摘要 本研究測定革吉那布地區102頭2歲齡的牦牛相關體尺性狀(體高、體長和胸圍)與體重，按不同比例劃分訓練集和測試集，利用傳統的一般線性模型方法和機器學習方法(高斯過程回歸、支持向量機)分別構建體尺性狀與體重之間的回歸預測模型，比較線性回歸模型與機器學習模型在利用體尺性狀預測體重時的準確性。結果表明，隨著訓練集數據的增加，線性回歸模型的預測結果較穩定在0.710.80之間，而機器學習方法的預測準確性最高可達0.91，在訓練集數據充足的情況下，相比于一般線性模型的方法，利用機器學習方法進行預測具有更高的準確性。

　　關鍵詞耗牛;機器學習;線性模型;體重;體尺性狀

　　1材料與方法

　　1.1試驗材料

　　供試牦牛為西藏革吉那布地區的2歲齡牦牛。

　　1.2測定內容與方法

　　于2018年9-12月對供試的102頭2歲齡牦牛進行空腹測定體尺性狀并稱重。測定指標為體長、體高、胸圍和體重。體高即從醫甲最高點至地面的垂直距離;體長即由肩端至坐骨結節后端的直線距離;胸圍即由肩胛骨后緣垂直體軸繞胸1周的周長。

　　1.3數據分析

　　利用R語言軟件的kemlab包中的高斯過程回歸與支持向量機(SVM)進行建模，并將預測結果與一般線性回歸模型進行對比"，將102頭牦牛體尺、體重的測定數據隨機分為訓練集與預測集，并以10%為遞增，從總數據集分別選20%，30%-90%數量的數據作為訓練集，預測集為總數據集除去訓練集的剩余部分。以訓練集作為機器學習訓練部分，分別用一般線性模型、高斯過程回歸與支持向量機3種方法得到相應體尺與體重的模型，然后將模型運用到預測集中得到體重預測值，最后計算牦牛體重的預測值與真實值之間的相關系數。針對不同百分比的訓練集，分別構建3種模型且每種模型構建均重復5次，將體重的真實值與預測值之間相關系數的均值作為預測準確性的結果。每個比例均重復5次，相關系數均值作為當前比例下的模型準確性結果。

　　2結果與分析

　　由表1可知，體重性狀的變異系數達13.28%，相對體尺指標較大。說明2歲齡革吉那布牦牛個體體重差異較大，這也說明了體重指標具有較高的選育意義。

　　由表2可知，一般線性回歸模型和機器學習模型方法得到的真實值與預測值之間具有一定的相關性。一般線性回歸相關性穩定在0.71-0.80之間，波動較小，而利用機器學習的2種方法進行建模預測的結果隨著訓練集數據的增加而逐漸增加。當訓練集占比小于50%時，線性模型明顯優于機器學習，但是隨著占比的增加，機器學習方法預測的相關性也在明顯提高;當訓練集占比在50%-60%范圍時，機器學習與線性回歸效果接近;當訓練集占比大于60%時，機器學習方法的預測準確性逐漸優于一般線性模型。

　　3結論與討論

　　近年來，一些畜禽養殖業為了獲取更高的利益和提高生產效率而犧牲動物福利"，研究者越來越多地關注由此帶來的負面影響。如果將人工智能和機器視覺的科技技術結合到實際生產中，能夠降低月齡較小的牦牛應激水平，這會在提高生產性能、繁殖性能和改善動物福利等方面發揮重要作用。2歲齡的牦牛體型較大、野性較強，如果能基于機器視覺的方法測定體尺指標，能夠減少直接接觸，降低危險性。劉衛民等結合攝像機標定、輪廓提取、SIFT特征點匹配等圖像處理技術將機器視覺應用于奶牛體尺測量，實現了奶牛體尺的視覺測量。江杰等 利用機器視覺方法提供了一種新的測量羊的體尺指標的途徑，實現了無接觸式測量體尺指標，減少了應激反應和對羊體造成的傷害。張婧婧等叫首先利用Matlab得到馬體輪廓，然后在2D圖像上精確定位馬體坐標，最后利用Matlab GUI工具初步完成系統的仿真測試，并據此提出了基于線性回歸理論和機器視覺技術的馬體尺測量方法，具有測量依據和借鑒意義。Brandl等19與Kyungkoo等 利用機器視覺的方法對豬的體尺指標進行估計，取得了較好的結果。kyungkoo等研究結果顯示，該機器視覺方法的決定系數可達到0.79.。

　　本研究尚存在一些局限性，需在后續研究中進行優化。因牦牛數量和體重體尺測定本身存在一些困難，本研究僅測定了102頭牦牛體高、體長和胸圍3個體尺性狀對體重進行預測。機器學習方法代碼采用默認參數，如果需要更精確的回歸模型，則需要更多的測定數據量和體尺性狀，進行多次模擬回歸過程，以選擇出最優參數，進而構建最優模型。

　　4參考文獻

　　[1]窮達，彭措巴姆，西藏嘉黎成年母牦牛體重與體尺指標的相關與回歸分析J]牧與料科學，2011，32(6)：1-12.

　　[2]窮達，朗巴曲宗那曲成年母牦牛的體重與體尺指標的相關與回歸分析]安徽農業科，2011，39(16)：9715-9716.

　　《線性模型與機器學習模型對牦牛體重預測的比較》來源：《現代農業科技》，作者：巴桑旺堆，平措占堆，朱產賓，達娃央拉，俄廣鑫，周東珂，楊柏高，翻洋，郭怡。