[학위논문]Assessment of Biophysical and Environmental parameters in Smart Livestock Housing by applying Artificial Intelligence and Statistical Models : 인공지능 및 통계적 모델의 적용을 통한 스마트 축사 내 물리적 및 환경적 매개변수의 평가원문보기
자얀타 쿠마르 바삭
(경상대학교 대학원
바이오시스템공학과 Bio-Systems Engineering
국내박사)
동물의 유전적인 향상 뿐 만 아니라 최적화된 관리 및 사료 공급을 위해 스마트 축사에서 생물 물리학적 및 환경적 매개변수를 이해하는 것은 매우 중요하다. 환경과 성장 관련 요인들 간의 관계의 모델링은 돼지 사육에서 생물 물리학적 및 환경적 매개변수에 큰 영향을 미치는 중요한 특성들을 이해하는 데 도움이 된다. 따라서 본 연구의 목적은 인공 신경망의 예측 성능과 고전적 방법을 평가하여 최상의 모델을 찾고 입력 변수의 ...
동물의 유전적인 향상 뿐 만 아니라 최적화된 관리 및 사료 공급을 위해 스마트 축사에서 생물 물리학적 및 환경적 매개변수를 이해하는 것은 매우 중요하다. 환경과 성장 관련 요인들 간의 관계의 모델링은 돼지 사육에서 생물 물리학적 및 환경적 매개변수에 큰 영향을 미치는 중요한 특성들을 이해하는 데 도움이 된다. 따라서 본 연구의 목적은 인공 신경망의 예측 성능과 고전적 방법을 평가하여 최상의 모델을 찾고 입력 변수의 민감도를 분석하여 생물 물리학적 및 환경적 매개변수에 영향을 미치는 영향요인을 식별하는 것이다. 본 연구는 다음의 세 가지 주요 연구로 구성하였다. 첫 번째, 돼지의 체온과 돼지 축사 내외부를 포함한 주변 환경 간의 모델링 관계를 평가하였고, 두 번째, 돼지 축사 내부의 환경과 관련된 돼지의 체중과 성장 간의 모델링 관계를 논의했다. 마지막으로 인공지능과 고전적 방법을 사용하여 돼지의 사료 섭취량 및 체중의 함수로서 돼지 분뇨 및 CH4 생산 모델을 정량화 및 특성화 하였다. 본 실험은 초기 체중 30.3±0.85 kg (mean±s.d.)인 2개월령 요크셔(Yorkshire) 품종의 돼지 6마리를 대상으로 실시하였으며, 동일한 수의 돼지를 대상으로 2018년 9월 15일부터 12월 15일 및 2019년, 두 번의 독립적인 실험을 각각 수행하였다. 돼지의 체온은 적외선 센서를 이용하여 돼지의 몸에 수직으로 위치하는 고정된 거리에서 측정하였으며, 체중은 로드셀을 이용하여 하루 2회 측정하였다. 돼지의 성장 관련 매개변수들, 즉, 체고, 체장, 흉위는 측정 척도를 사용하여 추정하였으며 축사 내외부의 온도, 습도, 이산화탄소, 연기 및 풍속 데이터를 기록하기 위해 축산환경관리시스템(LEMS)와 기상센서를 설치하였다. 일 중 돼지가 생산하는 분뇨량(kg manure pig-1 day-1)을 추정하기 위해 총 분뇨량을 돼지 수로 나눈 후 계산하였고 각 돼지 축사에서 얻은 분뇨 중 소량의 샘플을 통해 함수율, 건물중, 회분 및 휘발성 고체 함량을 분석하였다. 각 분뇨 샘플의 pH 농도는 휴대용 pH 미터를 사용하여 측정을 실시하였으며, 돼지 분뇨의 CH4 생산율은 IPCC Tier 2 접근법을 사용하여 계산하였다. 연구의 첫 번째 및 두 번째 부분에서는 서로 다른 전달함수, 각 층의 은닉층 및 뉴런을 사용하는 Feed Forward Back-propagation (FFBP), Layer recurrent (LR), Elman (EL) 및 Cascade Forward Back-propagation (CFBP)를 포함한 4개의 서로 다른 인공 신경망 (ANN)과 MLR (Multi-Linear Regression) 모델을 통해 돼지의 체온과 체중을 예측하였다. 돼지 체온 예측 모델의 성능은 log-sigmoid 전달 함수가 있는 FFBP 모델과 20개의 뉴런의 2개의 은닉층이 최상의 모델로 나타났다. 민감도 분석은 실내의 온습도 지수(THI)가 MLR/ANN 모델에서 돼지의 체온을 예측하는 데 가장 큰 영향을 미치는 요소임을 나타내었다. 반면, tan-sigmoid 전달 함수를 갖는 FFBP 모델과 16개 뉴런을 갖는 2개의 은닉층이 최상의 모델로 나타났으며, 돼지의 체중을 예측하는 데 가장 영향력 있는 요인은 돼지의 길이로 나타났다. 민감도 분석 결과, 돼지의 체중 예측을 위해 체장, 체고, 흉위 및 돼지의 나이 등의 특성 조합이 더 나은 것으로 나타났다. 돼지 분뇨의 CH4 생산량을 모델링하기 위해, 2가지의 통계모델(다중 선형 회귀 및 다항 회귀)과 3가지의 머신러닝 알고리즘(Ridge regression, Random Forest regression 및 Artificial Neural Network)를 수행하였다. 그 결과, 돼지의 체중은 60~90 kg 범위에서 0.018 kg pig-1 day-1 증가한 것으로 나타났으며, 이는 오세아니아, 서유럽 및 북미 지역에 대한 IPCC (2006) 권장 값보다 낮은 것으로 나타났다. 본 연구를 통해 Ridge regression의 성능이 비교적 우수하며 모델이 모든 측정 데이터의 90% 이상의 변량을 설명 할 수 있는 것으로 나타났다. 추가적으로 생물 물리학적 및 환경적 모델링의 높은 예측 효율을 달성하기 위해 동일한 속성을 사용하는 것은 모델 성능의 변화를 가져올 수 있으며, 따라서, 다양한 관리 조건 하에서 더 많은 환경 요인, 생존 가능한 대체 품종 및 기타 돼지의 성장 요인이 모델에 포함될 수 있다. 추가적으로 더 넓은 범위의 관리 조건 하에서 모델의 예측 정확도를 개선하기 위해 추가 연구의 수행이 필요하다.
동물의 유전적인 향상 뿐 만 아니라 최적화된 관리 및 사료 공급을 위해 스마트 축사에서 생물 물리학적 및 환경적 매개변수를 이해하는 것은 매우 중요하다. 환경과 성장 관련 요인들 간의 관계의 모델링은 돼지 사육에서 생물 물리학적 및 환경적 매개변수에 큰 영향을 미치는 중요한 특성들을 이해하는 데 도움이 된다. 따라서 본 연구의 목적은 인공 신경망의 예측 성능과 고전적 방법을 평가하여 최상의 모델을 찾고 입력 변수의 민감도를 분석하여 생물 물리학적 및 환경적 매개변수에 영향을 미치는 영향요인을 식별하는 것이다. 본 연구는 다음의 세 가지 주요 연구로 구성하였다. 첫 번째, 돼지의 체온과 돼지 축사 내외부를 포함한 주변 환경 간의 모델링 관계를 평가하였고, 두 번째, 돼지 축사 내부의 환경과 관련된 돼지의 체중과 성장 간의 모델링 관계를 논의했다. 마지막으로 인공지능과 고전적 방법을 사용하여 돼지의 사료 섭취량 및 체중의 함수로서 돼지 분뇨 및 CH4 생산 모델을 정량화 및 특성화 하였다. 본 실험은 초기 체중 30.3±0.85 kg (mean±s.d.)인 2개월령 요크셔(Yorkshire) 품종의 돼지 6마리를 대상으로 실시하였으며, 동일한 수의 돼지를 대상으로 2018년 9월 15일부터 12월 15일 및 2019년, 두 번의 독립적인 실험을 각각 수행하였다. 돼지의 체온은 적외선 센서를 이용하여 돼지의 몸에 수직으로 위치하는 고정된 거리에서 측정하였으며, 체중은 로드셀을 이용하여 하루 2회 측정하였다. 돼지의 성장 관련 매개변수들, 즉, 체고, 체장, 흉위는 측정 척도를 사용하여 추정하였으며 축사 내외부의 온도, 습도, 이산화탄소, 연기 및 풍속 데이터를 기록하기 위해 축산환경관리시스템(LEMS)와 기상센서를 설치하였다. 일 중 돼지가 생산하는 분뇨량(kg manure pig-1 day-1)을 추정하기 위해 총 분뇨량을 돼지 수로 나눈 후 계산하였고 각 돼지 축사에서 얻은 분뇨 중 소량의 샘플을 통해 함수율, 건물중, 회분 및 휘발성 고체 함량을 분석하였다. 각 분뇨 샘플의 pH 농도는 휴대용 pH 미터를 사용하여 측정을 실시하였으며, 돼지 분뇨의 CH4 생산율은 IPCC Tier 2 접근법을 사용하여 계산하였다. 연구의 첫 번째 및 두 번째 부분에서는 서로 다른 전달함수, 각 층의 은닉층 및 뉴런을 사용하는 Feed Forward Back-propagation (FFBP), Layer recurrent (LR), Elman (EL) 및 Cascade Forward Back-propagation (CFBP)를 포함한 4개의 서로 다른 인공 신경망 (ANN)과 MLR (Multi-Linear Regression) 모델을 통해 돼지의 체온과 체중을 예측하였다. 돼지 체온 예측 모델의 성능은 log-sigmoid 전달 함수가 있는 FFBP 모델과 20개의 뉴런의 2개의 은닉층이 최상의 모델로 나타났다. 민감도 분석은 실내의 온습도 지수(THI)가 MLR/ANN 모델에서 돼지의 체온을 예측하는 데 가장 큰 영향을 미치는 요소임을 나타내었다. 반면, tan-sigmoid 전달 함수를 갖는 FFBP 모델과 16개 뉴런을 갖는 2개의 은닉층이 최상의 모델로 나타났으며, 돼지의 체중을 예측하는 데 가장 영향력 있는 요인은 돼지의 길이로 나타났다. 민감도 분석 결과, 돼지의 체중 예측을 위해 체장, 체고, 흉위 및 돼지의 나이 등의 특성 조합이 더 나은 것으로 나타났다. 돼지 분뇨의 CH4 생산량을 모델링하기 위해, 2가지의 통계모델(다중 선형 회귀 및 다항 회귀)과 3가지의 머신러닝 알고리즘(Ridge regression, Random Forest regression 및 Artificial Neural Network)를 수행하였다. 그 결과, 돼지의 체중은 60~90 kg 범위에서 0.018 kg pig-1 day-1 증가한 것으로 나타났으며, 이는 오세아니아, 서유럽 및 북미 지역에 대한 IPCC (2006) 권장 값보다 낮은 것으로 나타났다. 본 연구를 통해 Ridge regression의 성능이 비교적 우수하며 모델이 모든 측정 데이터의 90% 이상의 변량을 설명 할 수 있는 것으로 나타났다. 추가적으로 생물 물리학적 및 환경적 모델링의 높은 예측 효율을 달성하기 위해 동일한 속성을 사용하는 것은 모델 성능의 변화를 가져올 수 있으며, 따라서, 다양한 관리 조건 하에서 더 많은 환경 요인, 생존 가능한 대체 품종 및 기타 돼지의 성장 요인이 모델에 포함될 수 있다. 추가적으로 더 넓은 범위의 관리 조건 하에서 모델의 예측 정확도를 개선하기 위해 추가 연구의 수행이 필요하다.
It is vitally important to understand the biophysical and environmental parameters in a smart livestock housing for optimized management and feeding practices as well as genetic improvement of animals. Modelling the relationship between environment and growth related factors would be helpful in unde...
It is vitally important to understand the biophysical and environmental parameters in a smart livestock housing for optimized management and feeding practices as well as genetic improvement of animals. Modelling the relationship between environment and growth related factors would be helpful in understanding the important trait-(s) with significant effects on biophysical and environmental parameters in rearing pigs. The objectives of the study were to evaluate the predictive performance of artificial neural networks and statistical methods to find the best model and analyze the sensitivity of the input variables to identify the influential factors that affect the biophysical and environmental parameters. In this study, three main parts are included as follows. First part, it evaluated the modeling relationships between pig's body surface temperature and ambient environment including inside and outside of pig barn. In second part, it discussed the modelling relationships between pig's body weight and growth related factors with ambient environment inside the pig barn. Final part of the study quantified and characterized of pig's manure and model CH4 production rate as a function of feed intake and mass of pig using artificial intelligence and classical methods. Two independent experiments were performed from 15 September to 15 December in 2018 and 2019 with the same number of Yorkshire breed pigs. The body surface temperature of pig was measured using infrared sensors and the body weights were determined on two times in day using load cell. Growth related parameters i.e., height of pig, length of pig and girth length were estimated using measuring scale. Livestock environment management systems (LEMS) and weather sensors were installed to record data of temperature, humidity and carbon dioxide inside and outside of pig barn. To estimate the manure produced by a pig in a day, the total amount of manure was divided by the number of pigs. The manure obtained from each pig barn, a small portion of it was subsequently used in laboratory to analyze its moisture content, dry matter, ash, and volatile solid content. The CH4 production rate from pig manure was calculated using the IPCC Tier 2 approach. In first and second part of the study, four different artificial neural networks (ANNs), including Feed Forward Back-propagation (FFBP), Layer recurrent (LR), Elman (EL) and Cascade Forward Back-propagation (CFBP) with different transfer functions, hidden layers and neuron in each layer, and multi-linear regression (MLR) models have been performed to predict body surface temperature and weight of pig. The performance of the models in predicting pig's body temperature showed that the FFBP model with the log-sigmoid transfer function and two hidden layers with 20 neurons was found as the best model. Sensitivity analysis indicated that the temperature-humidity index (THI) inside the room is the most influential factor in predicting pig's body temperature in the MLR/ANN models. On the other hand, FFBP model with tan-sigmoid transfer function and two hidden layers with 16 neurons was selected as the best model and length of pig was the most influential factor in predicting pig's body weight. Based on the sensitivity analysis, it was shown that combination of length of pig, age of pig, heart girth and height of pig decision trait was preferable to be used to predict body weight. To model the CH4 production of pig manure, multiple linear regression and polynomial regression, ridge regression, random forest regression, and artificial neural network were performed. The result showed body mass ranged from 60 to 90 kg a pig produced 0.018 kg pig-1 day-1 which was lower than IPCC (2006) recommended value for Oceania, Western Europe and even North America regions for market swine. The current study found that the performance of the ridge regression was comparatively better, where the model can explain more than 90% of the variations in all measured data. However, the input parameters may not always be the same when associated with biophysical and environmental parameters, additionally, trying to achieve high prediction efficiency of biophysical and environmental modelling using the same attributes may lead to changes in the performance of the models. Therefore, more environmental factors, viable alternative breeds and other pig's growth factors under different management conditions may be included in models. Further research may be conducted to improve this model's prediction accuracy in a wider range of diets and management conditions.
It is vitally important to understand the biophysical and environmental parameters in a smart livestock housing for optimized management and feeding practices as well as genetic improvement of animals. Modelling the relationship between environment and growth related factors would be helpful in understanding the important trait-(s) with significant effects on biophysical and environmental parameters in rearing pigs. The objectives of the study were to evaluate the predictive performance of artificial neural networks and statistical methods to find the best model and analyze the sensitivity of the input variables to identify the influential factors that affect the biophysical and environmental parameters. In this study, three main parts are included as follows. First part, it evaluated the modeling relationships between pig's body surface temperature and ambient environment including inside and outside of pig barn. In second part, it discussed the modelling relationships between pig's body weight and growth related factors with ambient environment inside the pig barn. Final part of the study quantified and characterized of pig's manure and model CH4 production rate as a function of feed intake and mass of pig using artificial intelligence and classical methods. Two independent experiments were performed from 15 September to 15 December in 2018 and 2019 with the same number of Yorkshire breed pigs. The body surface temperature of pig was measured using infrared sensors and the body weights were determined on two times in day using load cell. Growth related parameters i.e., height of pig, length of pig and girth length were estimated using measuring scale. Livestock environment management systems (LEMS) and weather sensors were installed to record data of temperature, humidity and carbon dioxide inside and outside of pig barn. To estimate the manure produced by a pig in a day, the total amount of manure was divided by the number of pigs. The manure obtained from each pig barn, a small portion of it was subsequently used in laboratory to analyze its moisture content, dry matter, ash, and volatile solid content. The CH4 production rate from pig manure was calculated using the IPCC Tier 2 approach. In first and second part of the study, four different artificial neural networks (ANNs), including Feed Forward Back-propagation (FFBP), Layer recurrent (LR), Elman (EL) and Cascade Forward Back-propagation (CFBP) with different transfer functions, hidden layers and neuron in each layer, and multi-linear regression (MLR) models have been performed to predict body surface temperature and weight of pig. The performance of the models in predicting pig's body temperature showed that the FFBP model with the log-sigmoid transfer function and two hidden layers with 20 neurons was found as the best model. Sensitivity analysis indicated that the temperature-humidity index (THI) inside the room is the most influential factor in predicting pig's body temperature in the MLR/ANN models. On the other hand, FFBP model with tan-sigmoid transfer function and two hidden layers with 16 neurons was selected as the best model and length of pig was the most influential factor in predicting pig's body weight. Based on the sensitivity analysis, it was shown that combination of length of pig, age of pig, heart girth and height of pig decision trait was preferable to be used to predict body weight. To model the CH4 production of pig manure, multiple linear regression and polynomial regression, ridge regression, random forest regression, and artificial neural network were performed. The result showed body mass ranged from 60 to 90 kg a pig produced 0.018 kg pig-1 day-1 which was lower than IPCC (2006) recommended value for Oceania, Western Europe and even North America regions for market swine. The current study found that the performance of the ridge regression was comparatively better, where the model can explain more than 90% of the variations in all measured data. However, the input parameters may not always be the same when associated with biophysical and environmental parameters, additionally, trying to achieve high prediction efficiency of biophysical and environmental modelling using the same attributes may lead to changes in the performance of the models. Therefore, more environmental factors, viable alternative breeds and other pig's growth factors under different management conditions may be included in models. Further research may be conducted to improve this model's prediction accuracy in a wider range of diets and management conditions.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.