Das Verständnis der Erhöhung der Nutztiere ist entscheidend für die Behandlung ihrer Umweltauswirkungen und die Entwicklung technologischer Lösungen, aber Lücken in der Daten machen es häufig schwierig, das vollständige Bild zu erhalten.
Becca Muenich, biologischer und landwirtschaftlicher Forscher, setzte sich vor, um die Lücke mit einer neuen Technik zur Kartierung von Tierfütterungsvorgängen zu schließen.
Ohne ordnungsgemäße Kontrollstrategien kann der durch diese Operationen erzeugte Abfall einen erheblichen ökologischen Schaden ansprechen, so Muenich, z. B. Oberflächenwasserkontamination mit überschüssigem Phosphor und Stickstoff. Animal Feeding Operations werden als Einrichtungen definiert, die Tiere mindestens 45 Tage pro Jahr in einem begrenzten Gebiet füttern, in dem weder Gras noch Futter angebaut werden. Für Muenich, einen Ingenieur für Wasserqualität, der sich darauf konzentriert, wie sich Wasser durch Landschaften bewegt und wie sie Bereiche durch Aufnehmen und Bewegen von giftigen Materialien verschmutzen kann, weckte dieses Problem ihr Interesse.
„Wir können etwas nicht wirklich ansprechen, wenn wir nicht wissen, wo sich das Problem befindet“ Abteilung für Landwirtschaft der Universität Arkansas System.
„Wir haben kein gutes landesweit – selbst auf vielen staatlichen Ebenen – das Verständnis darüber, wo sich das Vieh in der Landschaft befindet, was unsere Fähigkeit, einige der Studien, an denen ich interessiert war, wirklich zu tun zu haben“, sagte sie.
Muenich sagte, dass diese Fütterungsoperationen als Reaktion auf die zunehmende Bevölkerungsgröße und die weltweite Nachfrage nach Viehprodukten zugenommen hätten.
In Anbetracht der wichtigsten Prädiktoren für die Präsenz des Fütterungsbetriebs wie Oberflächentemperatur, Phosphorspiegel und umgebende Vegetation baute das Team von MUENICH ein maschinelles Lernmodell auf, das den Ort der Fütterungsbetriebsorte ohne Verwendung von Luftbildern vorhersagen kann. Modelle für maschinelles Lernen sind eine Art Computerprogramm, mit dem Algorithmen verwendet werden können, um Vorhersagen basierend auf Datenmustern zu treffen.
Das Modell wurde unter Verwendung von Daten entwickelt, die 18 US -Bundesstaaten umfassen. Die Daten wurden basierend auf dem Eigentum in einzelne Parzellen unterteilt. Das Modell wurde gegen einen Datensatz bekannter Tierfütterungsvorgänge getestet und prognostizierte seinen Standort mit einer Genauigkeit von 87 Prozent.
Die Studie, „maschinelles Lernbasierter Identifizierung von Tierfütterungsoperationen in den USA in einem Paketmaßstab, war“ veröffentlicht In Wissenschaft des Gesamtumfelds Im Januar.
Füllung der Lücken
Frühere Versuche zur Identifizierung von Tierzufuhroperationen haben sich oft auf Luftbilder verlassen, sagte Muenich, aber die Vieheinrichtungen sehen häufig zwischen den Staaten und dem Tier anders aus, sodass sie und ihr Team weitere Strategien anwenden wollten.
Sie erklärte, dass das mangelnde Verständnis in Bezug auf Viehstockstandorte häufig von Unterschieden in der Interpretation des Staates des Clean Water Act herrührt, das landwirtschaftliche Betriebe erfordert, die als „konzentrierte Tierfutterbetriebsbetrieb“ eingestuft werden, um Genehmigungen durch das nationale System zur Entlassung zur Entladung von Schadstoffen zu erhalten. Diese Einrichtungen sind eine Art von Tierfütterungsoperation mit mehr als 1.000 Tiereinheiten.
Trotz der nationalen Verordnung verwalten die Staaten dies, die es unterschiedlich zulässt, was zu Unterschieden in den verfügbaren Daten führt.
Zum Beispiel baute Muenich in einem Gebiet mit Michigan und Ohio ein Wasserscheidemodell, das mehrere Fütterungsoperationen enthielt. Die Daten waren aufgrund der Genehmigungsanforderungen des Staates durch das Schadstoffausscheidungssystem für Michigan leicht verfügbar. Die gleichen Daten waren jedoch nicht für die gleichen Operationen in Ohio verfügbar, die Münich diesen Untersuchungsweg niederlegten.
Wenn Sie eine bessere Bilanzierung von Viehstock entwickeln, können Sie Strategien entwickeln, die die Umweltergebnisse des Viehmanagements verbessern und gleichzeitig wirtschaftliche Möglichkeiten für Landwirte schaffen, indem sie die Technologien zur Bekämpfung von Tierabfällen abbauen, sagte Münich. Die Skalierung dieser Technologien auf wirtschaftlich praktikable Weise erfordert Kenntnisse darüber, wo das Vieh am häufigsten und räumlich verbunden ist, erklärte sie.
Weitere Informationen:
Arghajeet Saha et al., Identifizierung von Tieren in den Vereinigten Staaten in einem Paket-Maßstab, maschinelles Lernbasis, in den USA Wissenschaft des Gesamtumfelds (2025). Doi: 10.1016/j.scitotenv.2024.178312