Modelos de Aprendizaje Automático Optimizados para Predecir la Temperatura Corporal Central en Vacas Lecheras: Mejorando la Precisión y la Interpretabilidad para la Gestión Práctica del Ganado
Autores: Li, Dapeng; Yan, Geqi; Li, Fuwei; Lin, Hai; Jiao, Hongchao; Han, Haixia; Liu, Wei
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Modelos de Aprendizaje Automático Optimizados para Predecir la Temperatura Corporal Central en Vacas Lecheras: Mejorando la Precisión y la Interpretabilidad para la Gestión Práctica del Ganado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Estrés térmico
Vacas lecheras
Marco de aprendizaje automático
Temperatura corporal central
Mediciones de temperatura infrarroja
Modelos predictivos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
El estrés térmico representa un desafío significativo para la ganadería, afectando particularmente la salud y productividad de las vacas lecheras de alto rendimiento. Este estudio desarrolla un marco de aprendizaje automático destinado a predecir la temperatura corporal central (TCC) de las vacas lecheras para permitir una gestión más efectiva del estrés térmico y mejorar el bienestar animal. El conjunto de datos incluye 3005 registros de datos fisiológicos de entornos de producción del mundo real, abarcando parámetros ambientales, características individuales de los animales y mediciones de temperatura infrarroja. Los algoritmos de aprendizaje automático empleados incluyen red elástica (EN), redes neuronales artificiales (ANN), bosques aleatorios (RF), aumento extremo de gradiente (XGBoost), máquina de aumento de gradiente ligero (LightGBM) y CatBoost, junto con varios algoritmos de optimización como la optimización bayesiana (BO) y el optimizador de lobos grises (GWO) para refinar el rendimiento del modelo a través de la sintonización de hiperparámetros. El análisis comparativo de varios conjuntos de características revela que el conjunto de características que incorpora la temperatura infrarroja promedio del tronco (IRTave_TK) sobresale en la predicción de TCC, logrando un valor de coeficiente de determinación (R) de 0.516, un error absoluto medio (MAE) de 0.239 grados C y un error cuadrático medio (RMSE) de 0.302 grados C. Un análisis adicional muestra que el modelo GWO-XGBoost supera a otros en precisión predictiva con un valor de R de 0.540, un RMSE tan bajo como 0.294 grados C y un MAE de solo 0.232 grados C, y lidera en eficiencia computacional con un tiempo de optimización de apenas 2.41 s, aproximadamente 4500 veces más rápido que el modelo de mayor precisión. A través del análisis SHAP (SHapley Additive exPlanations), se identifican IRTave_TK, zona horaria (TZ), días en lactancia (DOL) y postura corporal (BP) como los cuatro factores más críticos en la predicción de TCC, y se revelan los efectos de interacción de IRTave_TK con otras características como la postura corporal y los períodos de tiempo. Este estudio proporciona apoyo tecnológico para la gestión del ganado, facilitando el desarrollo y la optimización de modelos predictivos para implementar intervenciones oportunas y efectivas, manteniendo así la salud y productividad de las vacas lecheras.
Descripción
El estrés térmico representa un desafío significativo para la ganadería, afectando particularmente la salud y productividad de las vacas lecheras de alto rendimiento. Este estudio desarrolla un marco de aprendizaje automático destinado a predecir la temperatura corporal central (TCC) de las vacas lecheras para permitir una gestión más efectiva del estrés térmico y mejorar el bienestar animal. El conjunto de datos incluye 3005 registros de datos fisiológicos de entornos de producción del mundo real, abarcando parámetros ambientales, características individuales de los animales y mediciones de temperatura infrarroja. Los algoritmos de aprendizaje automático empleados incluyen red elástica (EN), redes neuronales artificiales (ANN), bosques aleatorios (RF), aumento extremo de gradiente (XGBoost), máquina de aumento de gradiente ligero (LightGBM) y CatBoost, junto con varios algoritmos de optimización como la optimización bayesiana (BO) y el optimizador de lobos grises (GWO) para refinar el rendimiento del modelo a través de la sintonización de hiperparámetros. El análisis comparativo de varios conjuntos de características revela que el conjunto de características que incorpora la temperatura infrarroja promedio del tronco (IRTave_TK) sobresale en la predicción de TCC, logrando un valor de coeficiente de determinación (R) de 0.516, un error absoluto medio (MAE) de 0.239 grados C y un error cuadrático medio (RMSE) de 0.302 grados C. Un análisis adicional muestra que el modelo GWO-XGBoost supera a otros en precisión predictiva con un valor de R de 0.540, un RMSE tan bajo como 0.294 grados C y un MAE de solo 0.232 grados C, y lidera en eficiencia computacional con un tiempo de optimización de apenas 2.41 s, aproximadamente 4500 veces más rápido que el modelo de mayor precisión. A través del análisis SHAP (SHapley Additive exPlanations), se identifican IRTave_TK, zona horaria (TZ), días en lactancia (DOL) y postura corporal (BP) como los cuatro factores más críticos en la predicción de TCC, y se revelan los efectos de interacción de IRTave_TK con otras características como la postura corporal y los períodos de tiempo. Este estudio proporciona apoyo tecnológico para la gestión del ganado, facilitando el desarrollo y la optimización de modelos predictivos para implementar intervenciones oportunas y efectivas, manteniendo así la salud y productividad de las vacas lecheras.