热应激对乳牛的影响:对牛奶质量,反行为和网膜 pH 响应的影响,使用机器学习模型
Karina Džermeikaitė1, Justina Krištolaitytė1, Dovilė Malašauskienė1
1Animal Clinic, Veterinary Academy, Lithuania University of Health Sciences, Tilžės Str. 18, LT-47181 Kaunas, Lithuania.
Biosensors
|September 26, 2025
概括
这项研究引入了一种新方法,通过结合环境,行为和生理数据来检测乳牛的早期热应激. 机器学习模型准确地识别了热应激,从而实现了主动管理,以改善牛的健康和生产力.
科学领域:
- 动物科学动物科学
- 精准畜牧养殖 精准畜牧养殖 精准畜牧养殖
- 机器学习在农业中的应用
背景情况:
- 热应激显著影响奶牛的健康和生产力,特别是在早期的哺乳期.
- 使用单一指标的传统监测,如温度湿度指数 (THI),可能无法捕捉微妙的生理变化.
- 早期发现热应激对于及时干预和缓解战略至关重要.
研究的目的:
- 开发和验证一种基于值的新型分类框架,用于乳牛早期热应激检测.
- 整合环境,行为和生理变量,以进行全面的热应激评估.
- 为了比较各种监督机器学习模型在分类热应力条件中的性能.
主要方法:
- 开发了六种复合热应激条件 (C1-C6),使用THI,牛奶温度,网膜 pH,反时间,牛奶乳糖和牛奶脂肪与蛋白质的比率.
- 应用和评估了五种监督机器学习模型 (PLS-DA,SVM,RF,NN,Ensemble) 在200只早期哺乳母牛的约36,000条记录的数据集上.
- 采用内螺栓和奶房传感器,在60天内实时收集数据.
主要成果:
- 随机森林 (RF) 和神经网络 (NN) 模型显示了最高的分类性能,AUC值>0.90对于条件C1和C6.
- SHAP分析确定了牛奶温度,THI,反时间和牛奶乳糖作为关键预测特征.
- 在临床或生产影响明显之前,综合方法成功地对热应激风险进行了分类.
结论:
- 一个集成的,基于机器学习的框架有效地检测乳牛的早期热应激.
- 这种精确的牲畜监测方法允许个性化风险分类和主动管理.
- 与单一指标方法相比,结合多个数据流提供了优越的热应力检测.
