Adapting the feed, the animal and the feeding techniques to improve the efficiency and sustainability of monogastric livestock production systems
Adapting the feed, the animal and the feeding techniques to improve the efficiency and sustainability of monogastric livestock production systems

Quelles méthodes pour analyser les données de poids vif et de consommation alimentaire utilisées comme entrées dans les modèles nutritionnels en alimentation de précision chez le porc en croissance ?

Authors: 
Brossard L., Taoussi I., van Milgen J., Dourmad J.-Y.
Publication date: 
4 April 2018
Full title: 
Quelles méthodes pour analyser les données de poids vif et de consommation alimentaire utilisées comme entrées dans les modèles nutritionnels en alimentation de précision chez le porc en croissance ?
Publishing information: 
Journées d’animation scientifiques du département Phase - Recueil des résumés, 4-5 avril 2018
Abstract: 

Les progrès de la technologie (capteurs, automates) en élevage de précision permettent le développement de techniques d’alimentation innovantes, telles que l’alimentation de précision individualisée pour chaque animal, potentiellement applicables dans les élevages. Outre la conception d’automates de distribution d’aliment adaptés, l’alimentation de précision nécessite des outils d’aide à la décision pour gérer les données et appliquer les modèles nutritionnels pour calculer la composition et la quantité optimales d’aliment à distribuer. Pour effectuer ces calculs il est nécessaire de prédire individuellement le poids vif (PV) et les quantités ingérées (QI) des porcs en fonction de leurs performances passées. Afin de sélectionner la méthode de prédiction la plus précise, trois méthodes statistiques ont été testées en utilisant un jeu de données de PV et QI sur 117 porcs suivis entre 34,0 ± 4,7 kg (75,9 ± 6,6 jours d’âge) et 139,9 ± 9,8 kg (176,0 ± 9,2 jours d’âge) : la méthode du double lissage exponentiel (DLE), la régression multivariée par spline adaptative (MARS), et la méthode des k plus proches voisins (kPPV). Ces méthodes ont été testées en relation avec la fréquence d’obtention des données (c.à.d. mesure journalière ou hebdomadaire) et la disponibilité des données (nombre de données antérieures, c.à.d. les données précédentes les plus récentes, à considérer pour les calculs). La méthode DLE a été aussi testée en faisant varier un paramètre utilisé pour pondérer différemment les observations les plus récentes et les plus anciennes. La capacité de prédiction de PV et QI a été évaluée par la racine carrée moyenne de l'erreur quadratique de prédiction. La méthode kPPV apparait comme adaptée lorsque que peu de données historiques sont disponibles, étant donné qu’elle ne nécessite pas plus de 3 données historiques. La méthode MARS a été estimée comme meilleure par rapport à la méthode DLE pour prédire le PV quotidien, particulièrement en utilisant 13 ou 20 données historiques. A contrario, la méthode DLE permettait de mieux prédire la QI cumulée journalière, avec 8 à 20 données historiques, la meilleure prédiction étant obtenues en donnant un poids plus important aux données les plus récentes (paramètre de pondération α = 0.6 to 0.8). La méthode DLE semblait également plus applicable aux données de PV hebdomadaires, ne nécessitant qu’un minimum de 3 données historiques pour réaliser une prédiction, contre 8 pour la méthode MARS, même si l’erreur de prédiction était plus élevée que pour les données quotidiennes. Ces différentes méthodes peuvent être utilisées pour prédire les performances dans un outil d’aide à la décision développé pour l’application de l’alimentation de précision. Cette étude a été réalisée dans le cadre du projet Feed-a-Gene financé par le programme H2020 de l’Union Européenne (numéro d’agrément 633531).

Media category: