利用无人机与深度学习量化牧区家畜温室气体排放及评估减排策略

《Smart Agricultural Technology》：Quantifying Greenhouse Gas Emissions from Livestock in Pastoral Areas Using Unmanned Aerial Vehicles and Assessing Emission Reduction Strategies

　　

准确测定家畜温室气体(Greenhouse Gas, GHG)排放是制定有效减排策略的基础。本研究利用无人机(Unmanned Aerial Vehicle, UAV)与深度学习技术估算牧区反刍动物肠道发酵(enteric fermentation)及粪便管理(manure management)产生的甲烷(CH4)与氧化亚氮(N2O)排放，并结合体重、饲料品质、饲养方式与草地类型推导精细化GHG排放因子(Emission Factor, EF)，以提高牧区livestock GHG排放测算精度。基于精细化EF，研究人员估算户均家畜GHG排放为110.6吨CO2当量(CO2e)，并评估减畜、改善饲草品质及改变饲养方式等方案的减排潜力、成本与收益，筛选最优减缓策略。结果表明，改善饲草品质在减排量与成本效益间取得最佳平衡——将低质饲草转为中质饲草可使每户减排45.8吨CO2e，研究区域总减排潜力达1757万吨CO2e；研究人员亦探讨了适用于livestock-related GHG减排的碳定价机制。该研究为牧区livestock GHG排放精准核算与减排策略制定提供了重要指导。

《利用无人机与深度学习量化牧区家畜温室气体排放及评估减排策略》论文解读

研究背景与意义

livestock生产贡献全球约15%–18%的温室气体(Greenhouse Gas, GHG)排放，是甲烷(CH₄)的重要来源。传统GHG排放测算依赖呼吸代谢舱、SF₆示踪法等仪器手段（成本高、难大规模应用）或IPCC清单法（Tier 1采用通用排放因子Emission Factor, EF，未考虑体重、饲料等区域差异，误差可达±50%）。牧区家畜散养于异质性草地，传统称重困难且易致应激，体重数据不确定性大，进一步降低清单法精度。现有计算机视觉估重多用于舍饲，缺乏结合UAV与深度学习的大规模牧区个体体重获取及与IPCC Tier 2方法耦合的GHG核算研究。因此，准确获取牧区动物体重并推导本地化EF对提高GHG排放量化精度及制定有效减排策略具有重要意义。本文发表于《Smart Agricultural Technology》。

主要关键技术方法

研究人员于内蒙古典型荒漠草原(Sonid Right County)、典型草原(West Ujimqin County)及草甸草原(Ewenki Autonomous County、Xin Barag Left County)分层随机抽取414户牧户(n=108荒漠、162典型、144草甸)。采用固定飞行高度100 m、地面采样距离(Ground Sampling Distance, GSD) 0.027 m的UAV采集1151张牛、羊影像；基于Mask R-CNN实例分割模型识别单畜并提取最小外接矩形像素体长，换算实际头至臀长后通过实地标定回归模型估重；结合入户调研饲料品质（低/中/高质粗饲料占比）、饲养方式（放牧/舍饲stall-feeding）、草地类型，按IPCC 2006 GuidelinesTier 2方法计算个体肠道发酵CH₄（GE×Y_m/55.65×365）、粪便管理CH₄（VS×B₀×MCF×AWMS×0.67×365）及N₂O（直接+间接，EF₃、EF₄、EF₅），进而分类（年龄、饲料、饲养方式、草地类型）推导精细化EF；设定减畜(S1)、改善饲草(S2)、改变饲养方式(S3)三类情景，进行减排量(Δy_jm，GWP₁₀₀: CH₄=25, N₂O=298)、增量成本(ΔC_jm)及盈亏平衡碳价(Price_{jm,carbon,even}=ΔC_jm/Δy_jm)分析。

研究结果

3.1. Animal weights derived from UAV-captured images

Mask R-CNN对羊检测F1=0.922，整体精度91.83%；牛体重回归模型R²=0.8961（RMSE=44.07 kg，rRMSE=9.72%），羊R²=0.5286（RMSE=5.00 kg，rRMSE=10.00%）。UAV估得牛平均体重357.4 kg（较IPCCTier 1亚洲牛参考体重高17.2%，较中国政府北方牛参考高11.7%），羊平均37.8 kg（较IPCC高21.9%，较中国政府高8.0%），证实通用参考体重偏低会低估GHG排放。

3.2. Refined Animal GHG emission factors for pastoral regions in China

基于UAV体重与调研数据按IPCC Tier 2计算得牛肠道CH₄EF均值67.90 kg head^?1year^?1（范围21.63–132.57），高于IPCC 2006(55)、2019(54)及中国政府(52.90/85.30)；羊肠道CH₄EF均值7.96 kg head^?1year^?1（范围2.42–19.91），高于IPCC默认值5.00。表明忽略牧区实际体重与生产方式会系统性低估排放，本研究EF涵盖变幅更具代表性。

3.3. Refined Animal GHG Emission Factors Under Different Conditions

按年龄（幼/成）、饲料品质（高/中/低质）、饲养方式（舍饲stall-feeding/平地放牧/丘陵放牧）、草地类型（荒漠/典型/草甸）细分EF：成年>幼年；低质饲料EF最高（牛肠道CH₄74.56，羊9.99），高质饲料最低（牛36.30，羊4.15）；丘陵放牧EF>平地放牧>舍饲；草甸草原EF>典型草原>荒漠草原。交叉组合EF（如幼牛+高质饲料+舍饲肠道CH₄26.32 kg head^?1year^?1）进一步细化。

3.4. Estimated animal GHG emissions at the household level

采用本研究EF算得户均GHG排放110.6 t CO₂e（肠道CH₄100.0 t、粪便CH₄2.2 t、粪便N₂O 8.4 t），显著高于IPCC 2019Tier 1估算值68.94 t CO₂e及中国政府清单法95.45 t CO₂e，证明通用EF在牧区存在明显低估。

3.5. Cost–Benefit Analysis of Different Animal GHG Emission Reduction Strategies

减畜(S1)虽减排量大但机会成本（牲畜销售收入损失）极高，盈亏平衡碳价约为现行中国碳价83.83 CNY/t CO₂e的56倍，经济不可行；改善饲草(S2)：将低质转中质饲草(S2-1)每户减排45.8 t CO₂e，盈亏平衡碳价约307 CNY/t CO₂e（最低），为最优策略；全转高质(S2-3)减排更多但成本升高；改变饲养方式(S3，转舍饲)减排效果最弱且人工成本最高，盈亏平衡碳价为现行碳价57倍以上，不推荐。典型及草甸草原改善饲草的减排—成本比优于荒漠草原。

讨论与结论总结

本研究通过UAV与Mask R-CNN非接触获取牧区个体体重，消除传统统计体重不确定性，耦合IPCC Tier 2推导考虑体重、饲料、饲养方式、草地类型的本地化GHG EF，证实IPCC Tier 1及中国政府通用EF低估牧区排放。成本—效益分析表明改善饲草品质（尤低→中质）是最优减缓策略，若内蒙古64.6%使用低质饲草牧户转中质可区域减排1757万t CO₂e（CH₄1674万t+N₂O 83万t）。减畜与转舍饲经济性差。局限含体重模型验证样本有限(rRMSE≈10%)、成本—效益基于情景假设。结论：Accurately estimating GHG emissions from animals is crucial for reducing animal-related emissions. This study improved the accuracy of measuring livestock GHG emissions in pastoral regions. UAVs and deep learning were used to reduce uncertainty in animal weight data, and specific GHG emission factors for cattle and sheep were derived considering animal weight, feed quality and breeding methods. Results revealed that animal GHG emissions in pastoral regions were underestimated when calculated using the IPCC Tier 1 and China's GHG Inventory Study guidelines. Based on specific emission factors derived under various conditions, researchers measured animal GHG emissions at the household level and predicted GHG emission reductions under various strategies including reduction of livestock size, improvement of feed quality and modification of breeding methods. Cost–benefit analysis showed improving feed quality is more effective and cost-efficient than reducing livestock size or changing the breeding method, making it the optimal emission reduction strategy. Shifting low-quality forage to medium-quality forage may lead to a reduction of 45.8 tons of CO₂e per household, resulting in a total reduction of 17.57 million tons of CO₂e in the study area.