KI-Framework prognostiziert Futtermengen bei Rindern präzise

Ein neues KI-basiertes System kann die Futtermengen von Rindern in der Fütterungslagerung exakt vorhersagen. Durch die Analyse von über 16,5 Millionen Messungen aus 19 Experimenten, die zwischen 2013 und 2024 am Nancy M. Cummings Research Extension & Education Center in Carmen, ID, durchgeführt wurden, nutzt das Modell umfangreiche Umwelt- und Verhaltensdaten.

Zur besseren Berücksichtigung der Umweltbedingungen wurden zwei neue Indizes entwickelt. Der InComfort‑Index basiert ausschließlich auf meteorologischen Messwerten und liefert gute Vorhersagen für thermischen Komfort, jedoch nur begrenzte Genauigkeit bei der Futtermengenprognose. Der EASI‑Index kombiniert Umweltparameter mit Verhaltensdaten und erzielt dabei deutlich höhere Genauigkeit bei der Vorhersage des Futtermangens, ist jedoch weniger präzise für thermische Komfortbewertungen.

Mit diesen Indizes wurden mehrere Machine‑Learning‑Modelle trainiert. Das leistungsstärkste Modell, XGBoost, erreichte eine Root‑Mean‑Square‑Error‑Werte von 1,38 kg pro Tag auf Tier‑Ebene und lediglich 0,14 kg pro Tag pro Tier auf Stall‑Ebene. Diese Genauigkeit macht das System zu einem robusten Werkzeug für präzises Management in der Rinderzucht.

Die Ergebnisse zeigen, dass KI‑gestützte Vorhersagen die Effizienz und Nachhaltigkeit von Rinderbetrieben erheblich verbessern können, indem sie die Fütterung individuell an die Bedürfnisse der Tiere und die jeweiligen Umweltbedingungen anpassen.