پيش‌بيني وقوع ناهنجاري‫هاي توليدمثلي در گاوهاي هلشتاين با استفاده از يادگيري ماشين

اين پژوهش با هدف بررسي عوامل مؤثر بر سه ناهنجاري مهم توليدمثلي سقط جنين، مرده‌زايي و جفت‌ماندگي در گاوهاي شيري هلشتاين و پيش‌بيني وقوع هريك با استفاده از يادگيري ماشين انجام شد. در اين مطالعه داده‌هاي مربوط به 15 گله صنعتي گاو شيري از استان اصفهان طي دوره‌اي 10 ساله (1390–1400) جمع‌آوري و پس از بررسي داده ها، 440580 ركورد از 147028 دام براي تحليل باقي ماند. تحليل آماري اوليه با استفاده از رگرسيون لجستيك انجام شد. در مرحله دوم، به‌منظور پيش‌بيني وقوع ناهنجاري‌هاي جفت‌ماندگي، مرده‌زايي و سقط جنين، شش الگوريتم يادگيري ماشين شامل رگرسيون لجستيك، بيز ساده، درخت تصميم، جنگل تصادفي، بردار پشتيبان و XGBoost در محيط R پياده‌سازي گرديد و براي آن 16 ويژگي پيش‌بيني‌كننده استفاده شد. داده‌ها پس از پيش‌پردازش، به نسبت 80 به 20 به مجموعه‌هاي آموزش و آزمون تقسيم شدند. با توجه به نامتوازن بودن داده‌ها، تكنيك كم‌نمونه‌برداري براي ايجاد تعادل كلاس‌ها اجرا شد و 10 مجموعه آموزشي متوازن توليد شد. تنظيم فراپارامترها با تفكيك داخلي داده‌هاي آموزش انجام گرفت. مدل‌هاي نهايي بر اساس داده‌هاي آزمون ارزيابي شدند. براي سنجش عملكرد مدل‌ها از معيارهاي دقت، AUC، MCC، TPR، FPR و F1-score طي 10 تكرار استفاده شد. مقايسه آماري الگوريتم‌ها با آزمون توكي صورت گرفت. نتايج بخش اول نشان داد عوامل محيطي مانند شاخص THI و همچنين وقوع ناهنجاري‌هاي مقدم نظير سخت‌زايي و دوقلوزايي نقش معناداري در افزايش بخت وقوع جفت‌ماندگي و مرده‌زايي داشتند (05/0‎>P). همچنين فاكتور مديريتي مانند فاصله زايش تا اولين تلقيح شانس وقوع سقط جنين را به طور معناداري افزايش داد (05/0‎>P). همچنين طول دوره خشكي و نمره وضعيت بدني، از ديگر فاكتورهاي مديريتي، نقش قابل ملاحظه‌اي بر وقوع ناهنجاري‌هاي مذكور داشتند(05/0‎>P). در مطالعه دوم نشان داده شد كه الگوريتم XGBoost (78/0= AUC) و جنگل تصادفي (78/0= AUC) به طور قابل توجهي از ساير الگوريتم‌ها بهتر عمل نمودند؛ در حالي كه XGBoost بالاترين امتياز F1 (41٪) را به دست آورد كه نشان دهنده پتانسيل آن براي پيش‌بيني قابل اعتماد جفت‌ماندگي است. رگرسيون لجستيك و بيز ساده در پيش‌بيني ناهنجاري‌ها مقادير AUC مشابهي داشتند كه نشان دهنده احتمال كارآمدي كمتر آنها در اين خصوص است. در تشخيص مرده‌زايي، الگوريتم جنگل تصادفي علي‌رغم صحت پايين‌تر نسبت به بيز ساده (74/0 در مقابل 81/0)، از نرخ مثبت واقعي (25/0= TPR) و AUC-ROC معادل 81/0 بهترين الگوريتم با ويژگي‌هاي استفاده شده در تشخيص مرده‌زايي بود. در پيش‌بيني وقوع سقط جنين، الگورتيم‌ها در معيارهاي بررسي شده عملكرد مشابهي داشتند، اما با در نظر گرفتن سه معيار صحت، نرخ مثبت واقعي و F1-score، الگوريتم درخت تصميم بهترين عملكرد را نشان داد. به طور كلي نتايج حاضر نشان داد با استفاده برخي از عوامل مديريتي و توليد مي‌توان ناهنجاري‌هاي مهم را در گاو شيري پيش بيني نمود. با توجه به هزينه‌هاي هنگفت هر يك از اين ناهنجاري‌ها لزوم تقويت مداخلات پيشگيرانه و استفاده از مدل‌هاي پيش‌بيني مبتني بر يادگيري ماشين بيش از پيش مي‌توان حائز اهميت باشد تا بتوان با بهبود شرايط مديريتي، از زيان‌هاي اقتصادي گسترده در صنعت گاو شيري جلوگيري كرد.

236522

فيزيولوژي دام

مهندسي كشاورزي

دانشگاه صنعتي اصفهان