Comparaison et classement d'algorithmes d'intelligence artificielle pour la prédiction du poids chez les moutons

Rapports scientifiques volume 13, Numéro d'article : 13242 (2023) Citer cet article

384 accès

3 Altmétrique

Détails des métriques

Dans un monde en évolution rapide, les données agricoles connaissent une croissance exponentielle. Conscients de l’importance de ces données, les chercheurs recherchent de nouvelles solutions pour analyser ces données et faire des prévisions agricoles. L’intelligence artificielle, avec sa capacité à gérer le Big Data, devient rapidement populaire. De plus, il peut également gérer des données non linéaires et bruyantes et n'est pas limité par les conditions requises pour l'analyse de données conventionnelle. Cette étude a donc été entreprise pour comparer les algorithmes d'apprentissage automatique (ML) les plus populaires et les classer en fonction de leur capacité à faire des prédictions sur les données des élevages ovins sur 11 ans. Les données ont été nettoyées et préparées avant l’analyse. La winsorisation a été effectuée pour supprimer les valeurs aberrantes. L'analyse en composantes principales (ACP) et la sélection de fonctionnalités (FS) ont été effectuées et sur cette base, trois ensembles de données ont été créés, à savoir. PCA (dans lequel seule la PCA a été utilisée), PCA+ FS (les deux techniques utilisées pour la réduction de la dimensionnalité) et FS (seule la sélection de caractéristiques utilisée) pour la prédiction du poids corporel. Parmi les 11 algorithmes ML évalués, les corrélations entre les valeurs vraies et prédites pour l'algorithme MARS, la régression bayésienne des crêtes, la régression Ridge, les machines à vecteurs de support, l'algorithme d'amplification de gradient, les forêts aléatoires, l'algorithme XgBoost, les réseaux de neurones artificiels, les arbres de classification et de régression, La régression polynomiale, les K voisins les plus proches et les algorithmes génétiques étaient respectivement de 0,993, 0,992, 0,991, 0,991, 0,991, 0,99, 0,99, 0,984, 0,984, 0,957, 0,949 et 0,734 pour le poids corporel. Les cinq principaux algorithmes pour la prédiction du poids corporel étaient MARS, la régression bayésienne des crêtes, la régression des crêtes, les machines à vecteurs de support et l'algorithme d'augmentation du gradient. Au total, 12 modèles d’apprentissage automatique ont été développés pour prédire le poids corporel des moutons dans la présente étude. On peut dire que les techniques d’apprentissage automatique peuvent effectuer des prédictions avec une précision raisonnable et peuvent ainsi aider à tirer des conclusions et à faire des prédictions futuristes sur les exploitations agricoles en termes de prospérité économique, d’amélioration des performances et, par conséquent, de sécurité alimentaire.

La population mondiale devrait atteindre 9,9 milliards d’habitants d’ici 2050 et la demande mondiale de divers produits carnés et animaux devrait augmenter de plus de 70 % au cours des prochaines décennies1. Il est donc urgent d’augmenter la production alimentaire d’ici 2050 en intensifiant la production sur presque la même superficie de terres et en utilisant les mêmes ressources. Cela exerce également une pression sur le secteur de l’élevage, car il est désormais nécessaire de produire davantage d’animaux en utilisant les terres, l’eau et toutes les autres ressources naturelles limitées. Cela signifie que nous devons trouver des approches nouvelles et innovantes pour produire davantage de nourriture, ce qui constitue un défi de taille pour les zoologues malgré une vaste richesse génétique2,3. Pour résoudre ce problème, de nouvelles technologies sont adoptées dans les élevages d’animaux, passant du traditionnel au high-tech4. Les opérations agricoles sont désormais de plus en plus automatisées et l’utilisation de capteurs augmente dans tous les aspects de la gestion agricole. Cela ne réduit pas seulement la pénibilité et le travail, mais conduit également à une augmentation exponentielle de la quantité de données générées quotidiennement. Tout cela conduit à une augmentation exponentielle des données agricoles. Les méthodes traditionnelles et les stratégies conventionnelles ne sont pas tout à fait capables de suivre cette énorme quantité de données, ce qui entraîne une tendance à la baisse de la production, en particulier dans les pays en développement5,6,7,8,9,10.

Alors que l’intelligence artificielle transforme considérablement toutes les industries, elle offre des solutions aux problèmes analytiques de l’élevage et des sciences vétérinaires11. Ces études contribueraient à prouver de nombreux aspects de la gestion agricole qui sont importants pour réduire la mortalité et améliorer la productivité12. Ils ne peuvent pas simplement gérer efficacement les données, mais peuvent également tirer des conclusions jusqu'alors inconnues, car les techniques de ML possèdent des capacités qui ne sont pas présentes dans les techniques conventionnelles. La tolérance de modélisation de ces méthodes est considérablement supérieure à celle des méthodologies statistiques. En effet, il n'y a aucune exigence de tests d'hypothèses ou d'hypothèses en ML. De plus, le ML présente des avantages tels que la capacité de gérer des données non linéaires, imprécises et bruyantes. Tout cela rend ce domaine scientifique beaucoup plus flexible que les modèles statistiques conventionnels.