养猪场

2024年8月8日机构名称:

调查使用机器学习算法来支持基于风险的牛和养猪场的动物福利检查

在牲畜生产中，与动物相关的数据通常在专用数据库中注册，通常不相互连接，除了常见的标识符。组合数据集的分析以及可能包含第三方信息的信息可以提供更完整的图片或揭示复杂的关系。这项研究的目的是开发风险指数，以预测违规动物福利可能性增加的农场，在农场福利检查期间被定义为不合规。为此目的选择了一种数据驱动的方法，重点是现有的瑞士政府数据库和登记册的组合。单个动物级别的数据在牛群水平上进行了汇总。由于数据收集和可用性最适合牛和猪，因此重点是这两个牲畜物种。我们提出了可以用作计划和优化基于风险的农场福利检查的工具，通过提出要访问的优先权持有的列表，以计划和优化基于风险的农场福利检查。使用先前农场福利检查的结果用于校准二进制福利指数，这是预测目标。风险指数基于代理信息，例如参与具有结构化住房和户外通道，牛群类型和大小或动物运动数据的动物福利计划。由于该模型的透明度对于公众接受此类数据驱动的指数和农场控制计划至关重要，因此可以深入研究决策过程的随机森林模型。研究表明，将多个和异质数据源组合起来可以提高模型的质量。使用历史检查数据，这两种物种的总体违规率总体违规的总体流行率较低，该指数分别能够预测牛和猪农场的敏感性分别为81.2和79.5％的违规行为。此外，在将特征空间限制为最相关的过程之前，将保护隐私的方法应用于研究环境，以探索可用的数据。这项研究表明，现有数据集对数据驱动的牲畜种群进行了可能的监测，而开发的模型可以是计划和进行基于风险的动物福利检查的有用工具。

查看详细