《Science of The Total Environment》：National-scale open cattle feedlot detection using deep learning and high-resolution aerial images: Spatial distribution and animal welfare analysis
编辑推荐：
本研究针对美国缺乏全国性开放式肉牛饲养场空间数据库的问题，开发了一套基于YOLOv11深度学习模型与NAIP高分辨率航空影像的自动检测框架。通过对本土连续区域（CONUS）的系统扫描，研究成功识别出24,000余个饲养场，揭示了其在中西部高度聚集的分布特征，并结合ERA5-Land气候数据评估了热应激风险与稳定蝇滋生适宜性。该成果为优化畜牧业管理、提升动物福利及降低环境影响提供了关键空间数据支持，对推动可持续牛肉生产具有重要意义。
在美国广阔的农业地带，数以万计的牛只在露天饲养场中度过它们育肥阶段的大部分时光。这些饲养场作为牛肉供应链的核心环节，其分布与运营状况直接关系到肉类产量、动物福利及环境影响。然而，一个令人惊讶的事实是：尽管该产业规模庞大，美国长期以来缺乏一个精确、全国性的开放式肉牛饲养场地理空间数据库。现有的州级许可数据库不仅更新不及时、标准不一，且多数仅提供县域层面的统计汇总，无法精准定位每个设施的具体位置。这一数据空白严重制约了人们对畜牧业空间格局的深入理解，亦阻碍了针对疾病防控、环境污染治理以及动物福利改善等问题的有效策略制定。
面对这一挑战，一项发表于《Science of The Total Environment》的研究迈出了关键一步。研究人员首次利用先进的深度学习技术，结合覆盖美国本土连续区域的高分辨率航空影像，成功绘制出全美范围的开放式肉牛饲养场分布图，并在此基础上深入分析了这些设施所面临的环境压力，特别是热应激和害虫滋生的风险。
为了实现这一目标，研究团队设计了一套严谨的技术路线。首先，他们从美国农业部（USDA）的国家农业影像计划（NAIP）获取了2019至2022年间拍摄的、分辨率达0.6米至1米的假彩色航空影像，数据量高达43 TB。接着，他们在肉牛养殖集中的内布拉斯加州、堪萨斯州和德克萨斯州的人工标注基础上，建立了包含11,746个饲养场样本和13,000个非饲养场背景样本的数据集。利用此数据集，他们训练并比较了YOLOv11目标检测模型的五个变体（n, s, m, l, x）。结果表明，YOLOv11m模型在精度（0.88）、召回率（0.85）和F1分数（0.86）上取得了最佳平衡，最终利用该模型对全美影像进行推理，检测出超过24,000个饲养场设施。检测结果经过聚合（200米内合并为一个设施）和视觉检查以去除假阳性。随后，研究结合欧洲中期天气预报中心的ERA5-Land再分析数据集（提供9公里分辨率的气象数据），计算了调整后的温度-湿度指数（THIadj）以评估牛群热应激风险，并综合温度、相对湿度、土壤湿度和风速等条件评估了稳定蝇（Stomoxys calcitrans）滋生的环境适宜性。
4.1. YOLOv11在检测开放式肉牛饲养场方面的性能评估
YOLOv11m模型在测试集上表现最佳，其F1分数达到0.86，能够在保证较高检测精度的同时，有效识别出大多数真实存在的饲养场。该模型在训练和推理速度上也取得了良好平衡，适用于处理海量遥感数据。研究将检测结果聚合到25公里×25公里的网格中进行可视化，清晰展示了饲养场在全美的空间分布。
4.2. 国家尺度的开放式肉牛饲养场位置分布图
研究发现，开放式肉牛饲养场广泛分布于美国大多数州，但呈现出高度的地理聚集性。中西部地区是饲养场分布的核心区域，占检测到设施总数的74%。内布拉斯加州、南达科他州和艾奥瓦州是设施最密集的州。相比之下，德克萨斯州尽管检测到的设施数量仅占4%，但其单个饲养场的规模通常更大。从县级尺度看，艾奥瓦州的苏县（Sioux County）是饲养场密度最高的地区，在2000平方公里的区域内检测到274个设施。
4.3. 基于饲养场位置的动物热应激风险评估
通过对2022年5月至10月（夏季关键期）的THIadj分析发现，饲养场所面临的热应激风险存在明显的时空差异。南部各州（如佛罗里达州、德克萨斯州部分区域）在夏季早中期就出现高风险（危险级和紧急级）条件。7月和8月是热应激最严重的时期，中西部（如堪萨斯州、密苏里州）和西部（如加利福尼亚州中央谷地）的许多饲养场也达到危险或紧急水平，分别有951和734个设施处于此类高风险中。然而，由于大多数饲养场集中于中西部，该地区80%以上的设施在7、8月份仍处于低风险状态，这主要得益于当年接近正常或略低于正常的气温以及高于平均水平的
