畜牧业是水资源污染的主因,但监管机构并无系统性方法可确定畜牧场的位置、数量和规模,因此很难监控可能造成污染的畜牧场。为解决此问题,史丹佛大学(Stanford University)研究团队已利用机器学习算法有效辨识可能造成污染的畜牧场,能协助环境监管机构监控每个畜牧场的环境风险。
根据Futurity报导,史丹佛大学(Stanford University)经济政策研究所高级研究员Daniel Ho表示,其研究展示了政府机构如何利用计算机视觉的快速进步来更有效地保护水资源。
目前有些环境保护和公益团体,试图藉由手动扫描地形或仔细研究航拍照片来辨识畜牧场,但这是非常耗时的任务。史丹佛大学研究人员将注意力转向深度学习算法。他们利用几个开放工具及两个非营利组织的数据,重新学习建构出现有图像辨识模型,以辨识大型畜牧场。
研究人员专注于辨识北卡罗莱纳州的畜牧场。他们对基于大量数位图像扫描的模型进行了重新训练,以获取环境组织手动监测的类似线索。例如,该模型可正确分辨养猪场,因为长方形猪舍与大型液体肥料坑相邻,而长方形鸡舍旁边则是鸡粪储存空间。在这些特征的支持下,该模型还能估算畜牧场的尺寸。
研究人员发现,其算法比人工方法发现多15%的畜牧场。而且由于其方法能用于分析多年的美国国家农业影像(NAIP),因此该算法能藉由辨识任何变化来准确估计成长。该模型能检测到目标地区93%的畜牧场。
研究人员希望机器学习能补充环境机构和利益集团的人力监测工作。利用机器学习进行重复性辨识任务,可让人们投入更复杂的事情,例如确定设施可能存在的环境危害。研究人员估计,其算法仅使用了人工普查方法不到10%的资源,就可辨识95%现有的大型畜牧场。他们希望最终航拍图像的进步,能让计算机模型侦测出实际排放到水道中的污染物。