Confronto e classificazione degli algoritmi di intelligenza artificiale per la previsione del peso nelle pecore

Rapporti scientifici volume 13, numero articolo: 13242 (2023) Citare questo articolo

384 accessi

3 Altmetrico

Dettagli sulle metriche

In un mondo in rapida trasformazione, i dati agricoli stanno crescendo in modo esponenziale. Comprendendo l'importanza di questi dati, i ricercatori sono alla ricerca di nuove soluzioni per analizzare questi dati e fare previsioni sull'agricoltura. L’intelligenza artificiale, con la sua capacità di gestire i big data, sta rapidamente diventando popolare. Inoltre, può gestire anche dati non lineari e rumorosi e non è limitato dalle condizioni richieste per l'analisi dei dati convenzionale. Questo studio è stato quindi intrapreso per confrontare gli algoritmi di machine learning (ML) più popolari e classificarli in base alla loro capacità di fare previsioni sui dati degli allevamenti di pecore nell'arco di 11 anni. I dati sono stati puliti e preparati prima dell'analisi. La winsorizzazione è stata eseguita per la rimozione dei valori anomali. Sono state eseguite l'analisi dei componenti principali (PCA) e la selezione delle caratteristiche (FS) e sulla base di ciò sono stati creati tre set di dati, vale a dire. PCA (in cui è stata utilizzata solo PCA), PCA+ FS (entrambe le tecniche utilizzate per la riduzione della dimensionalità) e previsione del peso corporeo FS (è stata utilizzata solo la selezione delle caratteristiche). Tra gli 11 algoritmi ML valutati, le correlazioni tra i valori reali e quelli previsti per l'algoritmo MARS, la regressione bayesiana della cresta, la regressione della cresta, le macchine vettoriali di supporto, l'algoritmo di potenziamento del gradiente, le foreste casuali, l'algoritmo XgBoost, le reti neurali artificiali, gli alberi di classificazione e regressione, Regressione polinomiale, K vicini più prossimi e algoritmi genetici erano 0,993, 0,992, 0,991, 0,991, 0,991, 0,99, 0,99, 0,984, 0,984, 0,957, 0,949, 0,734 rispettivamente per i pesi corporei. I primi cinque algoritmi per la previsione del peso corporeo erano MARS, regressione bayesiana della cresta, regressione della cresta, Support Vector Machines e algoritmo di potenziamento del gradiente. Nel presente studio sono stati sviluppati un totale di 12 modelli di apprendimento automatico per la previsione del peso corporeo nelle pecore. Si può dire che le tecniche di apprendimento automatico possono eseguire previsioni con ragionevole precisione e possono quindi aiutare a trarre inferenze e fare previsioni futuristiche sulle aziende agricole per la loro prosperità economica, il miglioramento delle prestazioni e successivamente la sicurezza alimentare.

Si prevede che entro il 2050 la popolazione mondiale aumenterà fino a 9,9 miliardi e la domanda globale di vari prodotti a base di carne e animali aumenterà di oltre il 70% nei prossimi decenni1. Pertanto, esiste un disperato bisogno di aumentare la produzione alimentare entro il 2050, intensificando la produzione su quasi la stessa quantità di terra e utilizzando le stesse risorse. Ciò mette sotto pressione anche il settore della zootecnia perché ora è necessario produrre più animali utilizzando la terra, l’acqua e tutte le altre risorse naturali limitate. Ciò significa che dobbiamo trovare approcci nuovi e innovativi per produrre più cibo, il che rappresenta una sfida enorme per gli scienziati animali nonostante la vasta ricchezza genetica2,3. Per risolvere questo problema, negli allevamenti di animali si stanno adottando nuove tecnologie che si stanno evolvendo dal tradizionale all’high-tech4. Le operazioni agricole stanno diventando sempre più automatizzate e l’uso di sensori è in aumento in tutti gli aspetti della gestione dell’azienda agricola. Ciò non sta solo riducendo il lavoro ingrato e faticoso, ma sta anche portando a un aumento esponenziale della quantità di dati generati su base giornaliera. Tutto ciò sta portando ad un aumento esponenziale dei dati agricoli. I metodi tradizionali e le strategie convenzionali non riescono a tenere il passo con questi enormi dati, il che si traduce in tendenze al ribasso della produzione, soprattutto nei paesi in via di sviluppo5,6,7,8,9,10.

Poiché l’intelligenza artificiale sta trasformando radicalmente tutti i settori, offre soluzioni ai problemi analitici della zootecnia e delle scienze veterinarie11. Questi contribuirebbero a dimostrare molti aspetti della gestione agricola che sono importanti per ridurre la mortalità e migliorare la produttività12. Non possono solo gestire in modo efficiente i dati, ma possono anche trarre inferenze finora sconosciute perché le tecniche ML possiedono capacità che non sono presenti nelle tecniche convenzionali. La tolleranza alla modellazione di tali metodi è considerevolmente più elevata rispetto alle metodologie statistiche. Questo perché non sono richiesti presupposti o test di ipotesi in ML. Inoltre, il machine learning offre vantaggi come la capacità di gestire dati non lineari, imprecisi e rumorosi. Tutto ciò rende quest’area della scienza molto più flessibile rispetto ai modelli statistici convenzionali.