血和牛奶变量使用机器学习方法对乳牛的饮食,干期长度和哺乳周进行分类

科学领域:

• 乳制品科学 乳制品科学
• 动物营养动物营养
• 机器学习在农业中的应用.

背景情况:

• 了解奶牛生理和管理对于优化乳制品生产至关重要.
• 早期哺乳期是影响牛健康和生产力的关键时期.
• 饮食和干燥期的长度显著影响新陈代谢状态和性能.

研究的目的:

• 根据饮食,干旱期 (DP) 长度和哺乳周来分类霍尔斯坦-弗里西亚牛.
• 为了评估机器学习模型的有效性,使用体重,牛奶和血代谢物进行分类.
• 确定可预测早期哺乳期管理策略的关键变量.

主要方法:

• 一个3x2的因数设计实验,用95只荷尔斯坦-弗里斯牛.
• 三个干燥期的长度 (0,30,60d) 和两个早期的哺乳期饮食 (脂性,糖性).
• 一个XGBoost模型每周训练体重,牛奶变量和血代谢物,经过1000个持有分区的验证.

主要成果:

• 高分类准确度 (AUC>0.9) 哺乳期周,独立于饮食或DP长度.
• 0与60d DP长度的准确分类 (AUC>0.8),比其他DP比较更好.
• 血尿素和牛奶脂肪含量是饮食分类的关键;乳汁产量和牛奶周的蛋白质.

结论:

• 机器学习模型有效地利用牛奶和血代谢物数据进行乳牛的回顾性分类.
• 这种方法可以在早期哺乳期识别奶牛的管理群体,包括饮食和干旱期的策略.
• 这些发现突显了数据驱动的洞察力对乳牛群管理的潜力.