基于传感器数据和机器学习算法的孕母猪每日营养需求的预测

科学领域:

• 动物科学动物科学
• 农业工程 农业工程
• 数据科学数据科学数据科学

背景情况:

• 精密养旨在使动物的营养摄入量与需求相匹配,降低成本和环境影响.
• 传统方法依赖于具有广泛输入数据的营养模型,包括母猪和羊群特征以及产卵预测.
• 数字农场技术的进步提供了来自传感器和自动机的大量数据集.

研究的目的:

• 评估机器学习方法,仅使用传感器数据来预测孕母猪每日营养需求.
• 评估不同数字农场配置 (传感器组合) 对预测准确性的影响.
• 将机器学习预测与已建立的营养模型 (InraPorc) 进行比较.

主要方法:

• 使用传感器 (电子食器,饮水器,秤,加速度计,摄像头) 从73只孕母猪收集数据.
• 在不同的数据集上训练了九个机器学习算法,这些数据集代表了不同的数字农场配置.
• 预测的每日代谢能量和标准化叶消化素需求,将结果与InraPorc模型进行比较.

主要成果:

• 机器学习使用传感器数据准确地预测了母猪的营养需求,仅使用自动料数据的场景的准确性更高 (素R2=0.99,能量R2=0.95).
• 将母猪和体特征添加到传感器数据中,提高了预测准确度 (氨酸为5.58%,能量为2.22%).
• 在使用母猪/住房数据和自动养器的场景中,渐变树增强了优于线性回归的性能,显示了较低的根平均平方误差.

结论:

• 孕母猪的每日营养需求可以使用传感器数据和机器学习算法准确预测.
• 这种方法为精密养系统提供了更简单,更有效的替代方案.
• 该研究强调了数字农场数据在优化猪营养和管理方面的潜力.