《animal》：Review: Opportunities for Data Based On-Farm Estimation of Greenhouse Gas Emissions from Ruminants Farming Systems
畜牧业在世界大部分地区已日益数字化。传感器技术可通过多种方式用于减缓养殖排放，包括提高运营效率。农民为监测和优化生产所收集的数据，若被充分利用，则有可能提高温室气体（GHG）排放估算的准确性。然而，为农场管理而开发的技术可能无法满足对高精度要求的温室气体（GHG）排放监测需求。在投入精力进行广泛推广之前，需要考虑农场级数据收集的成本效益和可靠性。目前，数据获取渠道的缺乏以及不同软件系统间数据互操作性差也限制了数据的使用，然而，已有若干数据共享倡议（如数据空间）旨在发展农民的数据主权权利，并提供增加数据可用性的合同和技术解决方案。本综述从反刍动物养殖系统的角度，评估了可用于温室气体（GHG）核算的数字化数据收集与共享的现状，重点关注商业化可用的农场技术。本文综述了不同方法的准确性，并展示了两个案例研究，通过蒙特卡洛模拟量化了数字数据源不确定性对甲烷（CH4）排放预测不确定性的影响。结论认为，对于奶牛、绵羊和山羊养殖场，若具有每日产奶量记录和高度技术化的饲喂系统，其生命周期评价（LCA）流程自动化和国家清单覆盖的潜力最大；而对于以放牧为基础的肉类生产系统，该潜力最低。将农场数据用于温室气体（GHG）核算，为更有针对性的减排提供了机会，甚至可以实现差异化产品定价，以惠及区域内排放最低的养殖场。在采用从农场收集的每一项额外数据源之前，应评估其可靠性及其对总体排放的贡献，并应制定确保数据准确的农民校准协议，且对其应用进行监测。
农场数字数据收集
本节综述了数字技术和广泛保存的农场记录在收集反刍动物生产力、饲料特性、饲料生产数据方面的潜力。基于数据的精准农业管理系统通常被称为精准农业，国际精准农业学会将其定义为“精准农业是一种管理策略，它收集、处理和分析时间、空间以及个体植物和动物数据，并将其与其他信息相结合，以根据估算的变异性支持管理决策，从而提高农业生产中的资源利用效率、生产力、质量、盈利能力和可持续性。”当提及畜牧系统时，精准畜牧业一词也常被使用。由于其起源于对资源的精准管理，精准农业技术可收集详细的动物个体水平数据以及田间管理的高分辨率空间数据。
许多农场数据也可以手动收集，并使用手机应用程序等工具进行记录。对于温室气体（GHG）核算而言，如果手动记录的观测数据能够以标准化方式收集、经过质量评估程序并以数字格式访问，则其价值同样重要。
农场数据共享
数据共享是描述从不同软件和传感器系统访问数据各种形式的流行语。一个常见的误解是数据共享指免费访问数据，然而农业数据对农民可能具有重要价值，不应在未获得公平补偿的情况下，被强迫向公共当局、食品公司或零售商不必要地分享关键商业信息。
在欧洲，行业内和跨行业的数据共享设想通过欧洲共同数据空间实现，这被视为欧洲数据战略的重要组成部分。数据主权原则是无缝数据交换愿景的核心，国际数据空间协会将其定义为“数据主权确保组织、政府和个体对其数据拥有控制权。这种控制使他们能够自主决定其数据如何被他人收集、存储、共享和使用。数据主权是一个范围；它关乎在保护数据安全与共享数据以获取附加值之间找到适当的平衡。”
专注于农食行业的欧洲共同农业数据空间（CEADS）目前正在“数字欧洲”计划的资助下开发。数据空间的愿景是建立一个去中心化的软基础设施，该基础设施基于身份和同意管理机制，并包含数据货币化机制。
许多其他潜在的技术解决方案和标准也可以为同一问题开发，例如，Romera等人（2024）提出使用Web3.0技术促进新西兰牲畜数据的高效流动，Ghafoor等人（2025）则基于智能合约开发了牛肉价值链中安全数据共享的架构。
目前最先进的数据空间可能是基于开源Tractus-X项目的Catena-X汽车网络。该项目中的几个概念也可应用于农业领域。所有资产都由持有相关数据（例如，单个汽车零部件）的数字孪生（DT）表示。这些数字孪生各自具有唯一标识符、一致的语义和标准化的应用程序接口（API）。每个数字孪生可以覆盖资产的整个生命周期，或者可以有多个数字孪生对应生命周期的不同阶段。这种统一的资产表示允许在数据之上构建服务，例如标准化和自动化的产品足迹计算。
类似的概念可以应用于收集牲畜数据，其中每只动物、每个设备等都可以表示为具有约定数据源和语义的数字孪生（DT）。使用数字孪生（DT）开发奶酪数字产品护照以及更广泛地用于食品产品的做法已被提出。建立这种联合表示具有明显的优势，然而，开发代表不同生产系统的数字孪生（DT）或其他类似结构需要付出巨大努力。拥有非常精确的动物产品数字孪生（DT）还需要在农场和食品链中增加额外的数字基础设施和物理基础设施。例如，要将每天饲喂给动物的饲草与单个地块关联起来，就需要将每个地块的饲料分开储存，并将此信息连接到饲喂管理软件；或者要将牛奶追溯到单个动物，就需要个体水平的牛奶储存和收集。
利用农场数据量化温室气体排放
动物生产力
动物生产力是若干其他估算模型（包括采食量、甲烷（CH4）排放和排泄模型）的关键输入之一。当没有采食量数据时，动物日增重也是预测甲烷（CH4）排放的可行选项。
集约化系统中反刍动物的产奶量被非常详细地记录。使用自动挤奶系统，每次挤奶的产量都会被记录并存储在数据库中。一些奶牛、绵羊和山羊挤奶厅也配备产量监测技术并收集每日产奶量数据。乳品质数据也可以自动测量和收集，提供额外的生产指标。针对小农户的解决方案包括手机应用程序，可以记录和监测个体动物的产奶量。
历史上，动物体重和增重是使用称重秤记录的，并且已经开发出相对实惠的小型反刍动物系统。在拥有大面积草地的生产系统中，已采用可数字化数据的称重式（wow）磅秤。这些磅秤还可以连接到决策支持工具，并在放牧系统中自动进行调整，例如3向自动分群。
基于计算机视觉的动物体重、体况评分和瘤胃体积估算系统已被研究并正在引入市场，至少对于牛是如此，这些系统可以基于固定摄像头或用户使用手机拍摄的图像。据报道，在测量个体每日平均体重方面，称重式（wow）系统的决定系数（R2）为0.87，Hansen等人（2018）的计算机视觉系统的决定系数（R2）为0.81，Gebreyesus等人（2023）的计算机视觉系统的决定系数（R2）为0.88。
饲料种植与牧草生产力
饲草和谷物生产产生的排放量在一个地区内的不同农场之间，或同一农场不同生长季之间可能存在很大差异，这主要归因于施肥量和产量变异的差异。农民通常保留关于投入品使用量和收获产量的详细记录，但产量通常是估算的，而非实测的。
在技术高度先进的农场，饲料生产排放理论上可以在亚地块水平进行核算。配备变量施用技术的机械可以高精度（<10米分辨率）记录农业投入品（如种子、肥料和植保剂）的使用情况，尽管在某些地点，由于田间地形变化，离心式施用的准确性可能会降低。谷物和饲草产量可以使用产量监测器记录，最近，近红外（NIR）传感器已被引入谷物和饲草收割机，用于测量干物质（DM）和蛋白质含量。在一些农场，液体粪肥的成分也可以使用近红外（NIR）技术在线分析，并在施用到田间时结合全球定位系统（GPS）坐标。
产量监测器通常用于提供田间空间变异的准确地图，并识别不同的管理区域，但其绝对准确性可能有限，且因品牌而异。Schneider等人（2024）研究了四家不同公司饲草收割机的准确性。他们发现，鲜重测量的决定系数（R2）对于草为0.78，对于玉米为0.93；对于干物质（DM）含量，不同制造商之间的准确性差异很大，草的决定系数（R2）范围为0.61至0.82，玉米为0.29至0.95。Clarke等人（2024）报道，联合收割机产量图对小麦、燕麦和大麦的平均误差为8.1%，均方根误差（RMSE）在0.53至1.53吨/公顷之间变化。农场间的作物产量变异性明显超过产量测量的误差，这表明与区域平均数据相比，产量监测数据在提高排放强度估算准确性方面具有价值。不同品牌以及草和玉米青贮之间饲草干物质（DM）测量准确性的巨大差异，凸显了验证用于核算目的的每个单独系统的必要性。
数据由设备记录，但不一定为农民存储或可访问，可能需要合并来自多家公司的云服务和文件中的数据，才能为生命周期评价（LCA）分析等收集完整的数据集。目前已有努力开发数据产品、元数据描述和数据共享概念，以允许追踪单个谷物批次（包括饲料生产或农场内使用谷物或豆类作为动物饲料）的碳足迹。
对于以放牧为主的系统，生物量测量方法包括可连接在全地形车上在田间行驶的快速牧草计C-Dax、上升盘式牧草计（RPM）以及使用遥感进行生物量估算。生物量通常根据草层高度预测，有时结合其他预测因子，如季节时间或干物质（DM）。Murphy等人（2021）综述了关于上升盘式牧草计（RPM）准确性的研究，各研究间的决定系数（R2）从0.29到0.97不等，干物质（DM）预测误差从222到1000公斤/公顷。区域校准的C-Dax预测牧草量的准确性据报道为454公斤/公顷。已有报道指出不同测量方法之间存在系统性差异，在使用这些数据时应予以考虑。
基于卫星或无人机的遥感技术也被广泛研究，并且存在多种商业产品。不同研究获得的准确性差异很大，例如在Shahi等人（2025）的综述中，决定系数（R2）从0.22到0.92不等，干物质（DM）预测误差为191 – 2947公斤/公顷。使用带有校准传感器的无人机被提议用于估算牧草生物量和化学成分，在广阔的放牧区这可能是一种有前景的技术。使用带有归一化植被指数（NDVI）传感器的无人机估算牧草质量的尝试表明，该系统需要对每种牧草类型、营养水平和季节性变化进行频繁校准。
报告的使用投入品数量、收获或采食饲料重量的误差，可能对产品和饲料特定的排放因子产生显著影响。例如，在某些奶牛生产系统中，与饲料生产相关的排放量可占牛奶碳足迹的30%。
采食量与饲料组成
研究农场的采食量测量通常使用带有电子个体识别的称重饲槽进行，这对于商业农场来说过于昂贵和费力。
饲料组成可以由农民在饲喂系统中记录。对于全混合日粮（TMR），大多数准确的系统通过称重指导计划日粮的准备，并记录每种组分的重量。此外，应了解每种饲料组分的特性。用于饲料的组分和饲草质量在全年中可能有显著变化，需要频繁分析饲料以确保高质量的记录和监测。动物饲料（包括原料和全混合日粮（TMR））的营养和物理特性，如总能（GE）、干物质（DM）、纤维和粗蛋白（CP）含量，可以使用便携式近红外光谱（NIRS）在农场快速、非侵入性地评估。尽管最近的研究表明该技术具有令人鼓舞的准确性，但仍需进一步工作以完善校准方法并确保更广泛的标准。
目前，清单和生命周期评价（LCA）模型使用基于产奶量、动物体重和饲料特性的预测模型来估算采食量。干物质采食量（DMI）预测准确性因养殖系统和地区而异。在室内奶牛系统中，采食量模型的准确性最高，因为可以收集准确的日粮和生产数据，其干物质采食量（DMI）预测误差可低于2公斤/天；而在以放牧为基础的系统中准确性最低，基于动物和日粮特征预测的采食量与实测值之间的一致性可能低至决定系数（R2）在0.1和0.37之间。
最近，已经开发了几种更直接测量的技术方案。借助3D成像和深度学习的进步，一种名为CFIT（丹麦Viking Genetics公司）的商业化系统已被开发和商业化，用于测量个体奶牛的采食量。该系统基于估算每头牛在一次采食访问中食用的饲料体积，在验证试验中与称重饲料达到了高度一致性（平均绝对误差4.89%）。该系统已被用于对丹麦商业农场的6000多头奶牛进行表型分型。在这种情况下，要从消耗的饲料体积估算干物质采食量（DMI），需要知道饲料的密度和含水量。
另一种估算农场干物质采食量（DMI）的方法是使用佩戴在动物颈部或耳标上的加速度计标签。用于测量放牧、采食或反刍时间的几种系统的准确性已被验证为高或中等准确性。该技术适用于所有反刍动物物种，尽管商业系统主要关注牛。使用采食时间预测干物质采食量（DMI）并非十分准确，因为个体动物的采食速率可能不同，并且可能受到饲料特性等因素的影响。采食时间测量用于预测动物个体水平甲烷（CH4）的适用性在案例研究2中进行了估算。
动物摄入量和摄入质量的最大不确定性可能存在于广阔且异质的草原上，动物自由放牧且选择性强。一些行为研究表明，在估算具有不同放牧行为的动物的肠道甲烷排放时存在差异。
在粗放放牧系统中，粪便近红外光谱（fNIRS）已被用于量化饲料和营养摄入量。在轮牧系统中，使用安装在四轮车上的激光传感器测量放牧前后干物质（DM）可利用量，可以通过测量牧草高度（例如C-Dax Pasture.io?）来估算牧草干物质（DM）可利用量，从而在畜群水平估算干物质采食量（DMI）并获得数字化地图数据。如果有可靠的体重数据（例如称重式磅秤）并且可以测量牧草的化学成分，则可以通过基于已知动物能量需求（即NRC、AFRC）的反向计算来估算干物质采食量（DMI），市场上的软件就是这样工作的。
在半粗放反刍动物系统中，动物的能量需求、动物在舍内停留的每日持续时间、全混合日粮（TMR）的采食量和化学成分信息，可以用来估算每日能量需求中由放牧覆盖的比例。影响放牧动物干物质采食量（DMI）估算准确性缺乏的主要方面是难以估算选择性采食，无论是在单一栽培还是混合草层下，因此放牧牧草的化学成分可能因动物而异、因天而异，并在一天内变化。
利用数据评估甲烷排放
目前，农场甲烷的直接测量仅能使用专业设备进行。因此，农场甲烷排放的评估主要基于拟合实验数据集的预测模型。甲烷排放最重要的预测因子是动物的干物质采食量（DMI），将日粮特征纳入模型可以获得额外的准确性。由于干物质采食量（DMI）在农场不易测量，通常根据估算的能量需求和日粮组成进行预测。因此，需要在计算中考虑这些变异性，敏感性分析是实现这一目标的有用方法。
获取准确的日粮组成数据将是目前尚未广泛获得的关键参数，这些数据可以通过结合饲喂系统数据和实验室分析数据获得。此外，农民需要能够从其饲料中获取代表性样品，并愿意对每种饲料组分进行分析。
如果可以使用全混合日粮（TMR）饲喂器的每日饲喂记录，则可以使用Bannink等人（2020）开发的方法每日计算甲烷排放因子，该方法使用机理模型为荷兰制定了表格化的日粮特定排放因子，或者另一种选择是依赖经验模型。
数据在生命周期评价中的应用
开发高质量的牲畜农场级生命周期评价（LCA）数据集对于高质量估算牲畜产品的环境绩效至关重要，无论选择何种系统边界和功能单位。在一个奶牛养殖场，完整的农场级生命周期评价（LCA）数据集将包括关于产品流出、农场土地利用和土地利用变化、所有产品流入（如饲料组分和/或配合饲料混合物、垫料材料）以及空气（如甲烷、一氧化二氮、氨等）排放流出、粪肥流出和其他固体废物流出的定性和定量信息。这些信息通常在农场运营一年的时间范围内完成。此外，还需要考虑饲料作物生产的相关材料投入，如合成和有机肥料及农药，以及水（如硝酸盐和磷酸盐离子等）和土壤（如农药化学品）排放等产出。
由于反刍动物养殖场运营对产品产出环境绩效的重要性，完成农场级生命周期评价（LCA）数据集需要一级农场数据。除了所有购买材料投入的发票、水电表和反刍动物种群数据（针对场内饲养的所有子类别）外，完成农场级数据集的主要数据需求取决于排放估算方法。对于温室气体（GHG）排放，农场数据的可用性通常允许采用政府间气候变化专门委员会（IPCC）第二层级（Tier 2）方法或国家清单方法来估算基于动物的排放，如肠道甲烷、粪便管理产生的甲烷和直接一氧化二氮，以及因氨和氮氧化物排放流产生的间接一氧化二氮。子类别的体重和增重、子类别的场内种群、采食量及其特性（如干物质（DM）、总能（GE）、消化能（DE）、粗蛋白（CP）等）、粪便管理系统的类型以及相关的排放因子是估算例如牛生产系统上述排放的必要参数。
使用来自数字数据收集技术的校准和有效数据，有助于提高反刍动物养殖场生命周期评价（LCA）数据集的质量，因为它确保了若干投入和产出的高度技术、时间和地理代表性。允许定义流入和流出数值的不确定性方面（例如最小值和最大值、标准差、统计分布的分配），这进一步意味着数据集总数据质量得分的提高。
作为提高农场级生命周期评价（LCA）数据集质量的补充，利用这些数字数据可以区分一个地区内排放最低和最高的反刍动物养殖场，前提是该地区所有反刍动物养殖系统的生命周期评价（LCA）数据集开发遵循标准化程序。农场特定的生命周期评价（LCA）数据收集已被多个国家的乳制品公司引入，例如新西兰的恒天然（Fonterra）公司。将数字数据整合到生命周期评价（LCA）中的一个主要好处是识别和奖励低排放养殖场的潜力。利用高分辨率、标准化的生命周期评价（LCA）数据，可以对一个地区内的养殖场进行基准比较并提供绩效反馈。这种基准比较可以为农场级减排建议、基于碳强度的差异化定价以及第三方验证的碳市场参与提供信息。然而，这种方法要求农场特定生命周期评价（LCA）数据集的编制在所有养殖系统中遵循标准化程序（即，跨农场采用协调一致的数据收集程序，使用一致的排放因子和排放估算方法、系统边界和假设以确保可比性）。
关于数据不确定性对甲烷（CH4）预测影响的案例研究
数字数据不确定性对甲烷（CH4）排放预测的影响通过两个案例研究情景进行演示。这些案例研究提出了一种方法来估算数据和模型对预测结果的不确定性。第一个情景侧重于利用集约化奶牛系统的饲料化学分析来预测甲烷（CH4），第二个情景侧重于利用绵羊的采食时间传感器测量数据来预测干物质采食量（DMI）和甲烷（CH4）。对于这两个案例研究，数字数据源的不确定性均来自文献。
使用蒙特卡洛（MC）模拟，结合回归方程分析数据不确定性对甲烷（CH4）预测的影响。每个参数的值从正态分布中抽取，其均值和标准差来自文献，并应用适当的回归方程来预测每日甲烷（CH4）产量（克/天）。分析中未包含甲烷（CH4）方程的不确定性，以隔离源自数字数据源的不确定性的影响。报告的结果基于100,000个蒙特卡洛（MC）样本。
模拟使用Python编程语言3.13版实现，代码可作为补充材料S1获取，也可从Zenodo获取：
https://doi.org/10.5281/zenodo.17989128。
案例1：利用全混合日粮组成和产奶量预测奶牛肠道甲烷（CH4）
利用饲料化学成分信息可以提高奶牛甲烷（CH4）预测的准确性。在一些系统中，全混合日粮（TMR）的化学成分记录在专用软件中，可能用于温室气体（GHG）核算。该情景分析了饲喂系统中记录的全混合日粮（TMR）化学成分不确定性对奶牛甲烷（CH4）预测的影响。该情景的数据源、估算中使用的测量值及其不确定性如图所示。
在该情景中，使用来自挤奶系统的每日全混合日粮（TMR）化学成分和每日产奶量来预测每日甲烷（CH4）产量。使用Sova等人（2014）研究中的全混合日粮（TMR）化学成分不确定性估计值，该研究分析了加拿大22个奶牛场的全混合日粮（TMR）配方与实测全混合日粮（TMR）化学成分之间的差异。Bach等人（2024）以及使用便携式近红外（NIR）传感器进行全混合日粮（TMR）分析的研究也报道了商业农场中类似量级的全混合日粮（TMR）化学成分不确定性。模拟中产奶量测量的不确定性基于国际动物记录委员会（ICAR）对挤奶记录设备的要求，其中允许的产奶量偏差为2%，因此不确定性设为（1/3）* 2%（预计99.7%的样本低于2%）。这与Kamphuis等人（2015）报道的自动挤奶系统数据一致。
除了饲料化学成分外，还需要干物质采食量（DMI），并使用Allen等人（2019）的采食量方程进行预测。Sova等人（2014）未包含饲草中性洗涤纤维（FNDF）和饲草中性洗涤纤维消化率（FNDFD）的不确定性，假设其与中性洗涤纤维（NDF）和酸性洗涤纤维（ADF）的不确定性相似。
案例2：利用采食时间传感器数据预测绵羊干物质采食量（DMI）和甲烷（CH4）
在此案例研究中，来自采食时间传感器的数据被用于预测绵羊的干物质采食量（DMI）和甲烷（CH4）排放。该情景的数据源、测量值及其不确定性如图所示。此部分详细内容在原文中未完整提供，但根据上下文，该案例研究了基于行为数据（如采食时间）预测个体动物采食量的不确定性，并评估了这种不确定性对最终甲烷（CH4）预测的影响。研究结果强调了基于间接测量方法预测采食量时存在较大不确定性，尤其是在放牧系统中，这对甲烷（CH4）排放清单的准确性有显著影响。
