Estimación del consumo en rumiantes en pastoreo utilizando redes neuronales artificiales

Abstract

edir con precisión y rapidez el consumo de forrajeenrumiantes es importante para la gestión eficiente del rodeo y los recursos alimenticios, así como para la salud y bienestar animal en los sistemas de producción. Eluso de algoritmos de procesamiento inteligente de señales que extraiganinformación relevante de los sonidos que emiten losrumiantes es una opción prometedorapara predecir el consumo de rumiantes en condicionesde pastoreo. En este trabajo se aplican perceptrones multicapa y máquinas de aprendizaje extremo como modelos de regresión no lineales multivariadapara la estimación del consumo. Los resultados muestran que éstastécnicasde regresión no lineal para pueden reducir significativamente el error de estimación delacantidad demateria seca consumida porrumiantes.

Accurate and rapid measurement of forage intake in ruminants is important for efficient management livestock and forage resources, as well as for animal health and welfare in production systems. The use of intelligent signal processing algorithms to extract relevant information from the sound emitted by ruminants is a promising method to predict the intake of ruminants in grazing conditions. In this work, multilayer perceptrons and extreme learning machines, are used as non-linear multivariate regression models to predict intake. The results show that these non-linear regression techniques can significantly reduce the error in the estimation of forage intake in ruminants.