0
Obiettivi: Negli ultimi anni si è assistito ad un aumento nell’uso di sistemi avanzati di raccolta dati per migliorare la gestione negli allevamenti di suini, tuttavia, il costo di implementazione di tali sistemi rimane un ostacolo per molti. Alcuni dei dati più utili per la gestione dell'allevamento sono a livello di singolo suino, il che richiede investimenti in manodopera e spese per le marche auricolari RFID.
Materiali e Metodi: in questo articolo viene proposta una soluzione alternativa, in cui le misurazioni del peso dei suini a livello di box (ovvero misurazioni non legate all'identità specifica del suino, ma al gruppo), che sono significativamente più economiche da ottenere, vengono utilizzate per stimare le traiettorie di crescita a livello individuale utilizzando l'apprendimento automatico. Abbiamo valutato il nostro Metodo su dati a livello di gruppo simulati da dati di peso a livello individuale, che hanno quindi consentito di verificare l'accuratezza delle previsioni della traiettoria utilizzando un punteggio di errore quadratico medio. Il predittore con le migliori prestazioni in media per questo compito era basato su un modello Random Forest che ha ottenuto un punteggio nel caso migliore di 2,00 Kg per suino e un punteggio nel caso peggiore di 2,45 Kg per suino a seconda delle condizioni simulate utilizzate, quindi dimostrando che queste traiettorie previste potrebbero essere sufficientemente accurate per l’uso commerciale.
Conclusione: L’utilità delle traiettorie previste (The usefulness of the predicted trajectories) è stata quindi valutata attraverso un’attività a valle di previsione della crescita in cui sono stati previsti i futuri pesi dei suini a due settimane di distanza utilizzando una varietà di modelli di apprendimento automatico (machine learning models). Si è riscontrato che, in media, i modelli di previsione della crescita che utilizzavano le traiettorie previste hanno sovraperformato un metodo che utilizzava pesi a livello di gruppo direttamente di 1,42 Kg di errore quadratico medio, ma erano comunque superati dai modelli che utilizzavano traiettorie di crescita RFID di 0,83 Kg su media. Questi risultati mostrano il potenziale di questo metodo come alternativa sia ai sistemi RFID con marchio auricolare che a quelli basati su foto per la stima dei dati a livello individuale.
Christian Taylor, Jonathan Guy, Jaume Bacardit, Estimating individual-level pig growth trajectories from group-level weight time series using machine learning, Computers and Electronics in Agriculture, Volume 208, 2023, 107790, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2023.107790.
