457 Prediction of methane emissions using rumination time and milk mid-infrared spectral data via artificial neural networks
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
Abstract Cattle methane emissions (ME) account for approximately 6% of global anthropogenic greenhouse gas emissions. Given the challenges in measuring ME directly from individual animals, there is a need for the development of novel indirect methods. Rumination time (RT) and milk mid-infrared spectral data (MIR) show promise for the indirect assessment of ME in dairy cows. Both traits have been used as indicators of reproduction, production, and gas emission traits. Methodologies combining the use of MIR and machine learning algorithms such as artificial neural networks (ANN) for the prediction of ME have been successful; however, the inclusion of RT has not been assessed. This study aimed to evaluate the impact of RT on milk MIR-based models using ANN for the prediction of ME. One-week averages for RT, ME, and MIR from first-lactation Canadian Holstein cows (n = 412) were calculated. Six data sets were evaluated using a multilayer perceptron ANN. All sets included age at calving, season of calving and days in milk as model factors, but varied in using milk MIR data points (1,060 or 235) and including or not including RT. The ANN architecture consisted of one input layer, one hidden layer with one or more neurons, and one output layer. Results showed that sets using both RT and milk MIR data achieved correlations from 0.5 to 0.6 between predicted and observed ME. Notably, the inclusion of RT did not improve the performance of the models. Predictions may be improved through the use of larger data sets, the use of daily records, and inclusion of data across herds and lactations. Optimizing parameters of the ANN could also improve predictions. Further research is needed to fully assess the potential of RT as a predictor of ME in dairy cows.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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