Multivariate analysis for data mining to characterize poultry house environment in winter
Notice bibliographique
Résumé
The processing and analysis of massive high-dimensional datasets are important issues in precision livestock farming (PLF). This study explored the use of multivariate analysis tools to analyze environmental data from multiple sensors located throughout a broiler house. An experiment was conducted to collect a comprehensive set of environmental data including particulate matter (TSP, PM10, and PM2.5), ammonia, carbon dioxide, air temperature, relative humidity, and in-cage and aisle wind speeds from 60 locations in a typical commercial broiler house. The dataset was divided into three growth phases (weeks 1–3, 4–6, and 7–9). Spearman's correlation analysis and principal component analysis (PCA) were used to investigate the latent associations between environmental variables resulting in the identification of variables that played important roles in indoor air quality. Three cluster analysis methods; k-means, k-medoids, and fuzzy c-means cluster analysis (FCM), were used to group the measured parameters based on their environmental impact in the broiler house. In general, the Spearman and PCA results showed that the in-cage wind speed, aisle wind speed, and relative humidity played critical roles in indoor air quality distribution during broiler rearing. All three clustering methods were found to be suitable for grouping data, with FCM outperforming the other two. Using data clustering, the broiler house spaces were divided into three, two, and two subspaces (clusters) for weeks 1–3, 4–6, and 7–9, respectively. The subspace in the center of the house had a poorer air quality than other subspaces.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».