生猪数据与大数据相遇：精准养猪革命

大数据和机器学习可能会改变养猪业，对猪的福利和生产效率提高都有一系列的好处。

想象一下，在未来猪场里每头猪的健康状况和体重都可以通过手机应用程序单独被访问，传感器网络将持续实时监测猪的行为、饲料消耗和猪场环境，并在这些变量偏离正常范围时向生产者发出警报。随着精准畜牧业和大数据技术的出现，这一前景正迅速成为现实，这为养猪行业带来了许多令人倍感兴奋的机遇。

在精准畜禽养殖中，可以利用大数据技术挖掘和分析通过畜禽舍中的传感器网络生成的海量复杂数据集。持续的监测提供了全面的、详细的信息，这些信息可以由计算机处理后供生产者利用，以优化其畜禽的管理。例如，使用信息技术根据猪躺在地上与活动的时间比例将其归类为跛足，这比简单地向养猪者提供猪躺在地上的总时间要有用得多。

机器学习的出现大大增强了大数据模式检测能力。机器学习包括计算机程序和算法，这些程序和算法可以随着时间的推移进行调整，通过接触大量数据来识别数据集中的正常内容。然后，计算机可以识别出现的异常数据，并报告导致这种偏差的条件。设备核心接触到的数据越多，预测就越准确。这样就有能力预测疾病暴发等事件，或者在猪场中出现需要生产者介入的问题时及时通知养猪者。

最近，机器学习被用于人们识别美国养猪场此前未知的疾病传播模式[《科学报告》(2019)9:457]。众所周知，在农场之间转移动物，例如将仔猪转移到下一步养殖的猪场，会增加感染猪流行性腹泻病毒（PEDv）的风险，但在没有猪只移动的情况下，这种疾病在邻近猪场之间的传播原因尚不清楚。研究者怀疑这与气候变化有关。为了验证这一猜想，研究人员将来自332个母猪场的1 500多万头猪的运输数据与同期的天气模式、猪场的物理特征、附近的环境和猪只密度这些数据结合起来，以确定与疾病暴发有关的原因。机器学习算法证实，动物运输是感染PEDv的一个高风险因素，同时也确定了天气的某些方面，如季节和风速，与PEDv暴发有关。这些结果与这种疾病的空气传播相一致，这一发现是用传统局限性统计方法不可能得到的。

回到未来的猪场方面，计算机远程监测猪只行为变化的能力令人吃惊。例如，位于猪圈上方的摄像头现在可以精确地跟踪成群的猪只，以监测它们的行为，比如挤作一团、觅食、打架和咬尾巴。目前，这些行为监测必须在猪舍栏内进行，因为猪只躺在一起时阻碍了个体追踪。对于单栏饲养的哺乳期母猪，视频成像可用于监测哺乳行为和压死仔猪的事件。图像分析还可以用来估计育肥猪的体重，其误差在1 kg以内，从而更准确地预测达到出栏体重的日龄。热成像仪可以用来检测身体温度的变化，而音频传感器可以根据一群猪发出的声音和咳嗽声来检测猪只热应激、疼痛和呼吸道疾病。有些相机甚至可以通过面部识别技术来识别单个猪只。

有了适当的计算能力，这些丰富的数字信息可以用来快速检测群体中的健康和福利问题。例如，带有加速计的耳标可以跟踪猪的运动，并可以在猪只出现中度跛行迹象的14 d前自动检测出跛行。由于在大型群体中，通常很难在猪跛行由中度变成重度之前眼观检测到跛行，因此这项技术有可能缩短跛行猪只接受治疗的时间，并缩短其痛苦的持续时间。对生产数据的个别监测，如饲料转化效率和增长率，也可能有助于制定有针对性的管理决策和提高盈利能力。

精准畜牧业的兴起是畜牧业发展的必然趋势。尽管对生产者来说有明显的好处，但在这项技术普及之前，必须克服一系列的物理和技术困难。例如，所使用的传感器必须足够坚固，能够承受畜禽舍内的动物的日常活动的影响，而安装这些传感器的一次性投入可能会对一些发展项目构成障碍。设备生产商还需要能够将大数据处理成可用输出的计算机系统，而许多农村地区互联网连接不良，可能会给依赖远程技术的解决方案带来进一步的障碍。但是，随着这项技术在未来的发展，其中许多问题将得到解决。

要让计算机开发出将大数据处理成有用输出所需的算法，首先必须使用大型数据集对机器进行“训练”，并根据其与猪只的健康和福利的生物学相关性对结果进行验证。获取用于机器学习的大数据需要行业内的协作和数据共享，这对养猪从业者来说既有好处也有坏处。一些形式的大数据是公开的，如动物疾病发生率数据或天气数据。其他数据只能私下提供，其中包括生产数据和其他企业可能希望在竞争环境中保持私密的数据。用于存储私密数据的外部管理的、受隐私保护的存储库未来的开发，可能有助于缓解这些问题，同时允许访问这些数据进行机器学习。

总之，利用大数据和机器学习实时监测猪只的生理情况和行为，为改善猪的健康和福利提供了许多机会。使得猪场的问题可以更快地识别和纠正，潜在的问题可以更容易地预测。猪只对环境变化的即时反应，如提供营养物质或消除应激源，可以进行实时监测，并相应地调整对这些动物的饲养。精准畜牧业与机器学习技术相结合，可以帮助养猪从业者在大规模管理畜禽的同时，为畜禽提供个性化的护理。