基于人工神经网络预测畜牧场能效与碳足迹：土耳其案例研究

《Energy》：PREDICTING ENERGY EFFICIENCY AND CARBON FOOTPRINT IN LIVESTOCK FARMS USING ARTIFICIAL NEURAL NETWORKS: A CASE STUDY IN TURKEY

　　

农场仅满足17%的能源需求，构成严重的可持续性挑战。农场的能源效率受到高饲料和燃料投入的严重限制。奶牛场均值的能源相关碳足迹为0.558 kg CO2-eq/L牛奶。在奶牛场中，燃料造成每升牛奶能源相关CO2排放的58.86%。人工神经网络（ANN）模型能够准确预测能源效率和碳足迹（R2 > 0.90）。

引言

数百年来，动物一直被人类使用，主要用于食物，同时也用于农业、旅游业、作为原材料、交通运输以及许多其他领域。由于全球需求的不断增长、人们获取便利性提高以及收入水平的提升，近年来对动物的需求达到了很高的水平。牛奶和乳制品是最重要的动物产品类型之一。全球超过60亿人食用牛奶和乳制品[1]、[2]。由于牛奶和乳制品对人体，特别是对个体发育的高贡献，这些产品的需求每天都在增加。与此需求成正比的是，土耳其和世界各地的奶牛场数量也在不断增加[3]。然而，奶牛场的增加带来了各种环境问题。牛生产的粪便量约占其平均日消耗饲料量的50%，从而产生大量粪便。在这种情况下，从环境角度管理这些粪便是至关重要的。粪便管理和集约化养殖活动被认为是温室气体排放、水污染和土壤结构退化等环境问题的原因之一[4]。这些环境问题可能在奶牛场快速工业化的土耳其引起区域性问题。在土耳其，农业部门占国家温室气体总排放量的12.7%。其中47.3%来自肠道发酵，12.4%来自粪便管理，与畜牧相关的排放总计占59.7%，每年产生超过4300万吨CO2当量排放[5]。在此背景下，在土耳其采取应对温室气体排放和其他形式污染的措施已成为当务之急。

在缓解和管理污染问题方面，动物农场的环保可持续性是一个重要议题。为确保农场的环保可持续性，畜牧活动必须与可持续发展目标（SDGs）完全一致。在此背景下，清洁水和卫生（SDG6）和水下生命（SDG14）是重要的目标，用于识别与畜牧相关的污染对水资源和生态系统的负面影响；在负责任消费和生产（SDG12）框架下，分析动物废物管理系统以减少环境污染问题；以及确定对陆地生态系统的影响以确保陆地生命（SDG15）和环保可持续性[6]。

就畜牧业的可持续性未来而言，最大的愿景是通过消除温室气体排放实现净零排放。在此，目标不仅是将排放减少到净零水平，还要考虑粮食安全、自然资源及生态系统的保护以及气候变化影响。在此背景下，可以在动物饲料、遗传学和健康管理方面进行干预，以减少畜牧部门最重大的温室气体排放来源——肠道发酵，从而实现可持续发展[7]。除此之外，在畜牧场减少温室气体排放的另一个重要问题是，在可负担且清洁能源（SDG7）框架下的能源使用。

在畜牧场，能源使用随着需求增长而上升。在此背景下，传统化石燃料作为主要能源的使用量很高[8]。在农场集约化快速生产过程的框架下，饲料供应、一般农业物流和重型机械直接增加了柴油和汽油的消耗[9]。在农场作业中密集使用机械时，发动机中燃料的不完全燃烧会向大气释放大量气体，造成环境破坏和空气污染[10]、[11]。考虑到这些环境问题和未来化石燃料枯竭的风险，减少畜牧部门与燃料相关的温室气体排放将是一个重要步骤[12]。饲料供应、农业物流过程和机械使用中的燃料消耗只是畜牧场能源结构的一部分。在此背景下，作为挤奶系统、牛奶冷却、粪便管理、气候控制和照明操作的直接能源，电力被大量消耗。此外，还有机械、人工、青年奶牛和饲料消耗等间接能源使用。因此，为实现环保可持续性目标，必须全面分析农场内所有农业活动的能源效率。在此背景下，在评估奶牛场能源效率时，直接能源消耗量最大归因于燃料参数，而饲料参数在间接能源来源中具有最高的能耗。这表明，导致农场间能源效率值差异的主要来源是这些参数。在此背景下，文献中正在测试不同饲料配给和替代燃料使用可能性等方法以确保能源效率[10]、[13]、[14]。平衡直接和间接能源消耗参数以及从农场获得的能源量，对于减少污染、实现循环经济、降低能源成本和达到零排放目标至关重要。因此，应定期监测能源效率[15]、[16]。

奶牛场因温室气体排放和肠道发酵而产生巨大的碳足迹。碳足迹可以用CO2为单位来定义对环境造成的损害程度，代表各种活动产生的温室气体排放量[17]。虽然肠道发酵在总碳足迹中占主要份额，但评估能源相关碳足迹可以为农场运营效率提供有针对性的视角。然而，在畜牧场，直接（电力、燃料）和间接（粪便和饲料）能源消耗过程中会释放各种温室气体排放。因此，在畜牧场中，能源相关碳足迹是需要监测的问题之一。监测畜牧场的碳足迹并采取必要的预防措施，对于环保和农场可持续性都至关重要。

随着技术的发展，利用各种机器学习方法进行这种追踪将带来更高效、更快速的结果，并催生AI支持的决策支持系统。人工神经网络（ANN）是管理奶牛场能源效率和能源相关碳足迹的一种替代方法。ANN是与人类大脑类似运行的软件，可以利用类似示例进行预测。ANN在包括工程、经济学、医学及相关领域在内的许多部门的使用正变得更加广泛[18]。ANN在农业和畜牧部门的使用正在发展之中。在动物农场中，用于计算能源效率和能源相关碳足迹的输入和输出参数可能各不相同、呈非线性，并且可能动态地相互影响。在此背景下，与传统方法相比，ANN方法能够以更高的准确度对非线性结构进行建模。此外，与传统统计分析方法不同，ANN不需要强加固定规则或公式。该方法能够独立学习输入和输出参数之间的复杂关系[19]。由于这些优势，ANN在农场能源效率和能源相关碳足迹的关键点识别和追踪方面具有显著优势，无需任何限制或规则强制。其结果是，这一情况将在常规规划、经济、时间、地点和环境方面带来优势。

本研究旨在评估土耳其93个奶牛场能源效率和能源相关碳足迹的变化情况，并使用人工神经网络预测这些指标。以往研究一般关注畜牧场的能源效率和能源相关碳足迹。在本研究中，除了对不同规模奶牛场的能源效率进行评估外，还系统评估了直接和间接运营参数，并明确定义了能源相关碳足迹的系统边界。此外，通过将近年来最突出的机器学习方法之一——ANN模型与这些分析相结合，本研究建立了一个综合框架。从而，本研究提供了一个全面的分析基础设施，既支持高理论模拟能力，也支持奶牛管理中的实际决策。

**区域片段——研究区域及奶牛场特征**

本研究利用了位于土耳其布尔萨省不同区县的奶牛场数据，奶牛数量最少为1头，最多为225头。为计算布尔萨地区奶牛场的能源效率和能源相关碳足迹，通过与农场主面对面访谈记录了相关活动。图1显示了进行研究所在区域布尔萨省的地图[20]。共93个商业奶牛场

**能源效率**

在本研究中，对93个奶牛场进行了能源效率计算。基于六个输入参数的平均总能源消耗量确定为78737.94 ± 50650.82 MJ/LSU。这一高标准差表明所考察的93个农场之间的能源消耗和产能存在显著差异。在计算奶牛场能源效率时，确定最重要的来源是饲料，占比为43.91%，其次是燃料使用，占比为

**结论**

本研究旨在评估土耳其93个不同奶牛场的能源效率和能源相关碳足迹。此外，采用ANN建模来预测每升牛奶的奶牛场能源效率和能源相关碳足迹。

能源效率计算结果显示，93个奶牛场的年平均能源消耗量为78737.94 MJ/LSU。饲料和燃料参数在能源

**CRediT作者贡献声明**

ILKER KILIC：撰写——审阅与编辑、验证、监督、项目管理、概念构思。Umut KILIC：撰写——初稿、软件、方法论、调查研究、概念构思。

**未引用参考文献**

[51]、[52]、[53]、[54]。

**利益冲突**

作者声明不存在利益冲突。

**数据可用性**

数据应要求提供。

**资助**

未获得任何资助。

**竞争利益声明**

? 作者声明以下可能被视为潜在竞争利益的财务利益/个人关系：ILKER KILIC报告称，布尔萨乌卢达格大学提供了行政管理支持、文章出版费用、设备、药物或供应品、统计分析、旅行以及写作帮助。ILKER KILIC报告与布尔萨乌卢达格大学的关系包括：非财务支持。ILKER KILIC有专利申请，未获得任何专利。

Umut KILIC | Ilker KILIC