論文の概要: AI-based framework to predict animal and pen feed intake in feedlot beef cattle

• arxiv url: http://arxiv.org/abs/2511.17663v1
• Date: Thu, 20 Nov 2025 22:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.340744
• Title: AI-based framework to predict animal and pen feed intake in feedlot beef cattle
• Title（参考訳）: 牛の飼料摂取量を予測するAIベースの枠組み
• Authors: Alex S. C. Maia, John B. Hall, Hugo F. M. Milan, Izabelle A. M. A. Teixeira,
• Abstract要約: 我々は、個々の動物の飼料摂取とペンレベルの凝集を正確に予測するAIベースのフレームワークを開発した。 最良の機械学習モデル(XGBoost)の精度は、動物レベルでは1日1.38kg、ペンレベルでは0.14kg/(日アニマル)であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Advances in technology are transforming sustainable cattle farming practices, with electronic feeding systems generating big longitudinal datasets on individual animal feed intake, offering the possibility for autonomous precision livestock systems. However, the literature still lacks a methodology that fully leverages these longitudinal big data to accurately predict feed intake accounting for environmental conditions. To fill this gap, we developed an AI-based framework to accurately predict feed intake of individual animals and pen-level aggregation. Data from 19 experiments (>16.5M samples; 2013-2024) conducted at Nancy M. Cummings Research Extension & Education Center (Carmen, ID) feedlot facility and environmental data from AgriMet Network weather stations were used to develop two novel environmental indices: InComfort-Index, based solely on meteorological variables, showed good predictive capability for thermal comfort but had limited ability to predict feed intake; EASI-Index, a hybrid index integrating environmental variables with feed intake behavior, performed well in predicting feed intake but was less effective for thermal comfort. Together with the environmental indices, machine learning models were trained and the best-performing machine learning model (XGBoost) accuracy was RMSE of 1.38 kg/day for animal-level and only 0.14 kg/(day-animal) at pen-level. This approach provides a robust AI-based framework for predicting feed intake in individual animals and pens, with potential applications in precision management of feedlot cattle, through feed waste reduction, resource optimization, and climate-adaptive livestock management.
• Abstract（参考訳）: テクノロジーの進歩は、持続可能な家畜農業の慣行を変革し、電子給餌システムは、個々の動物の飼料の摂取量に関する大きな縦断的なデータセットを生成し、自律的な精密家畜システムの可能性を提供している。 しかし, 環境条件を考慮した飼料摂取量を正確に予測するために, これらの縦型ビッグデータを十分に活用する方法論は依然として欠落している。 このギャップを埋めるために、個々の動物の飼料摂取とペンレベルの集約を正確に予測するAIベースのフレームワークを開発した。 Nancy M. Cummings Research Extension & Education Center (Carmen, ID) のフィードロット施設とAgriMetネットワーク気象観測所の環境データを用いて,気象学的な変数のみをベースとしたInComfort-Indexは,熱的快適性に優れた予測能力を示したが,フィード摂取量の予測能力に制限があった。 環境指標とともに機械学習モデルを訓練し、最も優れた機械学習モデル(XGBoost)の精度は、動物レベルでは1日1.38kg、ペンレベルでは0.14kg/(デイアニマル)のRMSEであった。 このアプローチは、個々の動物やペンの飼料摂取を予測するための堅牢なAIベースのフレームワークを提供し、飼料廃棄物の削減、資源最適化、気候に適応した家畜管理を通じて、飼料牛の精密管理に潜在的な応用をもたらす。

関連論文リスト

• PriVi: Towards A General-Purpose Video Model For Primate Behavior In The Wild [50.656578456979496]
  大規模な霊長類中心のビデオ事前トレーニングデータセットであるPriViを紹介する。 大規模ビデオモデルであるV-JEPAをPriVi上でプレトレーニングし、霊長類固有の表現を学習する。 その結果、霊長類中心の事前学習はデータ効率と一般化を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-11-12T19:27:40Z)
• Cross-Species Transfer Learning in Agricultural AI: Evaluating ZebraPose Adaptation for Dairy Cattle Pose Estimation [0.6999740786886536]
  本研究は,異種間移動学習の可能性と限界を評価する。 本研究では,シマウマの実環境下での乳牛の27キーポイント検出のために,人工ゼブラ画像に基づいて訓練された視覚トランスフォーマーモデルを適用した。
  論文  参考訳（メタデータ） (2025-10-26T10:31:22Z)
• FrogDeepSDM: Improving Frog Counting and Occurrence Prediction Using Multimodal Data and Pseudo-Absence Imputation [0.9537146822132906]
  種分布モデル (SDM) は、広範囲にわたる種の存在を予測するのに役立つ。 本研究では,深層学習とデータ計算技術を適用して,カエル(Anura)のSDM精度を向上させる。 実験の結果、データバランスはモデル性能を大幅に改善し、カエルカウントタスクにおいて平均絶対誤差(MAE)が189から29に削減された。
  論文  参考訳（メタデータ） (2025-10-22T07:09:36Z)
• Mob-based cattle weight gain forecasting using ML models [1.5379084885764847]
  MB CWGと呼ばれる新しい手法が提案され、牧畜牛の1ヶ月の体重増加を予測した。 本研究ではランダムフォレスト(RF)モデルを用いて,SVR(Support Vector Regression)モデルとLSTM(Long Short Term Memory)モデルとの比較を行った。 その結果, 気象要因と年齢要因の両方を含むと, 体重増加予測の精度が有意に向上することが示唆された。
  論文  参考訳（メタデータ） (2025-09-16T03:23:43Z)
• Multimodal AI Systems for Enhanced Laying Hen Welfare Assessment and Productivity Optimization [0.0]
  養鶏の未来は、主観的で労働集約的な福祉チェックをデータ駆動のインテリジェントなモニタリングエコシステムに置き換えることに依存する。 伝統的な福祉評価は、人間の観察と単一センサーのデータによって制限されるが、現代の農場における鶏の福祉の複雑な多次元的な性質を完全には捉えられない。 この研究は、生産性と倫理的、科学に基づく動物ケアを一体化する、反応的、一助的モニタリングから、積極的な、精密な福祉システムへの移行の基礎を築いた。
  論文  参考訳（メタデータ） (2025-08-11T05:17:16Z)
• From Microbes to Methane: AI-Based Predictive Modeling of Feed Additive Efficacy in Dairy Cows [0.0]
  本研究は, 乳牛の飼料添加剤の有効性を予測するために, ラムエン微生物データを用いた。 本研究は, 飼料添加剤を原料として, 乳の収量と乳組成を最適化するトランスフォーメーション能力について検討した。
  論文  参考訳（メタデータ） (2023-11-21T10:57:28Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。