基于学习过滤算法的航空正射影像中猪场泻湖特征识别与提取研究及其环境质量评估应用

推荐：本研究针对美国东南部集约化养猪场开放式泻湖的环境污染风险，开发了一种基于RGB-NIR航空影像的过滤算法，通过NDWI阈值优化和特征提取技术，实现了猪场泻湖的精准识别（准确率>98%，Fscore>82%）及面积估算（R2>0.88，NSE>0.81），为流域尺度污染物追踪和环境质量评估提供了高效工具。

　　

在美国东南部集约化养猪产区，开放式泻湖作为猪粪存储设施已成为环境污染的潜在热点。这些泻湖不仅是氨气、甲烷等有害气体的排放源，更在洪水事件中可能引发水体污染和病原体扩散。然而，由于猪场分布零散、数量庞大且存在生物安全限制，传统实地调查难以全面评估其环境影响。这一困境促使Clement D.D. Sohoulande团队在《Smart Agricultural Technology》发表研究，开发了一种基于航空影像的智能识别方案。

研究团队利用美国国家农业影像计划(NAIP)的1米分辨率RGB-NIR正射影像，通过多光谱特征分析和机器学习算法，构建了包含NDWI阈值优化、几何特征筛选和空间关联验证的三步检测流程。校准阶段使用Black-River流域(HUC 03030006)的19,597张影像，验证阶段采用Northeast Cape-Fear-River流域(HUC 03030007)的21,395张影像，共标记1,309个含泻湖猪场的参考数据。

2.1. 数据集

研究采用500×500米非重叠影像子集，通过视觉筛查建立含泻湖猪场的参考数据库。NDWI计算结合NIR<64和0.25<>

2.2. 过滤算法

算法通过MATLAB的regionprops函数提取区域属性，设置面积（>2,000像素）、周长、圆形度（>0.24）等几何约束（表2）。创新性地引入中值滤波器消除道路等干扰，并通过空间邻近条件（泻湖与金属畜舍距离）实现特征配对（图4）。

3.1. 猪场检测

在验证流域实现98.83%准确率和83.69%召回率，Fscore达82.45%（表3）。典型误检源于非标准农场布局或远距离泻湖-畜舍组合，但仅占总检测量的1.1%（图5）。

3.2. 泻湖面积估算

真实泻湖面积呈Gamma分布（均值0.79公顷，CV=0.78）。算法估算的累积面积偏差仅0.6%（验证阶段），R²达0.91，显著优于传统卫星影像方案（图7-8）。

该研究突破了传统调查的时空限制，为环境风险评估提供了新范式。算法可精准定位洪水风险区的泻湖，量化病原体扩散潜在路径（如飓风期间急性胃肠炎病例增加38%相关）。未来可结合许可证数据库优化废弃农场识别，但需注意该算法暂不适用于覆盖式泻湖。这项技术将助力制定养分管理策略，推动养猪业可持续发展与环境保护的平衡。