서포트 벡터 회귀 알고리즘과 센서 데이터를 활용한 착유 젖소의 부분 혼합 사료 섭취량 예측 모델 개발
IoT for Development of Smart Dairy Farming
첫번째 아티클
서론
사료 섭취량 = 건강상태, 생산성 파악에 중요한 지표
근데 이걸 직접 관찰/측정하기엔 품이 많이 듦
그래서 다른 데이터들을 통해 예측 모델을 개발하고자 함
방법
과거에는 선형 회귀가 주로 사용되었지만, 비선형 관계 포착에 한계가 있어
서포트 벡터 회귀를 사용함
초기 스크리닝 단계에서는
착유 일수, 체중, 대사 체중, 유량, 유지방 함량, 4% 유지방 보정 유량, 농후사료 섭취량, 활동량, 반추 시간 등
총 9개 변수를 사용함
두 번째 단계에서는
7:3 = train:test 로 나눠서 훈련 후,
최적 변수 조합 탐색하고 최적 모델의 성능 평가
세 번째 단계에서는
이동 평균(3일, 5일, 7일)을 적용하고, 10-fold cross-validation 방식으로 훈련
두 번째 단계에서 도출한 최적 모델의 성능 평가
결론
통계적 유의성이 떨어지는 2개 변수는 뺴고 나머지로 최적의 조합 만듦
착유 일수, 체중, 대사 체중, 유량, 유지방 함량, 4% 유지방 보정 유량, 농후사료 섭취량, 활동량, 반추 시간
MY, 유량 (kg/d); CONC, 농후사료 섭취량 (kg/d); MBW, 대사 체중 (kg); RUM, 반추 시간 (minute/d); DIM, 착유 일수 (d); BW, 체중 (kg); FCM, 4% 유지방 보정 유량 (kg/d)
유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수
를 포함하는 조합이 가장 우수한 성능을 보임
모델은 MLR보다 SVR에서 우수한 성능을 보임
이동 평균 모델 적용 결과는 간격이 넓어질 수록 성능 향상
고찰
본 논문에서는 유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수가 사료 섭취량 예측에 유의한 변수로 도출됨.
비유 초기에는 사료 섭취량이 감소하고 이후에는 증가하는 경향(비선형적인 관계).
반추시간의 경우에, 이전 연구들에서 사료 섭취량 예측 모델의 유의한 변수로 분류되진 못했지만 활동량, 반추 시간, 눕기 시간 데이터를 유량, 체중 등의 기존 변수들과 결합하였을 때, 모델의 정밀도와 정확도가 증가하긴 함.
이전 연구에서 사료의 화학적 조성을 이용하여 젖소의 유량을 예측하기 위한 모델 개발에 SVR 알고리즘을 이용하였는데, SVR 모델이 MLR 및 신경망 모델보다 RMSEP는 더 적고, R2은 더 높았다.
.
-
요약
농장 데이터들을 통해 착유우의 사료 섭취량 예측 모델을 구축함
모델은 MLR보단 SVR의 성능이 우수했고,
변수는 유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수의 조합에서 예측 성능이 뛰어났다 -
주요내용
착유 젖소의 부분 혼합 사료 섭취량 예측을 위한 모델 구축, 유의 변수 정의 -
용어정리
-
비유(泌乳, Lactation): 분만 후 젖소의 유방에서 젖(우유)이 분비되는 과정
비유 주기: 송아지 분만 후 우유를 생산(착유)하기 시작하여 다음 분만 전까지의 주기. 보통 305일 착유 후 약 60일간 건유(휴식)하는 과정을 반복합니다. 분만 후 약 6~8주(초기)에 산유량이 최고조(피크)에 달하며, 이 시기 영양 관리가 평생 산유량을 결정합니다. -
PMR(Partial Mixed Ration, 부분 혼합 사료): 조사료(풀)와 농후사료(곡물)를 섞은 베이스 사료(TMR 형태)를 일괄적으로 급여하되, 고능력우에게는 착유실이나 자동착유시스템(AMS/로봇)에서 농후사료를 추가로 급여하는 방식을 말합니다.
-
TMR vs PMR 비교
-
CCC(Concordance Correlation Coefficient, 일치 상관 계수):
두 측정값, 평가자, 또는 기기 간의 일치도(Agreement)를 측정하는 통계 지표.
단순히 선형 관계만 보는 피어슨 상관계수와 달리, 두 데이터가 직선(완전 일치)에 얼마나 가까운지를 평가하여 재현성이나 평가자 간 신뢰도를 판단하는 데 사용됩니다.
두번째 아티클
인구 증가로 우유의 수요도 지속적으로 증가하는 추세
IoT와 다양한 AI 기술이 우유 생산량 증가에 도움이 된다 -> 이런 기술을 적용한 게 SDF
SDF를 통해 얻을 수 있는 것?
우유 생산량 증가, 환경문제&자원사용 감소, 가축의 건강 증진
우유의 경우, 수요는 증가하는 추세인데 가격 변동이 심한 제품임 그래서 더욱 SDF 적용이 필요하다~
우유 생산량 저하의 원인과 SDF에선 이를 어떻게 해결할 수 있는지
=> 체중, 유방염 여부, 분만간격, 영양 상태, 급이, 급수, 스트레스, 환경 등이
우유의 생산량에 영향을 미치는 요인이라고 함
SDF가 우유 생산량 증감에만 효과적이냐? 아니다~
SDF를 활용하여 할 수 있는 또 다른 것들
- 배고픔을 감지하여 자동으로 사료를 공급하는 급여 시스템
- 번식에 도움을 주는 자동 발정 감지 시스템
- 건강 평가 및 질병 감지·예방을 위한 소 모니터링
- 요약
SDF를 통해 증가하는 우유의 수요를 충족시킬 수 있다
-
주요내용
IoT 기반 스마트 낙농업의 필요성
스마트 센서, AI 데이터 분석 및 클라우드 기반 시스템을 활용
-> 젖소의 건강, 영양, 번식 및 착유 과정을 최적화
-> 생산성을 향상 -
핵심개념
SDF(Smart Dairy Farming, 스마트 낙농업): 전통적인 낙농 방식에 사물인터넷(IoT), 로봇, 인공지능(AI), 빅데이터 등 정보통신기술(ICT)을 접목하여 젖소의 건강 관리, 착유, 사료 공급 등 농장 운영 전반을 자동화·정밀화하는 미래형 농장 -
용어정리
Fog-based Architecture: 클라우드 컴퓨팅과 엣지(데이터 발생 지점) 사이의 중간 계층인 '포그 노드(Fog Node)'를 활용하여 데이터를 로컬에서 처리, 저장, 분석하는 분산 컴퓨팅 아키텍처를 뜻합니다.
정리
유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수
-> 이 변수들이 사료 섭취량에 영향을 미치는 요인들
체중, 유방염 여부, 분만간격, 영양 상태, 급이, 급수, 스트레스, 환경
-> 이 변수들이 우유 생산량에 영향을 미치는 요인들
이 내용을 데이터 스크리닝 과정에 참고하기
첫번째 논문에서 비선형적이고 데이터의 수가 작은 경우에 SVR 모델의 성능이 뛰어나다고 함.
우리 데이터의 경우에 데이터 수는 많지만 선행 연구들처럼 변수들 간의 비선형적 관계가 있을 확률이 높으니 SVR 모델도 한번 사용해보기
