Büyükbaş hayvanlarda kızgınlığın (östrus) hareketlilik ve çevre verilerinden yararlanarak yapay sinir ağları ile belirlenmesi

Abstract

Gıda sanayinin en temel ham maddeleri olan et ve süt üretimi büyük ölçüde büyükbaşhayvancılık ile sağlanmaktadır. Hayvancılıkta karlılığı arttırmak için otomasyonlar gibiiyileştirmeler yapılmaktadır. Hassas sürü yönetim sistemleri bu otomasyonların önemli birparçasıdır. Bu sistemlerde aranan en önemli özelliklerden birisi etkin üreme yönetimininsağlanabilmesidir. Bunun için ineklerin kızgınlık (östrus) denilen dönemlerininbelirlenmesi gerekmektedir. Kızgınlıktaki hayvanlar diğer hayvanlara göre dahahareketlidir. Bu hareketlilik `pedometre` denen cihazlarla ölçülebilmektedir. Algılananhareket değişimleri ile Yapay Sinir Ağları (YSA) modelleri kullanılarak kızgınlık tahminedileceği düşünülmektedir. Bu çalışmada, hareket ve çevresel veriler kullanılarak büyükbaşhayvanlarda kızgınlığı tahmin edecek bir YSA modelinin oluşturulması ve etkililiğininincelenmesi amaçlanmıştır. Özel bir tarım işletmesinde dört ay süresince toplamda 186kızgınlık gösteren 78 sığırın hareket verileri iklimsel verilerle beraber kaydedilmiştir.İneklerin yaşları, laktasyon sayıları, kızgınlıktan sonra geçen gün sayısı verileri dedeğerlendirmeye alınmıştır. Mekanistik model ve YSA modelleri karşılaştırılmıştır. Bununiçin doğruluk, kesinlik, bu ikisinin ortak etkisini belirten F skoru ve ROC analizindenfaydalanılmıştır. YSA modeli olarak bir ve iki katmanlı ileri beslemeli sınıflandırma ağlarıdenenmiştir. YSA modeline en uygun girişler hareket verisi, bir önceki zaman dilimine aithareket verisi, bir önceki kızgınlıktan sonra geçen gün sayısı, sıcaklık ve nem olarakbulunmuştur. Tek katmanlı YSA için en iyi sonuç 0.9654 AUC ile 91 nöronlu ağdan eldeedilirken birinci katmanında 37 ikinci katmanında 40 nöronu bulunan çift katmanlı ağ0.9733 ROC puanıyla en başarılı model olmuştur. Mekanistik model 0.5006 ROC puanı ileen düşük başarıyı göstermiştir. Çalışmada iklim verilerinin hareket verileriyle beraberdeğerlendirilmesi ile doğru kızgınlık tahmininin arttığı görülmüştür.

The most basic raw materials for the food indu stry, meat and milk production, are providedlargely through cattle. Improvements such as automation have been increasing profitabilityin livestock production. Precision herd management systems are an important part of thisautomation process. A key feature of such systems is effective reproduction management.To achieve this, one needs to determine cows' heat period (Estrus). Animals in Estrous aremore active than others. This mobility can be measured by a testing device called`pedometer`. Estrus is expected to be estimated by using detected movement changes withArtificial Neural Networks (ANN) models. The aim of this study is to create and assess theeffectiveness of a neural network model to estimate estrus in cattle by using movement andenvironmental data. Movement data of 78 cattle which showed a total of 186 estruses hasbeen captured along with climatic data during a four-month period at a private agriculturalorganization. Data such as cow age, lactation number and number of days elapsed fromestrus were also taken into account and evaluated. Mechanistic models and ANN modelswere compared. Accuracy, precision, F scores indicating their impact, and ROC analysiswere used for this comparison. For feed-forward neural network model, one and two layersclassification networks were tested. Optimal inputs to the neural network model were foundto be motion data, motion data of previous time period, number of days after the previousestrus, temperature and humidity. The best result for single-layer ANN, 0.9654 AUC, hasbeen obtained with 91 neurons. Dual-layer network with 40 neurons in the second layerand 37 for the first layer has been the most successful model with 0.9733 ROC points.Mechanistic models have shown the lowest success with an ROC score of 0.5006. Thestudy has shown that the accuracy of estrus prediction is increased by evaluating movementdata movement along with climate data.