. Regional (continental) and global have more spatially consistent model weights. Which should you use? If you’re analyzing one country or want to make accurate comparisons between countries, use the country level. If mapping larger patterns, use the global or regional extent (depending on your area of interest).
Land Cover 2050 - Global
Land Cover 2050 - Regional
Land Cover 2050 - Country
Land Cover Vulnerability to Change 2050 Global
Land Cover Vulnerability to Change 2050 Regional
Land Cover Vulnerability to Change 2050 Country
What these layers model (and what they don’t model)
The model focuses on human-based land cover changes and projects the extent of these changes to the year 2050. It seeks to find where agricultural and urban land cover will cover the planet in that year, and what areas are most vulnerable to change due to the expansion of the human footprint. It does not predict changes to other land cover types such as forests or other natural vegetation during that time period unless it is replaced by agriculture or urban land cover. It also doesn’t predict sea level rise unless the model detected a pattern in changes in bodies of water between 2010 and 2018. A few 300m pixels might have changed due to sea level rise during that timeframe, but not many.
The model predicts land cover changes based upon patterns it found in the period 2010-2018. But it cannot predict future land use. This is partly because current land use is not necessarily a model input. In this model, land set aside as a result of political decisions, for example military bases or nature reserves, may be found to be filled in with urban or agricultural areas in 2050. This is because the model is blind to the political decisions that affect land use.
Quantitative Variables used to create Models
- Biomass
- Crop Suitability
- Distance to Airports
- Distance to Cropland 2010
- Distance to Primary Roads
- Distance to Railroads
- Distance to Secondary Roads
- Distance to Settled Areas
- Distance to Urban 2010
- Elevation
- GDP
- Human Influence Index
- Population Density
- Precipitation
- Regions
- Slope
- Temperature
Qualitative Variables used to create Models
- Biomes
- Ecoregions
- Irrigated Crops
- Protected Areas
- Provinces
- Rainfed Crops
- Soil Classification
- Soil Depth
- Soil Drainage
- Soil pH
- Soil Texture
Clark University modeled some small countries that had a few transitions. Only five countries were modeled with this procedure: Bhutan, North Macedonia, Palau, Singapore and Vanuatu.
As a rule of thumb, the MLP neural network in the Land Change Modeler requires at least 100 pixels of change for model calibration. Several countries experienced less than 100 pixels of change between 2010 & 2018 and therefore required an alternate modeling methodology. These countries are Bhutan, North Macedonia, Palau, Singapore and Vanuatu. To overcome the lack of samples, these select countries were resampled from 300 meters to 150 meters, effectively multiplying the number of pixels by four. As a result, we were able to empirically model countries which originally had as few as 25 pixels of change.
Once a selected country was resampled to 150 meter resolution, three transition potential images were calibrated and averaged to produce one final transition potential image per transition. Clark Labs chose to create averaged transition potential images to limit artifacts of model overfitting. Though each model contained at least 100 samples of "change", this is still relatively little for a neural network-based model and could lead to anomalous outcomes. The averaged transition potentials were used to extrapolate change and produce a final hard prediction and risk map of natural land cover conversion to Cropland and Artificial Surfaces in 2050.
39 Small Countries Not Modeled
There were 39 countries that were not modeled because the transitions, if any, from natural to anthropogenic were very small. In this case the land cover for 2050 for these countries are the same as the 2018 maps and their vulnerability was given a value of 0. Here were the countries not modeled:
- Andorra
- Antigua and Barbuda
- Barbados
- Cape Verde
- Comoros
- Cook Islands
- Djibouti
- Dominica
- Faroe Islands
- French Guyana
- French Polynesia
- Gibraltar
- Grenada
- Guam
- Guyana
- Iceland
- Jan Mayen
- Kiribati
- Liechtenstein
- Luxembourg
- Maldives
- Malta
- Marshall Islands
- Micronesia, Federated States of
- Moldova
- Monaco
- Nauru
- Saint Kitts and Nevis
- Saint Lucia
- Saint Vincent and the Grenadines
- Samoa
- San Marino
- Seychelles
- Suriname
- Svalbard
- The Bahamas
- Tonga
- Tuvalu
- Vatican City
Index to land cover values in this dataset:
The Clark University Land Cover 2050 projections display a ten-class land cover generalized from ESA Climate Change Initiative Land Cover.
1 Mostly Cropland 2 Grassland, Scrub, or Shrub 3 Mostly Deciduous Forest 4 Mostly Needleleaf/Evergreen Forest 5 Sparse Vegetation 6 Bare Area 7 Swampy or Often Flooded Vegetation 8 Artificial Surface or Urban Area 9 Surface Water 10 Permanent Snow and Ice
Jeux de données disponibles au téléchargement
-
Land_Cover_Projection_2050Layer
Layer None via ArcGIS REST API
-
Land_Cover_Projection_2050 (Explore)HTML
Explore Land_Cover_Projection_2050 on ArcGIS Hub
-
Image ServiceHTML
Linked dataset resource
Informations supplémentaires
| Champ | Valeur |
|---|---|
| Dernière mise à jour | mars 24, 2026, 21:07 (TU) |
| Créé | mars 24, 2026, 21:07 (TU) |
|
Domaine / Sujet
Domaine ou sujet du jeu de données catalogué.
|
|
|
Titre
Titre du jeu de données.
|
Land Cover 2050 - Global |
|
Description
Une description du jeu de données.
|
Predicted global land cover for year 2050, generated by Clark Labs. The prediction was modeled globally.
Use this global model layer when performing analysis across continents. This layer displays a global land cover map and model for the year 2050 at a pixel resolution of 300m. ESA CCI land cover from the years 2010 and 2018 were used to create this prediction.
Qualitative Variables used to create Models
Clark University modeled some small countries that had a few transitions. Only five countries were modeled with this procedure: Bhutan, North Macedonia, Palau, Singapore and Vanuatu. As a rule of thumb, the MLP neural network in the Land Change Modeler requires at least 100 pixels of change for model calibration. Several countries experienced less than 100 pixels of change between 2010 & 2018 and therefore required an alternate modeling methodology. These countries are Bhutan, North Macedonia, Palau, Singapore and Vanuatu. To overcome the lack of samples, these select countries were resampled from 300 meters to 150 meters, effectively multiplying the number of pixels by four. As a result, we were able to empirically model countries which originally had as few as 25 pixels of change. Once a selected country was resampled to 150 meter resolution, three transition potential images were calibrated and averaged to produce one final transition potential image per transition. Clark Labs chose to create averaged transition potential images to limit artifacts of model overfitting. Though each model contained at least 100 samples of "change", this is still relatively little for a neural network-based model and could lead to anomalous outcomes. The averaged transition potentials were used to extrapolate change and produce a final hard prediction and risk map of natural land cover conversion to Cropland and Artificial Surfaces in 2050. 39 Small Countries Not Modeled There were 39 countries that were not modeled because the transitions, if any, from natural to anthropogenic were very small. In this case the land cover for 2050 for these countries are the same as the 2018 maps and their vulnerability was given a value of 0. Here were the countries not modeled:
Index to land cover values in this dataset: The Clark University Land Cover 2050 projections display a ten-class land cover generalized from ESA Climate Change Initiative Land Cover. 1 Mostly Cropland 2 Grassland, Scrub, or Shrub 3 Mostly Deciduous Forest 4 Mostly Needleleaf/Evergreen Forest 5 Sparse Vegetation 6 Bare Area 7 Swampy or Often Flooded Vegetation 8 Artificial Surface or Urban Area 9 Surface Water 10 Permanent Snow and Ice |
|
Étiquettes / Mots-clés
Mots-clés/étiquettes catégorisant le jeu de données.
|
|
|
Format (CSV, XLS, TXT, PDF, etc.)
Format de fichier du jeu de données.
|
|
|
Taille du jeu de données
Taille du jeu de données en mégaoctets.
|
0.08 |
|
Identifiant des métadonnées
Identifiant des métadonnées — peut être utilisé comme identifiant unique pour l’entrée du catalogue.
|
|
|
Date de publication
Date de publication du jeu de données.
|
2021-07-09 |
|
Période temporelle des données (date de début)
Date de début des données dans le jeu de données.
|
|
|
Période temporelle des données (date de fin)
Date de fin des données temporelles du jeu de données.
|
|
|
Zone géospatiale couverte
Région spatiale ou lieu nommé couvert par le jeu de données.
|
| Champ | Valeur |
|---|---|
|
Catégorie d’accès
Type d’accès accordé pour le jeu de données (ouvert, restreint, service, etc.).
|
public (affichage de la valeur pour English) |
|
Licence
Licence utilisée pour accéder au jeu de données.
|
Creative Commons Attribution |
|
Restrictions d’utilisation
Restrictions d’utilisation des données.
|
|
|
Emplacement
Emplacement du jeu de données.
|
https://climate.esri.ca/datasets/esri::land-cover-2050-global (affichage de la valeur pour English) |
|
Service de données
Service de données pour accéder à un jeu de données.
|
|
|
Propriétaire
Propriétaire du jeu de données.
|
esri_environment (affichage de la valeur pour English) |
|
Point de contact
Qui contacter concernant l’accès ?
|
Esri (affichage de la valeur pour English) |
|
Courriel du point de contact
Courriel à utiliser pour l’accès ?
|
|
|
Éditeur
Éditeur du jeu de données.
|
Esri (affichage de la valeur pour English) |
|
Courriel de l’éditeur
Adresse courriel de l’éditeur.
|
|
|
Auteur
Auteur du jeu de données.
|
esri_environment |
|
Courriel de l'auteur
Adresse courriel de l’auteur.
|
|
|
Date d’accès
Date à laquelle les données et métadonnées ont été consultées.
|
2025-07-02 |
| Champ | Valeur |
|---|---|
|
Identifiant
Identifiant unique du jeu de données.
|
cee96e0ada6541d0bd3d67f3f8b5ce63 (affichage de la valeur pour English) |
|
Langue
Langue(s) du jeu de données
|
English |
|
Lien vers la description du jeu de données
Une URL vers un document externe décrivant le jeu de données.
|
https://climate.esri.ca/datasets/esri::land-cover-2050-global (affichage de la valeur pour English) |
|
Identifiant persistant
Les données sont identifiées par un identifiant persistant.
|
|
|
Identifiant globalement unique
Les données sont identifiées par un identifiant persistant et globalement unique.
|
|
|
Contient des données sur des individus
Le jeu de données contient-il des données sur des individus ?
|
|
|
Contient des données identifiables sur des individus
Le jeu de données contient-il des données identifiables sur des individus ?
|
|
|
Contient des données autochtones
Le jeu de données contient-il des données sur des communautés autochtones ?
|
|
|
Type de portail
Type de plateforme du portail source.
|
| Champ | Valeur |
|---|---|
|
Version
Version du jeu de données
|
None |
|
Source
Source du jeu de données.
|
None |
|
Notes de version
Notes de version à propos du jeu de données.
|
|
|
Est une version d’un autre jeu de données
Lien vers le jeu de données dont celui-ci est une version.
|
|
|
Autres versions
Lien vers les jeux de données qui en sont des versions.
|
|
|
Texte de provenance
Texte de provenance des données.
|
Esri (affichage de la valeur pour English) |
|
URL de provenance
URL de provenance des données.
|
|
|
Résolution temporelle
Décrit la granularité des données temporelles dans le jeu de données.
|
|
|
Résolution géospatiale en mètres
Décrit la granularité (en mètres) des données géospatiales dans le jeu de données.
|
|
|
Résolution géospatiale (par régions)
Décrit la granularité (par régions) des données géospatiales dans le jeu de données.
|
| Champ | Valeur |
|---|---|
|
Permission de la communauté autochtone
Qui détient la permission de la communauté autochtone. Qui contacter pour l’accès à un jeu de données concernant des communautés autochtones.
|
|
|
Permission communautaire
Permission communautaire (qui a accordé la permission).
|
|
|
Les communautés autochtones concernées par le jeu de données
Communautés autochtones dont sont issues les données.
|
| Champ | Valeur |
|---|---|
|
Nombre de lignes de données
Pour un jeu de données tabulaire, nombre total de lignes.
|
4 |
|
Nombre de colonnes de données
Pour un jeu de données tabulaire, nombre total de colonnes uniques.
|
16 |
|
Nombre de cellules de données
Pour un jeu de données tabulaire, nombre total de cellules contenant des données.
|
64 |
|
Nombre de relations de données
Pour un jeu de données RDF, nombre total de triplets.
|
|
|
Nombre d’entités
Pour un jeu de données RDF, nombre total d’entités.
|
|
|
Nombre de propriétés de données
Pour un jeu de données RDF, nombre total de propriétés uniques utilisées par les triplets.
|
|
|
Qualité des données
Décrit la qualité des données du jeu de données.
|
|
|
Métrique de qualité des données
Une métrique utilisée pour mesurer la qualité des données, telle que les valeurs manquantes ou les formats invalides.
|
0 Commentaires