优化养时间表和活体体重预测本土基于机器学习

科学领域:

• 动物科学动物科学
• 农业技术 农业技术
• 机器学习在农业中的应用

背景情况:

• 精确安排加工日期对于市场供应,需求和家禽生产的最佳定价至关重要.
• 当地的台湾品种,包括瓜佐雄,黄金雌,红林雄,需要量身定制的养计划.
• 目前的养做法可能无法充分利用数据来准确管理群体.

研究的目的:

• 为台湾的品种开发一个实用的养计划系统.
• 整合每日体重预测,引导群体在加工前达到目标体重.
• 评估机器学习模型来预测体重和优化料分配.

主要方法:

• 四个预测模型 (随机森林,XGBoost,额外的树木,人工神经网络) 被评估为体重预测.
• 性能最好的模型被嵌入到一个实用的养系统中.
• 为了估计剩余的粮食量和更新每日料分配,使用了额外树木模型.
• 在54天的时间里,对一批Guzao雄性进行了验证实验.

主要成果:

• 开发的系统整合了子级体重预测,以指导群体的生长.
• 额外树木模型证明了料估计和分配调整的有效性.
• 一个验证实验显示了初步支持数据引导养计划的可行性.
• 与传统料相比,料转换率可能有所改善.

结论:

• 数据导向养计划系统证明了台湾品种的潜在农业应用价值.
• 需要通过额外的批次和跨农场评估进行进一步的验证,以确认可通用性和运营性能.
• 这种方法为更精确,更有效的家禽生产管理提供了途径.