datagrundlag.dk

Husdyr og markblokke pr. sogn, Aarhus Universitet

Husdyr pr. sogn 2000–2016

jordbrugsanalyser.chrsogn2000til2016

Husdyrtryk pr. sogn for årene 2000–2016, opgjort fra CHR. Kolonnerne er navngivet dyregruppe_år (alle, kvaeg, svin, fjer, pels, rest). Ældre version af jordbrugsanalyser.chrsogn2000til2017, med identiske værdier for de fælles år; brug den nyeste. Kilde: Jordbrugsanalyser, geodata.fvm.dk (Fødevareministeriet).

Rækker
2.180
Geometri
Flader (MultiPolygon)
Koordinatsystem
EPSG:25832
Seneste snapshot
30. september 2026
Historik
9 snapshots
Kolonner
108

Historik

Datasættet findes i 9 snapshots fra 21. september 2026 til 30. september 2026. Alle snapshots bliver liggende, så du kan læse data, som de så ud på en given dato.

Snapshot17. sep.19. sep.21. sep.23. sep.25. sep.27. sep.29. sep.1. okt.Ændring
9 snapshots±0
Snapshot Rækketallet ændrede sig Intet snapshot den dag
SnapshotRækkerÆndringMetadata
30. september 2026 (nyeste)2.180±0item.json
29. september 20262.180±0item.json
28. september 20262.180±0item.json
26. september 20262.180±0item.json
25. september 20262.180±0item.json
24. september 20262.180±0item.json
23. september 20262.180±0item.json
22. september 20262.180±0item.json
21. september 20262.180item.json
Gå tilbage i tid med DuckDB
-- Datasættet, som det så ud på en bestemt dato
SELECT count(*) FROM dk_at('jordbrugsanalyser', 'chrsogn2000til2016', '2026-09-21');

-- Rækker pr. snapshot
SELECT _gc2_snapshot_date AS dato, count(*) AS rækker
FROM dk_alle('jordbrugsanalyser', 'chrsogn2000til2016')
GROUP BY ALL ORDER BY dato;

-- Hvad er kommet til, og hvad er forsvundet siden 2026-09-21?
SELECT 'ny' AS ændring, * EXCLUDE (_gc2_snapshot_date)
FROM dk('jordbrugsanalyser', 'chrsogn2000til2016')
ANTI JOIN dk_at('jordbrugsanalyser', 'chrsogn2000til2016', '2026-09-21') USING (id)
UNION ALL BY NAME
SELECT 'fjernet' AS ændring, * EXCLUDE (_gc2_snapshot_date)
FROM dk_at('jordbrugsanalyser', 'chrsogn2000til2016', '2026-09-21')
ANTI JOIN dk('jordbrugsanalyser', 'chrsogn2000til2016') USING (id);

Filer

  • GeoParquet4,5 MBDownload
    s3://gc2-parquet/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.parquet
  • FlatGeobuf8,2 MBDownload
    https://gc2-parquet.s3.amazonaws.com/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.fgb

Filnavnene skifter ved hvert snapshot. Brug stien med jokertegn (s3://gc2-parquet/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/*/*.parquet) eller slå den nyeste fil op i latest.json. STAC-beskrivelsen ligger i collection.json.

Brug datasættet

-- Kør scripts/duckdb/init.sql én gang (se "Kom i gang") for dk()-makroen
SELECT id, sognekode, sognenavn, alle_00,
       the_geom
FROM dk('jordbrugsanalyser', 'chrsogn2000til2016')
LIMIT 10;

Prøv datasættet i browseren

INSTALL spatial; LOAD spatial;
INSTALL httpfs;  LOAD httpfs;
SET s3_region = 'eu-west-1';

-- Præcis dette snapshot (2026-09-30)
SELECT count(*) FROM 's3://gc2-parquet/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.parquet';

-- Alle snapshots på én gang: datoen bliver en kolonne
SELECT _gc2_snapshot_date, count(*)
FROM 's3://gc2-parquet/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/*/*.parquet'
GROUP BY ALL ORDER BY 1;
import geopandas as gpd

# FlatGeobuf har et rumligt indeks, så kun det valgte område hentes
url = "https://gc2-parquet.s3.amazonaws.com/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.fgb"
gdf = gpd.read_file(url, bbox=(720000, 6170000, 730000, 6180000))  # København, EPSG:25832

# Hele datasættet som GeoParquet
from pyarrow import fs
gdf = gpd.read_parquet(
    "gc2-parquet/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.parquet",
    filesystem=fs.S3FileSystem(anonymous=True, region="eu-west-1"),
)
  1. Vælg Lag › Tilføj lag › Tilføj vektorlag.
  2. Sæt kildetype til Protokol: HTTP(S), cloud osv.
  3. Indsæt URL'en og tryk Tilføj:
https://gc2-parquet.s3.amazonaws.com/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.fgb

FlatGeobuf har et rumligt indeks, så QGIS henter kun de features, der er i kortudsnittet. Det er derfor hurtigt, også for store lag. GeoParquet virker også i QGIS 3.34+, hvis din GDAL har Parquet-driveren.

# Info om laget direkte over HTTP
ogrinfo -so -al /vsicurl/https://gc2-parquet.s3.amazonaws.com/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.fgb

# Klip et område ud og gem som GeoPackage
ogr2ogr -f GPKG chrsogn2000til2016.gpkg \
  -spat 720000 6170000 730000 6180000 \
  /vsicurl/https://gc2-parquet.s3.amazonaws.com/centia-io/dk/schema=jordbrugsanalyser/relation=chrsogn2000til2016/_gc2_snapshot_date=2026-09-30/data-19326c35-1590-4e80-b1c9-b3d888bfe9b8.fgb

Kolonner

NavnType
gidinteger
idtekst
sognekodetekst
sognenavntekst
alle_00double precision
alle_01double precision
alle_02double precision
alle_03double precision
alle_04double precision
alle_05double precision
alle_06double precision
alle_07double precision
alle_08double precision
alle_09double precision
alle_10double precision
alle_11double precision
alle_12double precision
alle_13double precision
alle_14double precision
alle_15double precision
alle_16double precision
fjer_00double precision
fjer_01double precision
fjer_02double precision
fjer_03double precision
fjer_04double precision
fjer_05double precision
fjer_06double precision
fjer_07double precision
fjer_08double precision
fjer_09double precision
fjer_10double precision
fjer_11double precision
fjer_12double precision
fjer_13double precision
fjer_14double precision
fjer_15double precision
fjer_16double precision
kvaeg_00double precision
kvaeg_01double precision
kvaeg_02double precision
kvaeg_03double precision
kvaeg_04double precision
kvaeg_05double precision
kvaeg_06double precision
kvaeg_07double precision
kvaeg_08double precision
kvaeg_09double precision
kvaeg_10double precision
kvaeg_11double precision
kvaeg_12double precision
kvaeg_13double precision
kvaeg_14double precision
kvaeg_15double precision
kvaeg_16double precision
pels_00double precision
pels_01double precision
pels_02double precision
pels_03double precision
pels_04double precision
pels_05double precision
pels_06double precision
pels_07double precision
pels_08double precision
pels_09double precision
pels_10double precision
pels_11double precision
pels_12double precision
pels_13double precision
pels_14double precision
pels_15double precision
pels_16double precision
rest_00double precision
rest_01double precision
rest_02double precision
rest_03double precision
rest_04double precision
rest_05double precision
rest_06double precision
rest_07double precision
rest_08double precision
rest_09double precision
rest_10double precision
rest_11double precision
rest_12double precision
rest_13double precision
rest_14double precision
rest_15double precision
rest_16double precision
svin_00double precision
svin_01double precision
svin_02double precision
svin_03double precision
svin_04double precision
svin_05double precision
svin_06double precision
svin_07double precision
svin_08double precision
svin_09double precision
svin_10double precision
svin_11double precision
svin_12double precision
svin_13double precision
svin_14double precision
svin_15double precision
svin_16double precision
the_geomgeometry (MultiPolygon,25832)
gml_idinteger