Künstliche Intelligenz kartiert Tierhaltungsbetriebe

Wo Nutztiere gehalten werden, ist entscheidend für die Bewertung landwirtschaftlicher Umweltwirkungen – etwa in Bezug auf Wasserqualität, Nährstoffeinträge und Emissionen. Doch in vielen Regionen fehlen genaue Daten. Diese Lücke wollte Becca Muenich, Ingenieurin für biologische und agrartechnische Systeme an der University of Arkansas, schließen. Gemeinsam mit ihrem Team entwickelte sie ein maschinelles Lernmodell, das Tierhaltungsbetriebe („Animal Feeding Operations“) ohne Luftbilddaten identifizieren kann – allein anhand von Umweltdaten und Flächeninformationen. Die Ergebnisse wurden von der University of Arkansas veröffentlicht und auf thepoultrysite.com vorgestellt. Die Studie erschien in der Fachzeitschrift Science of the Total Environment.

Tierhaltungsbetriebe werden in den USA als Anlagen definiert, in denen Tiere mindestens 45 Tage pro Jahr in einem nicht begrünten, abgegrenzten Bereich gehalten werden. Ohne geeignete Managementstrategien können die dort entstehenden Nährstoffüberschüsse erhebliche ökologische Folgen haben – etwa durch Einträge von Phosphor und Stickstoff in Oberflächengewässer. „Wir können ein Problem nicht lösen, wenn wir nicht wissen, wo es auftritt“, sagt Muenich.

Das entwickelte Modell nutzt Oberflächentemperaturen, Phosphorgehalte und Vegetationsmuster als entscheidende Prädiktoren, um das Vorhandensein von Tierhaltungsanlagen zu ermitteln. Grundlage waren Daten aus 18 US-Bundesstaaten, die nach Grundstückseigentum (Parzellenebene) strukturiert wurden. Der Vergleich mit bekannten Betrieben ergab eine Vorhersagegenauigkeit von 87 %.

Neues Modell hilft beim Erfassen

Frühere Ansätze zur Erfassung solcher Betriebe basierten meist auf Luftbildern. Diese Methode liefert jedoch kein einheitliches Bild, da Tierhaltungsanlagen je nach Tierart und Region unterschiedlich gestaltet sind. Ein weiteres Problem liegt in der uneinheitlichen Umsetzung des US-amerikanischen Clean Water Act. Dieses Gesetz verpflichtet große Betriebe – sogenannte „Concentrated Animal Feeding Operations“ (CAFOs) mit mehr als 1.000 Tiereinheiten – zu einer Genehmigung über das National Pollutant Discharge Elimination System (NPDES). Die einzelnen Bundesstaaten setzen diese Vorgaben jedoch unterschiedlich um, was zu erheblichen Datenlücken führt.

Wie Muenich erläutert, zeigte sich diese Diskrepanz deutlich in einem Untersuchungsgebiet zwischen Michigan und Ohio: Während Michigan aufgrund seiner Genehmigungspflichten umfassende Informationen zu Tierhaltungsbetrieben bereitstellte, fehlten in Ohio vergleichbare Daten – trotz ähnlicher Betriebsstrukturen. Diese Erfahrung war der Ausgangspunkt für die Entwicklung des neuen Modells.

Ein präziseres Bild über die räumliche Verteilung von Viehhaltungen kann laut Muenich dazu beitragen, Umweltstrategien gezielter auszurichten und ökonomische Chancen für landwirtschaftliche Betriebe zu eröffnen. So könnten Technologien zur Reduktion von Nährstoffausträgen oder zur Verwertung tierischer Reststoffe gezielter eingesetzt werden, wenn bekannt ist, wo Tierhaltungen konzentriert auftreten und räumlich miteinander verknüpft sind.