DOI: https://doi.org/10.3389/fanim.2024.1421299
تاريخ النشر: 2024-09-12
المؤلف: Caspar Matzhold وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
في سياق الزراعة الدقيقة للحيوانات، يقدم هذا البحث طريقة تجميع قائمة على الميزات الرئيسية تدمج مصادر بيانات متنوعة لتعزيز الاستدامة وتقييم تأثير ممارسات إدارة المزارع على صحة الأبقار. من خلال معالجة تباين البيانات، تجمع الطريقة بين اختيار الميزات المدفوع بالمعرفة والتعلم الآلي غير المراقب، مما يسمح بتحليل منهجي لتأثيرات الإدارة على صحة الأبقار. استخدم البحث بيانات من 3,284 مزرعة نمساوية، تشمل 80 ميزة تتعلق بالتغذية، والحلب، والإسكان، وأنظمة التكنولوجيا، إلى جانب معلومات صحية لـ 56,000 بقرة.
حدد التحليل 14 مجموعة متميزة، مصنفة إلى أربع مجموعات رئيسية بناءً على التكامل التكنولوجي: “ذكي”، “تقليدي”، “نظام الحلب الآلي (AMS)”، و”حساس”. ومن الجدير بالذكر أن المزارع “الذكية”، التي استخدمت كل من نظام الحلب الآلي وأنظمة الاستشعار، أظهرت خطرًا أعلى قليلاً للإصابة بحمى الحليب (نسبة الأرجحية [OR] 1.09) ولكن مخاطر أقل لاضطرابات الخصوبة وأمراض الضرع. على العكس من ذلك، كانت المزارع “التقليدية”، التي تفتقر إلى هذه التقنيات، لديها أقل خطر للإصابة بحمى الحليب ولكن أعلى خطر للإصابة بأمراض الضرع (OR 1.12) وزيادة طفيفة في حدوث اضطرابات الخصوبة (OR 1.07). كما وجد البحث أن ممارسات الزراعة العضوية كانت مرتبطة بانخفاض حدوث حمى الحليب، ومشاكل الضرع، وتشخيصات الخصوبة، مع اختلاف أحجام التأثير حسب المجموعة. يبرز هذا البحث فائدة نهج التجميع المقترح لتحليل البيانات عالية الأبعاد لمقارنة ممارسات الإدارة وعلاقاتها المعقدة، مما يوفر إطارًا قيمًا لتحسين ممارسات تربية الحيوانات المستدامة.
مقدمة
في مقدمة هذه الورقة البحثية، يتناول المؤلفون التعقيدات المرتبطة بتقييم ممارسات إدارة المزارع فيما يتعلق بصحة الماشية في سياق الزراعة الحليبية. يسلطون الضوء على تطور الزراعة الحيوانية من خلال التقنيات المبتكرة التي تولد بيانات ديناميكية (مثل، إنتاج الحليب اليومي) وثابتة (مثل، أنظمة الإسكان). ومع ذلك، فإن دمج هذه التدفقات البيانية المتنوعة لتقييم شامل لممارسات الإدارة غالبًا ما يعيقه تحديات في جمع البيانات وتحليلها، لا سيما فيما يتعلق بموثوقية المعلومات الإدارية التي تم الحصول عليها من خلال الاستطلاعات مقارنة بالبيانات الديناميكية المتاحة بسهولة من أنظمة الوثائق وأجهزة الاستشعار.
يناقش المؤلفون نهجين رئيسيين لتجميع المزارع بناءً على ممارسات الإدارة: الأساليب المعتمدة على المعرفة والأساليب المعتمدة على التعلم الآلي. بينما تسمح الأساليب المعتمدة على المعرفة بتحليل مستهدف لعلاقات معينة، قد تتجاهل التفاعلات المعقدة بين الميزات. على العكس من ذلك، يمكن أن تتعامل تقنيات التعلم الآلي، وخاصة الأساليب غير المراقبة مثل تحليل المكونات الرئيسية (PCA) وخوارزميات التجميع، مع البيانات عالية الأبعاد ولكن قد تواجه صعوبة في القوة التمييزية، مما يؤدي إلى نتائج غامضة. لمعالجة هذه التحديات، يقترح البحث نهجًا هجينًا يجمع بين اختيار الميزات المدفوع بالمعرفة وتقنيات التعلم الآلي لتعزيز القدرة على التمييز بين ممارسات الإدارة. الهدف هو استخدام منهجية التجميع القائمة على الميزات الرئيسية لتقييم تأثير ممارسات الإدارة المختلفة، لا سيما تلك التي تتضمن أنظمة الحلب الآلي وتقنيات الاستشعار، على صحة الأبقار، مما يسهل في النهاية مقارنات ورؤى أكثر معنى.
النتائج
كشفت نتائج تحليل التجميع القائم على الميزات الرئيسية عن 14 مجموعة متميزة من المزارع، والتي تم تصنيفها إلى أربع مجموعات بناءً على تكاملها التكنولوجي في إدارة المزارع: “تقليدي”، “AMS”، “حساس”، و”ذكي”. كانت مجموعة “التقليدي”، التي تفتقر إلى كل من أنظمة الحلب الآلي (AMS) وتقنيات الاستشعار، هي الأكبر، حيث تضم 2,400 مزرعة (77.39%). كانت مجموعة “AMS”، التي تتميز بالاستخدام الحصري لـ AMS، تضم فقط 45 مزرعة (1.45%)، بينما كانت مجموعة “الذكي”، التي دمجت كل من أنظمة AMS وأنظمة الاستشعار، تمثل 328 مزرعة (10.58%). كما احتوت مجموعة “الحساس” أيضًا على 328 مزرعة، تمثل النسبة المتبقية 10.58% من مجموعة البيانات الإجمالية.
من بين 3,284 مزرعة تم تحليلها، تم تجميع 3,101 بنجاح، مما سمح بإجراء تحليل قوي بين المجموعات وداخلها لممارسات إدارة المزارع. سلطت معدلات حدوث الأمراض بين 98,037 بقرة في مجموعة البيانات الضوء على اضطرابات الخصوبة كأكثرها انتشارًا، حيث أثرت على 39.87% من السكان، تليها أمراض الضرع بنسبة 24.40% وحمى الحليب بنسبة 11.52%. تؤكد هذه النتائج على مستويات التبني التكنولوجي المتفاوتة في إدارة المزارع وتأثيراتها المحتملة على صحة الحيوانات.
المناقشة
ت outlines قسم المناقشة في الورقة البحثية المنهجية والنتائج من تحليل مجموعة بيانات شاملة تضم 3,284 مزرعة نمساوية و104,259 بقرة، تمتد من يناير 2020 إلى نوفمبر 2021. تم بناء مجموعة البيانات من خلال دمج بيانات إدارة المزارع وبيانات الأحداث الصحية، مع ضمان سلامة البيانات من خلال عملية تحقق صارمة. تم تحديد الميزات الرئيسية التي تؤثر على ممارسات إدارة المزارع، بما في ذلك حجم القطيع، ومتوسط إنتاج الحليب، والارتفاع، والوصول إلى المراعي، وأنظمة الإسكان، واستخدام أنظمة الحلب الآلي (AMS) وتقنيات الاستشعار. تم إخضاع هذه الميزات لترميز واحد ساخن وتطبيع لتسهيل تحليل التجميع، الذي تم إجراؤه باستخدام خوارزمية HDBSCAN لتحديد مجموعات المزارع المتميزة بناءً على أوجه التشابه في ممارسات الإدارة ونتائج الصحة.
كشفت التحليلات عن تباينات كبيرة بين المجموعات وداخلها في مخاطر الأمراض المرتبطة بممارسات الإدارة المختلفة. ومن الجدير بالذكر أن المزارع الذكية أظهرت معدلات حدوث أمراض أقل بشكل عام لاضطرابات الخصوبة وأمراض الضرع مقارنة بالمزارع التقليدية، بينما أظهرت مزارع AMS مخاطر متزايدة للإصابة بحمى الحليب واضطرابات الخصوبة. سلط التحليل الداخلي لمزارع SMART الضوء على أنه بينما حققت بعض المجموعات معدلات أمراض أقل لحالات معينة، واجهت أيضًا مخاطر أعلى لأخرى، مما يشير إلى تفاعل معقد بين ممارسات الإدارة ونتائج الصحة. تؤكد النتائج على أهمية التكامل التكنولوجي في إدارة المزارع وتأثيره المحتمل على صحة الأبقار، مما يشير إلى أن المزارع التي تستخدم تقنيات متقدمة قد تشهد تحسينات في نتائج الصحة، على الرغم من وجود تباينات داخل وبين مجموعات الإدارة المختلفة.
DOI: https://doi.org/10.3389/fanim.2024.1421299
Publication Date: 2024-09-12
Author(s): Caspar Matzhold et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
In the context of precision livestock farming, this research introduces a key-feature-based clustering method that integrates diverse data sources to enhance sustainability and assess the impact of farm management practices on cow health. By addressing data heterogeneity, the method combines knowledge-driven feature selection with unsupervised machine learning, allowing for a systematic analysis of management effects on cow health. The study utilized data from 3,284 Austrian farms, encompassing 80 features related to feeding, milking, housing, and technology systems, alongside health information for 56,000 cows.
The analysis identified 14 distinct clusters, categorized into four main groups based on technological integration: “SMART,” “TRADITIONAL,” “AMS (automatic milking system),” and “SENSOR.” Notably, “SMART” farms, which employed both AMS and sensor systems, displayed a slightly higher risk for milk fever (odds ratio [OR] 1.09) but lower risks for fertility disorders and udder diseases. Conversely, “TRADITIONAL” farms, lacking these technologies, had the lowest risk for milk fever but the highest risk for udder disease (OR 1.12) and a marginally increased incidence of fertility disorders (OR 1.07). The study also found that organic farming practices were linked to a reduced incidence of milk fever, udder issues, and fertility diagnoses, with effect sizes varying by cluster. This research underscores the utility of the proposed clustering approach for analyzing high-dimensional data to compare management practices and their intricate relationships, offering a valuable framework for optimizing sustainable animal husbandry practices.
Introduction
In the introduction of this research paper, the authors address the complexities involved in evaluating farm management practices in relation to cattle health within the context of dairy farming. They highlight the evolution of livestock farming through innovative technologies that generate both dynamic (e.g., daily milk yields) and static (e.g., housing systems) data. However, the integration of these diverse data streams for a holistic assessment of management practices is often hindered by challenges in data collection and analysis, particularly regarding the reliability of management information obtained through surveys compared to more readily available dynamic data from documentation systems and sensors.
The authors discuss two primary approaches for grouping farms based on management practices: knowledge-based and machine learning-based methods. While knowledge-based approaches allow for targeted analysis of specific relationships, they may overlook complex interactions among features. Conversely, machine learning techniques, particularly unsupervised methods like Principal Component Analysis (PCA) and clustering algorithms, can handle high-dimensional data but may struggle with discriminatory power, leading to ambiguous results. To address these challenges, the study proposes a hybrid approach that combines knowledge-driven feature selection with machine learning techniques to enhance the ability to differentiate between management practices. The objective is to utilize a key-feature-based clustering methodology to evaluate the impact of various management practices, particularly those incorporating automatic milking systems and sensor technologies, on cow health, ultimately facilitating more meaningful comparisons and insights.
Results
The results of the key-feature-based clustering analysis revealed 14 distinct clusters of farms, which were categorized into four groups based on their technological integration in farm management: “TRADITIONAL,” “AMS,” “SENSOR,” and “SMART.” The “TRADITIONAL” group, lacking both Automated Milking Systems (AMS) and sensor technologies, was the largest, comprising 2,400 farms (77.39%). The “AMS” group, characterized by exclusive use of AMS, included only 45 farms (1.45%), while the “SMART” group, which integrated both AMS and sensor systems, accounted for 328 farms (10.58%). The “SENSOR” group also contained 328 farms, representing the remaining 10.58% of the total dataset.
Out of 3,284 farms analyzed, 3,101 were successfully clustered, allowing for a robust inter- and intra-group analysis of farm management practices. Disease incidence rates among the 98,037 cows in the dataset highlighted fertility disorders as the most prevalent, affecting 39.87% of the population, followed by udder diseases at 24.40% and milk fever at 11.52%. These findings underscore the varying levels of technological adoption in farm management and their potential implications for animal health.
Discussion
The discussion section of the research paper outlines the methodology and findings from an analysis of a comprehensive dataset comprising 3,284 Austrian farms and 104,259 cows, spanning from January 2020 to November 2021. The dataset was constructed by merging farm management and health event data, ensuring data integrity through a rigorous validation process. Key features influencing farm management practices were identified, including herd size, average milk yield, altitude, pasture access, housing systems, and the use of automatic milking systems (AMS) and sensor technologies. These features were subjected to one-hot encoding and normalization to facilitate cluster analysis, which was performed using the HDBSCAN algorithm to identify distinct farm clusters based on similarities in management practices and health outcomes.
The analysis revealed significant inter-group and intra-group variations in disease risks associated with different management practices. Notably, SMART farms exhibited lower overall disease incidence rates for fertility disorders and udder diseases compared to TRADITIONAL farms, while AMS farms showed increased risks for milk fever and fertility disorders. The intra-group analysis of SMART farms highlighted that while some clusters achieved lower disease rates for specific conditions, they also faced higher risks for others, indicating a complex interplay between management practices and health outcomes. The findings underscore the importance of technological integration in farm management and its potential impact on cow health, suggesting that farms employing advanced technologies may experience improved health outcomes, although variations exist within and across different management groups.