基于机器学习的动物料操作的识别在美国在一个小块规模的动物料操作
Arghajeet Saha1, Barira Rashid1, Ting Liu1
1Department of Biological and Agricultural Engineering, University of Arkansas, United States of America.
The Science of the total environment
|January 7, 2025
概括
本研究引入了一种新的机器学习方法,使用公共数据准确地绘制动物养操作 (AFO),改进环境和疾病管理策略.
科学领域:
- 环境科学 环境科学
- 农业科学 农业科学
- 数据科学数据科学数据科学
背景情况:
- 全球对动物产品需求的不断增长推动了动物养业务 (AFO) 的扩张.
- 由于AFOs产生大量的肥,由于集中废物而造成严重的水质风险.
- 准确的AFO绘图对于环境和疾病管理至关重要,但由于未经记录的设施和监管变化而受到阻碍.
研究的目的:
- 开发一种准确且可复制的方法,使用公开可用的数据来绘制AFOs的地图,不包括空中图像.
- 为了提高AFO检测的精度,并促进地块层面的营养流量监测.
主要方法:
- 采用基于机器学习的随机森林 (RF) 分类方法.
- 利用了一个社会环境数据集,将58个变量缩小到地块层面.
- 排除了空中图像,专注于环境,营养和社会经济数据.
主要成果:
- 实现了对AFOs的87%的增强映射精度.
- 确定了包括树冠覆盖,植被,土地表面温度和动物在内的关键预测变量.
- 证明变量的相关性取决于国家,受土地覆盖类型的影响.
结论:
- 基于公共数据的方法提高了AFO检测精度,并且很容易复制.
- 为预算,水质管理和疾病追踪提供了方便的地块级营养物流监测.
- 提供了与AFO相关的环境和公共卫生管理的宝贵工具.
