AI驱动的框架用于预测牧场和笼内动物及其饲料摄入
机器学习
2026-04-27 v1 人工智能
系统与控制
系统与控制
摘要
技术的进步正在改变可持续牧场化实践，电子喂养系统正在为对个体动物饲料摄入的大规模纵向数据集提供可能，从而为自主精准畜牧系统提供了可能。然而，文献仍缺乏一种充分利用这些纵向大数据的、准确预测饲料摄入并考虑环境条件的方法。为填补这一空白，我们开发了一个AI驱动的框架，以准确预测个体动物和笼层聚合的饲料摄入。来自Nancy M. Cummings Research Extension & Education Center（Carmen, ID）饲场场所进行的19次实验（>16.5M样本；2013-2024）的数据以及来自AgriMet网络气象站的环境数据用于开发两个新型环境指数：InComfort-Index仅基于气象变量，显示出良好的预测热舒适度的能力，但其预测饲料摄入的能力有限；EASI-Index这种混合指数将环境变量与饲料摄入行为相结合，在预测饲料摄入方面表现良好，但在预测热舒适度方面效果较差。除了环境指数外，还训练了机器学习模型，最佳表现的机器学习模型（XGBoost）在个体水平上的RMSE为1.38 kg/天，笼位水平仅为0.14 kg/(天-个体)。该方法为预测牧场畜禽的饲料摄入提供了一个稳健的AI驱动框架，潜在应用于精准管理牧场畜禓，通过减少饲料浪费、资源优化和气候适应性畜牧管理。
引用
@article{arxiv.2511.17663,
title = {AI-based framework to predict animal and pen feed intake in feedlot beef cattle},
author = {Alex S. C. Maia and John B. Hall and Hugo F. M. Milan and Izabelle A. M. A. Teixeira},
journal= {arXiv preprint arXiv:2511.17663},
year = {2026}
}