对屠宰前死亡率的数据驱动洞察:机器学习预测肉类的高死亡率
Chalita Jainonthee1, Phutsadee Sanwisate2, Panneepa Sivapirunthep3
1PhD Program in Veterinary Science (International Program), Faculty of Veterinary Medicine, Chiang Mai University, under the CMU Presidential Scholarship; Veterinary Public Health and Food Safety Centre for Asia Pacific (VPHCAP), Faculty of Veterinary Medicine, Chiang Mai University, Chiang Mai 50100, Thailand; Research Center for Veterinary Biosciences and Veterinary Public Health, Faculty of Veterinary Medicine, Chiang Mai University, Chiang Mai 50100, Thailand.
Poultry science
|December 12, 2024
概括
肉类的高到达死亡率 (DOA) 受卡车装载量大小和藏温度等因素的影响. 机器学习模型确定了关键预测因素,以最大限度地减少屠宰前的损失,并改善动物福利.
科学领域:
- 动物科学动物科学
- 农业经济学 农业经济学
- 兽医公共卫生 兽医公共卫生
背景情况:
- 在家禽中死于抵达 (DOA) 表示福利问题和经济损失.
- 高的DOA率可能是由于各种屠宰前条件造成的.
- 了解导致因素对于缓解策略至关重要.
研究的目的:
- 在肉类子中使用机器学习分类高DOA率 (≥0.15%).
- 为了确定影响屠宰前运输期间DOA率的关键预测因素.
- 分析预测和最小化DOA的变量重要性.
主要方法:
- 在18643个卡车载货条目中使用了机器学习算法 (LASSO,SVM,DT,RF,XGBoost).
- 采用数据采样技术 (过量采样,不足采样,ROSE,SMOTE) 来处理不平衡的数据.
- 分析的预测因素:季节,时间,载荷大小,距离,持续时间,年龄,重量,藏时间和温度.
主要成果:
- XGBoost-Up,XGBoost-Down和RF-Down模型在分类高DOA时表现出卓越的性能.
- 高DOA的关键预测因素是每辆卡车的子数量,体温度和平均体重.
- 其次因素包括运输时间,距离和时间.
结论:
- 机器学习有效地对肉类子的高DOA率进行了分类.
- 管理卡车载荷的尺寸,巢穴温度和体重可以减少屠宰前的死亡率.
- 建议对已确定的因素进行进一步的调查和管理,以尽量减少经济损失并提高动物福利.
