Differential Assessment of Strategies to Increase Milk Yield in Small-Scale Dairy Farming Systems Using Multi-Agent Modelling and Simulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multi-agent-based modelling and simulation provides an adequate environment to study the real world. This paper presents the use of a multi-agent research and simulation (MARS) framework and model design based on the overview, design concepts, design (ODD) protocol to model and simulate small-scale management strategies that are important for increased milk yield per cow. In reality, strategies for farm management at a small-scale level are purely based on heuristics that cost farmers and lead to inadequate milk yields. A differential assessment of the farming strategies was conducted to yield a data-driven approach for selection of the best strategies, which in turn will optimize investments and increase milk yield. The agent-based modelling and simulation revealed that, the studied strategies based on income, farm, and farmer-based characteristics influenced an increase of up to 7.72 L of milk above the average (12.7 ± 4.89). Generally, there was an increase in milk yield based on the identified evolvement strategies; from a baseline data average milk yield of 12.7 ± 4.89 to simulated milk yield average of 17.57 ± 0.72. Evaluating the agent-based models in real-world scenarios will strengthen the assurance that the identified strategies can move small-scale dairy farmers from low to higher milk producers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle