利用Sentinel-2及Landsat-8/9在Google Earth Engine中实现雪覆盖农田上粪肥施用的近实时检测
《Remote Sensing Applications: Society and Environment》:Near-real-time detection of manure applications on snow-covered croplands in Google Earth Engine using Sentinel-2 and Landsat-8/9
【字体:
大
中
小
】
时间:2026年07月02日
来源:Remote Sensing Applications: Society and Environment 3.8
编辑推荐:
阿隆·苏伊特|普扬·哈塔米|高松
威斯康星大学麦迪逊分校,550 N Park St,麦迪逊,威斯康星州53706,美国
摘要
将动物饲养场产生的牲畜废物——包括规模较大的集中式动物饲养场——施用于冰冻或被雪覆盖的地表,会带来严重的水质风险。然而,目前尚无可供公众、
阿隆·苏伊特|普扬·哈塔米|高松
威斯康星大学麦迪逊分校,550 N Park St,麦迪逊,威斯康星州53706,美国
摘要
将动物饲养场产生的牲畜废物——包括规模较大的集中式动物饲养场——施用于冰冻或被雪覆盖的地表,会带来严重的水质风险。然而,目前尚无可供公众、非营利组织或政府机构用来监测此类行为的工具。我们基于谷歌地球引擎开发了一种开放且可重复的工作流程,利用免费的Sentinel-2以及Landsat-8/9卫星影像,对2025年1月和2月威斯康星州三个地区的雪地上的废物施用情况进行了测绘。我们收集了经过实地验证并通过照片分析得到的训练数据,同时还准备了云层、积雪和农用地的掩膜,以此来识别牲畜废物的施用情况,并通过基于设计的像素级精度评估来验证其性能。在可观测范围内,该分类器在识别牲畜废物方面取得了较高的精确度(0.990,95%置信区间为0.977–1.000)和召回率(0.942,95%置信区间为0.934–0.949)。该工作流程的输出结果包括矢量化的施用区域多边形,以及可用于协助处理投诉和开展现场检查的图像片段。这一工作流程具有很强的环境适应性,且能利用免费数据实现大规模应用,只需稍作重新训练即可适用于其他易出现积雪的地区。
引言
集约化畜牧业产生的废物对全球的水质和空气质量构成了严重威胁(Burkholder等人,2007;Alegbeleye和Sant’Ana,2020)。牲畜废物是由动物的排泄物、尿液、垫料、溢出或未被吃掉的饲料、清洗用水(如硫酸铜泡脚液)以及其他来自畜牧业运营的残留物和液体混合而成的(Sommer和Hutchings,2001)。牲畜废物中含有高浓度的氮和磷等大量营养元素(Lorimer等人,2004),同时还存在大肠杆菌、沙门氏菌和弯曲杆菌等病原体(Alegbeleye和Sant’Ana,2020)。这些营养物质和病原体一旦通过渗漏进入地下水,或通过径流及农业排水系统进入地表水,就会对水质造成损害(Burkholder等人,2007;Borchardt等人,2021;Pappas等人,2008;Frey等人,2013)。在地下水中,过高的硝酸盐含量和微生物污染会对公共健康构成威胁,甚至可能导致癌症(Charrois,2010;Hynds等人,2014;Ward等人,2005;Son等人,2026)。而在地表水中,过量的营养物质会导致水体富营养化和有害藻类大量繁殖,进而破坏水生栖息地,降低水中的溶解氧含量(Heisler等人,2008),同时还会产生毒素,威胁饮用水安全和娱乐用水质量(Chorus和Welker,2021)。此外,液态粪肥的喷洒还会释放气溶态的人畜共患病原体,从而危害空气质量(Dungan,2010;Jahne等人,2015)。
虽然任何形式的牲畜废物施用都可能危及水质,但在冰冻或被雪覆盖的地表施用则风险更为严重。冰冻或含水的土壤会阻碍粪肥的渗透,增加融雪将粪肥中的营养物质带入地表水的风险(Srinivasan等人,2006)。冬季也是环境风险较高的时期,因为此时作物生长不良或根本无法生长,难以吸收粪肥中的营养物质(Liu等人,2018)。尽管存在这些风险,但对冬季废物施用的独立监测仍然十分有限,目前的监管措施大多依赖于相关养殖场自身的自我报告。
卫星遥感为独立监测提供了可能性,但识别粪肥施用情况却面临诸多挑战。牲畜废物的施用现象通常只能短暂地被观察到(几天到几周不等)。在积雪条件下,只有在没有新雪沉积且原有积雪保持冻结状态时,才能看到粪肥施用的痕迹。这种短暂的可见性特点类似于短暂性洪水检测,即那些短暂出现的地表现象可能会完全介于两次可用的观测数据之间(Tulbure等人,2022)。对于粪肥而言,由于必须依赖经过筛选、具有理想大气条件(低云层覆盖和低雾度)的卫星影像,这一可见性缺陷更为明显(Dodin等人,2025、2023;Pedrayes等人,2024;Shea等人,2022)。由于以往的研究都是为了寻找最佳的大气条件而非尽可能覆盖更长的时间范围,因此那些方法并不足以全面衡量或估算某一地区在特定时间段内的废物施用情况。
尽管有一些研究者已经证明可以在农田上通过遥感技术识别粪肥(Dodin等人,2023;Pedrayes等人,2024;Shea等人,2022;Dodin等人,2025),但之前的研究大多集中在裸露的土壤或覆盖有作物的田地。此外,以往用于识别粪肥的方法也依赖于经过筛选的特定地表条件:1)裸露的土壤、新翻过的田地以及修剪得较短的牧场(Pedrayes等人,2024);2)处于早期、植被覆盖率较低的物候阶段,比如晚冬时刚抽芽的冬小麦(Dodin等人,2025、2023)。目前亟需一种无需预先筛选影像的技术,即便影像中存在裸露土壤、覆盖作物或积雪/泥浆等其他地表条件,该技术仍能正常工作。
更广泛地说,虽然这些研究已经证明了在受控条件下可以通过光谱特征识别粪肥,但至今还没有出现一种能够广泛应用于大范围区域常规监测的系统。Dodin等人(2025、2023)在法国一个已知的粪肥施用日期、地块规模较小且外源有机物类型明确的试验农场进行了精心控制的田间光谱实验,这类研究有助于了解光谱特性,但却无法应对实际操作监测中存在的各种不确定性,比如未知的施用日期、不均匀的地表条件以及多变的大气状况。Pedrayes等人(2024)在西班牙北部的30个经过实地验证的牧场中取得了良好的分类效果,但他们的方法需要具备施用日期对应的前后对比影像,而这类信息在执法过程中往往难以获取。Shea等人(2022)则利用Sentinel-1雷达技术,通过检测土壤饱和度来推断北卡罗来纳州预定义的施肥区域的液态粪肥施用情况,但他们的方法无法区分粪肥施用和灌溉行为,且仅能在天气晴朗时使用,同时还依赖于事先已知的施肥区域边界。这些研究虽然各自解答了关于光谱或雷达技术可行性的科学问题,但都没有提供一种端到端的工作流程,使得监管机构、非营利组织或研究团队能够在没有商业卫星影像、预先绘制的地图或已知施用日期的情况下,在大范围区域内开展监测工作。
目前所知的唯一一项在积雪覆盖的田地上识别牲畜废物的研究是由Chugg等人(2022)开展的,他们使用了YOLOv5目标检测模型,基于Planet Labs提供的3米分辨率的RGB影像来识别雪地上的粪肥施用情况。不过,这一探索性模型的性能存在一定限制,而且它依赖于需要购买商业许可的Planet Labs影像,对于许多州的监管机构、普通民众和非营利组织来说,这样的成本实在过高。因此,目前仍需要一种既准确又经济实惠的粪肥识别模型。
美国威斯康星州的情况恰恰凸显了这一问题的紧迫性。该州拥有130万头奶牛(位居全美第二),还有200万头非奶用牛和犊牛(美国农业部国家农业统计局,2025)。威斯康星州的大部分奶牛都被饲养在符合美国环保署定义的集中式动物饲养场中。这类饲养场以及规模较小的非集中式饲养场,通常会将牲畜废物直接倾倒在饲养区附近的农田中,而不进行任何处理(美国环保署,2004)。这类废物已被证实会对威斯康星州各社区的水质和空气质量造成危害(Burch等人,2021;Borchardt等人,2021;Raff和Meyer,2022)。正因如此,包括威斯康星州在内的美国一些州,已经对达到一定规模的饲养场实施了冬季禁止倾倒牲畜废物的规定。目前,对这些规定的执行几乎完全依赖于相关养殖场的自我报告,这就迫切需要独立的监测工具。
为满足这些需求,我们开发了一种开放且可重复的工作流程,利用免费的Sentinel-2、Landsat-8和Landsat-9卫星影像,能够在多县范围内识别冬季农田上的牲畜废物施用情况。借助谷歌地球引擎强大的存储和计算能力,我们不仅能够在10米和30米分辨率的较大区域内进行数据分析,还能实时生成反映大气条件和地表状况的掩膜,从而进一步提升识别精度。本文的目标就是利用谷歌地球引擎中免费的Sentinel-2和Landsat-8/9卫星影像,开发并验证一种开放、可重复、近乎实时的工作流程,用于识别雪地农田上的牲畜废物施用情况。具体而言,本研究做出了以下贡献:(1)我们首次提出了一种基于免费卫星影像、用于识别雪地农田上粪肥施用的开源系统;(2)我们证明了该分类器在雾天或部分多云的条件下仍能保持较高性能,且无需依赖经过大气条件筛选的影像;(3)我们按照推荐的方法(Olofsson等人,2014),通过基于设计的像素级精度评估来验证该系统的性能;(4)我们输出了矢量化的施用区域多边形以及图像片段,这些成果可用于监管机构的案件处理和执法工作。
方法
整个研究过程分为五个阶段:(1)确定研究区域和研究时间范围(第2.1–2.2节);(2)收集卫星影像和经过实地验证的训练数据,并通过主动学习机制不断优化数据集(第2.3节);(3)构建各类衍生图层,包括用于区分长期存在的地形特征与临时性粪肥施用区的秋季合成影像,以及静态掩膜和针对不同场景的动态掩膜(第2.4节);(4)进行随机森林分类、后续处理以及结果矢量化处理。
在无积雪天气日的运行情况
我们在没有积雪的15天内运行了该自动化系统,这些日子里没有积雪的原因可能是地面本身无雪、有云层覆盖,或是两者兼有。我们仅对这些天的检测结果进行描述性分析,而没有计算基于设计的精度指标,以便将分析范围限制在可验证的数据范围内。在这15天里,模型没有检测到任何属于第3类的粪肥像素,这一结果与检测系统依赖积雪背景的特性相符;不过,这里的“零检测值”实际上意味着该区域无法进行准确评估。
讨论
通过利用免费卫星影像,生成冬季牲畜废物施用的空间和时间分布图,这一工作流程填补了在开放、可实际应用的层面实现对寒冷季节牲畜废物管理情况进行监测方面的长期空白。现有研究表明,冬季的牲畜废物施用会带来一系列水质风险,这些风险从田间层面的营养物质和病原体扩散,一直延伸到流域层面的公共卫生和生态系统破坏问题(Frey等人,2013;Heisler等人)。
结论
在本研究中,我们利用Sentinel-2和Landsat-8/9卫星影像,开发了一种开源工作流程,用于识别雪地农田上的粪肥施用情况,并通过基于设计的像素级精度评估来验证该流程的性能。在可观测范围内,该系统在识别粪肥方面取得了较高的精确度(0.990,95%置信区间为0.977–1.000)和召回率(0.942,95%置信区间为0.934–0.949),F1分数为0.965。尽管之前的研究已经证明,从光谱和辐射特性角度而言,粪肥是可以被识别出来的。
CRediT作者贡献说明
高松:撰写——审阅与编辑,指导。普扬·哈塔米:撰写——审阅与编辑,验证,指导,方法设计,概念构思。阿隆·K·苏伊特:撰写——审阅与编辑,初稿撰写,可视化,验证,软件使用,方法设计,正式分析,数据整理,概念构思。
未引用参考文献
S2 MSI ESL,2023;美国农业部国家农业统计局威斯康星州办事处,2025;美国地质调查局,2020。
数据可用性
本研究的相关数据已公开发布在Zenodo平台上,地址如下:https://doi.org/10.5281/zenodo.18225626
代码可用性
用于生成本研究结果的代码也已公开发布在Zenodo平台上,地址如下:https://doi.org/10.5281/zenodo.18225579
伦理声明
本研究未涉及对人类或动物的实验,也未收集或披露任何可识别的个人身份信息。所有实地观测均仅为环境状况监测,且记录时均未使用任何个人标识信息。因此,无需获得伦理审批或知情同意。
资金来源
本研究部分得到了Good Chaos组织的资助。该资助方并未参与研究的设计、数据收集与分析、论文发表决策或手稿准备等工作。
利益冲突声明
? 作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:阿隆·K·苏伊特表示,他获得了Good Chaos组织的财务支持。其他作者则声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。
致谢
我们感谢ELPC机构的资深律师Katie Garvey以及主管律师Robert Michaels,他们对手稿进行了法律审查,并就与本研究相关的监管背景提供了详尽的意见。他们的专业见解有助于确保该项目始终符合相关的法律和监管要求。我们还要感谢环境法律与政策中心的前高级政策顾问Andy Olsen,他的政策专业知识为我们的实地验证策略制定了重要指导。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号