研究人員訓練了一種深度學習演算法 YOLO v4(在高檢測精度、計算效率和實時性能之間取得了平衡)，用於從研究區域的無人機 (UAV) 影像中偵測牛隻，並應用簡單線上即時追蹤器 (SORT) 演算法(輕量級且高效的基於檢測的牛群計數追蹤框架)進行自動計數。再根據牛隻的數量和政府間氣候變遷專門委員會 (IPCC) 的一級指南(二級跟三級的精度更高，但需要詳細的數據)，估算了糞便管理和腸道發酵產生的甲烷 ( CH 4)和一氧化二氮 (N 2 O) 排放量。再將所得的 CH4和 N 2 O 值轉換為 CO2當量，以便比較分析和估算總排放量。

圖一、方法流程圖

圖二、總 CH4和 N 2 O (a) 以及估算的轉換為 CO2當量的 CH 4和 N 2 O 百分比 (b)

表一、各排放源貢獻的二氧化碳當量溫室氣體百分比

研究人員所提出的遙感和人工智慧驅動方法在測試影像集上實現了 88.9% 的平均 F1 分數、97% 的平均精確度和 82.9% 的平均召回率。因此，這些研究結果表明，遙感和人工智慧是一種更有效、更有效率的方法，可以對動物種群和溫室氣體排放進行更大規模的量化和報告，從而促進永續農業和減緩氣候變遷。

補充：
可透過日糧著手改善牛隻的一氧化氮跟甲烷排放量， 日糧添加飼料添加劑3-NOP (3-Nitrooxypropanol)可使甲烷排放量平均減少高達 30%；調整精料與粗料的比例，可實現高達60%的甲烷減排。使用過瘤胃蛋白質，減少瘤胃氮的浪費，降低一氧化氮的產出。

參考文獻：
Naturinda E., Kemigyisha F., Gidudu A., Kabenge I., Omia E., Aboth J. (2025). Quantification of greenhouse gas emissions from livestock using remote sensing & artificial intelligence. Artif. Intell. Geosci. 6, 100147. doi: 10.1016/j.aiig.2025.100147