数据驱动的母猪繁殖性能建模：基于大规模队列研究提升生猪养殖效率与可持续性

为解决生猪养殖中物联网(IoT)技术应用滞后、高质量数据缺乏及精准饲喂模型不足等问题，研究人员基于10,089头母猪的多维度数据，采用梯度提升决策树(GBDT)算法构建了出生窝重(BLW)和断奶窝重(WLW)预测模型。研究通过SHAP框架解析关键影响因素（如G.ADFIp2、泌乳天数等），并开发了可视化预测平台，模型验证显示MAE为1.8–2.5、R2 60%，为精准饲喂和可持续养殖提供了数据支持。

　　

在生猪养殖领域，精准饲喂技术的推广长期受限于物联网硬件覆盖率低、高质量数据匮乏及规模化预测模型缺失。传统营养需求估算方法（如经验法和因子法）难以捕捉母猪繁殖性能的复杂影响因素，而中国农场管理数据的机器学习应用仍处于探索阶段。针对这一瓶颈，中国农业科学院等机构的研究团队在《Computers and Electronics in Agriculture》发表了一项突破性研究，通过大规模队列数据建模，为提升母猪效率提供了智能化解决方案。

研究团队从中国18个养猪场收集了10,089头母猪的5类分类特征（如品种、配种季节）和连续型数值特征（包括背膘厚度、日采食量等），采用随机森林回归填补缺失值，并通过5折交叉验证优化GBDT算法参数。关键实验技术包括：1) 基于SHAP框架的模型可解释性分析；2) Bland-Altman图验证预测一致性；3) Streamlit框架开发在线预测平台。

3.1 初步统计分析
数据涵盖妊娠期和哺乳期多维指标，验证队列与主队列特征无显著差异（P>0.05），为非正态分布数据建模奠定基础。

3.2 算法性能比较
GBDT在BLW和WLW预测中均表现最优（BLW数据集MAPE=19.27%，WLW数据集R²
=0.83），显著优于线性回归和决策树等算法。

3.4 模型性能验证
BLW模型在主队列和验证队列中保持稳定（MAE=2.47 vs 2.39，MAPE=17.90% vs 18.41%），WLW模型预测精度更高（R²
=0.85）。Bland-Altman图显示预测值与实际值偏差在可接受范围。

3.6 SHAP解析关键因子

• BLW模型：妊娠期31-60天日采食量(G.ADFIp2)影响最大，与G.ADFIp3存在交互作用；背膘厚度在14-17mm时对BLW促进作用最显著。
• WLW模型：断奶仔猪数贡献度最高，泌乳天数在18-21天时影响更强，且与乳饲料粗蛋白(L.CP)存在交互效应。

4.2 生理机制关联
研究揭示了背膘厚度与采食量的动态平衡关系：妊娠后期背膘14-17mm时BLW最佳，印证了营养分配优先满足胎儿发育的生物学规律。WLW则受哺乳期能量负平衡的显著制约，提示提升泌乳期饲料能量密度的必要性。

4.5 模型局限性
未纳入泌乳期采食量数据可能影响WLW预测精度，且样本均来自中国农场，跨区域泛化能力有待验证。作者建议未来整合XGBoost等集成算法进一步提升MAE指标。

这项研究通过可解释的机器学习模型，将复杂生理指标转化为农场可操作的决策支持工具。在线预测平台（https://123.56.160.209:8008/）仅需输入5项关键参数即可生成预测值及SHAP力导向图，使缺乏专业知识的养殖者也能实施精准营养干预。该成果不仅为物联网技术在畜牧业的落地提供了标准化数据范式，更为全球粮食安全背景下的可持续养殖提供了创新实践。