摘要 本研究测定革吉那布地区102头2岁龄的牦牛相关体尺性状(体高、体长和胸围)与体重，按不同比例划分训练集和测试集，利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型，比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。结果表明，随着训练集数据的增加，线性回归模型的预测结果较稳定在0.710.80之间，而机器学习方法的预测准确性最高可达0.91，在训练集数据充足的情况下，相比于一般线性模型的方法，利用机器学习方法进行预测具有更高的准确性。
关键词耗牛;机器学习;线性模型;体重;体尺性状
1材料与方法
1.1试验材料
供试牦牛为西藏革吉那布地区的2岁龄牦牛。
1.2测定内容与方法
于2018年9-12月对供试的102头2岁龄牦牛进行空腹测定体尺性状并称重。测定指标为体长、体高、胸围和体重。体高即从醫甲最高点至地面的垂直距离;体长即由肩端至坐骨结节后端的直线距离;胸围即由肩胛骨后缘垂直体轴绕胸1周的周长。
1.3数据分析
利用R语言软件的kemlab包中的高斯过程回归与支持向量机(SVM)进行建模，并将预测结果与一般线性回归模型进行对比"，将102头牦牛体尺、体重的测定数据随机分为训练集与预测集，并以10%为递增，从总数据集分别选20%，30%-90%数量的数据作为训练集，预测集为总数据集除去训练集的剩余部分。以训练集作为机器学习训练部分，分别用一般线性模型、高斯过程回归与支持向量机3种方法得到相应体尺与体重的模型，然后将模型运用到预测集中得到体重预测值，最后计算牦牛体重的预测值与真实值之间的相关系数。针对不同百分比的训练集，分别构建3种模型且每种模型构建均重复5次，将体重的真实值与预测值之间相关系数的均值作为预测准确性的结果。每个比例均重复5次，相关系数均值作为当前比例下的模型准确性结果。
2结果与分析
由表1可知，体重性状的变异系数达13.28%，相对体尺指标较大。说明2岁龄革吉那布牦牛个体体重差异较大，这也说明了体重指标具有较高的选育意义。
由表2可知，一般线性回归模型和机器学习模型方法得到的真实值与预测值之间具有一定的相关性。一般线性回归相关性稳定在0.71-0.80之间，波动较小，而利用机器学习的2种方法进行建模预测的结果随着训练集数据的增加而逐渐增加。当训练集占比小于50%时，线性模型明显优于机器学习，但是随着占比的增加，机器学习方法预测的相关性也在明显提高;当训练集占比在50%-60%范围时，机器学习与线性回归效果接近;当训练集占比大于60%时，机器学习方法的预测准确性逐渐优于一般线性模型。
3结论与讨论
近年来，一些畜禽养殖业为了获取更高的利益和提高生产效率而牺牲动物福利"，研究者越来越多地关注由此带来的负面影响。如果将人工智能和机器视觉的科技技术结合到实际生产中，能够降低月龄较小的牦牛应激水平，这会在提高生产性能、繁殖性能和改善动物福利等方面发挥重要作用。2岁龄的牦牛体型较大、野性较强，如果能基于机器视觉的方法测定体尺指标，能够减少直接接触，降低危险性。刘卫民等结合摄像机标定、轮廓提取、SIFT特征点匹配等图像处理技术将机器视觉应用于奶牛体尺测量，实现了奶牛体尺的视觉测量。江杰等 利用机器视觉方法提供了一种新的测量羊的体尺指标的途径，实现了无接触式测量体尺指标，减少了应激反应和对羊体造成的伤害。张婧婧等叫首先利用Matlab得到马体轮廓，然后在2D图像上精确定位马体坐标，最后利用Matlab GUI工具初步完成系统的仿真测试，并据此提出了基于线性回归理论和机器视觉技术的马体尺测量方法，具有测量依据和借鉴意义。Brandl等19与Kyungkoo等 利用机器视觉的方法对猪的体尺指标进行估计，取得了较好的结果。kyungkoo等研究结果显示，该机器视觉方法的决定系数可达到0.79.。
本研究尚存在一些局限性，需在后续研究中进行优化。因牦牛数量和体重体尺测定本身存在一些困难，本研究仅测定了102头牦牛体高、体长和胸围3个体尺性状对体重进行预测。机器学习方法代码采用默认参数，如果需要更精确的回归模型，则需要更多的测定数据量和体尺性状，进行多次模拟回归过程，以选择出最优参数，进而构建最优模型。
4参考文献
[1]穷达，彭措巴姆，西藏嘉黎成年母牦牛体重与体尺指标的相关与回归分析J]牧与料科学，2011，32(6)：1-12.
[2]穷达，朗巴曲宗那曲成年母牦牛的体重与体尺指标的相关与回归分析]安徽农业科，2011，39(16)：9715-9716.
《线性模型与机器学习模型对牦牛体重预测的比较》来源：《现代农业科技》，作者：巴桑旺堆，平措占堆，朱产宾，达娃央拉，俄广鑫，周东珂，杨柏高，翻洋，郭怡。
