如何看待家禽生物統計學和大數據

2020-12-05 萊伽傳媒

收集和分析家禽生產數據，使其成為不同群體成功的助力。

在2018年歐洲國際集約化畜牧展覽會(VIV Europe)上，大數據軟體商Porphyrio公司主辦了一場名為「服務於現代家禽生產的生物統計學和大數據」的研討會。與會代表們得知，從孵化場和飼料供應商到養殖戶和獸醫，最終到屠宰廠，各個層面均可獲取數據；只要收集它們，而後綜合，就能進行有意義的分析。整合到資料庫，通過解析，家禽生產數據可為有訪問權限的養殖戶和其他任何利益相關者提供具有洞察力的見解。

這些經過處理的數據有三大主要用途：改善生產、制定獸醫指導綱要和科研項目合作(例如與政府、大學或製藥公司)。

從頭到尾，更好地了解生產實況

從頭到尾，更好地了解生產實況，有助於生產者調整管理。

這些經過匯總和分析的數據可以不同方式服務於家禽生產中各利害關係人，幫助他們根據現場實際情況調整個人投入。

生產者的視角

英國Applied集團 & Optifarm諮詢公司總經理大衛斯佩萊(DavidSpeller)說，在生產者層面，這些數據用於：

●性能監測和改進

●系統微調

●結果預測、快速回應

●理念、技術開發

●職員工作模式評估

斯佩萊以查驗耗水量的數據為例，他指出，基於用水記錄，可預測家禽生長速度和活動量。如，了解需水量和供水量可能會讓禽舍引進額外的飲水器。生產者也可更好地了解禽舍環境對舒適度的影響。例如，如果空氣流通過快，雞群就會感覺到冷，因此變得不活躍。生產者可以發覺舍內幹擾因素，比如噪音和其他應激源，也可監控健康飼料的供應情況。

斯佩萊說：「如果耗水量保持不變的話，我甚至能知道，飼養員是否在某個周日上崗。這是我們藉助簡單的事物就能獲取的某一類信息。」

大數據本身不會解決問題，但它有助於更

利用一個單獨的平臺，他的公司收錄了英國各地養殖場的多點數據。通過數據比對，例如體重，就能發現哪兒出了問題。

他說：「這不能解決你的問題，而是讓你最大程度地了解哪裡可能有問題。」只有數據，若不分析和採取行動，就不會帶來變化。養殖戶必須做出回應，儘快行動。

「如果今天回應的是昨天的數據，可能就太晚了。」斯佩萊說，「作為養殖者，我們或許應該在夜裡工作，白天睡覺。飲水器和通風設備一直正常工作，但人一走，問題就來了。」物聯網有好處，但無法保證投資回報。生產者必須做好準備，擁有開放的思想，根據數據所示進行整改。有時，問題可能比答案多。

斯佩萊建議逐步推進，首先進行簡單但有效的數據監測，總結經驗教訓，與專業人員共事，以更快達到目標。他也指出，大數據是一個快速發展的領域，如果不擁抱它的紅利，就等於把好處拱手讓給對手。

獸醫的視角

在家禽生產中，獸醫是重要決策者之一，他們會對特定的數據集感興趣。比利時普爾維特(Poulvet)集團管理合伙人約翰範伊魯姆(Johan vanErum)博士說，他們特別需要查驗4類數據。

生產性能數據：群體統計圖表、生產性能參數

養殖場/管理數據：大小、位置、養殖場使用年限、禽舍數量和房屋設施配置

健康數據：疾病預防、免疫接種、治療方案、剖檢和實驗室分析結果、屠宰性能和肉品不合格率

流行病學數據：伊魯姆認為，數據收集對禽病獸醫至關重要。這有助於他們識別潛在風險因素以改善家禽健康，調整獸醫準則以預防疾病，減少抗生素用量。

也許，收集數據的目的是為了監測和改善禽群健康水平，但獸醫能為養殖場管理者提供支持。因此，可把對禽群的更好了解納入養殖者的管理決策中。

隨著食品安全和透明度成為首要問題，大數據變得非常重要，這有助於滿足政府和消費者的需求。

養殖場年度報告內容必須包含飼養管理、生產性能、禽舍設施和禽群健康，即生產全程。它相當於一次審計，查明養殖場潛在的特定問題和風險因素。

最後，數據解讀至關重要。而獸醫在這方面發揮著關鍵作用。

飼料加工廠的視角

數據必須契合長期業務目標，荷蘭ForFarmers公司營銷和技術總監約斯特斯帕拉(Joost Sparla)說：「僅收集數據不夠，還必須制定計劃和戰略。」

通過收集大量數據，每個人對自己感興趣

收集數據只是預測的起點，接下來要轉化成真知灼見。不過，值得牢記的是，誰擁有數據，誰就能使用它。一旦數據體系建立，就可實施戰略了。大數據能提供什麼？舉個例子，它讓我們更好地了解飼料生產參數(飼料加工廠內)與肉雞生產性能(養殖場內)之間的關係。通過收集和比較這兩方面的數據，就可獲悉此類信息。

在飼料加工廠內，測定製粒溫度、蒸汽添加量、能源消耗、顆粒持久性、顆粒硬度，當然還有配方所用不同原料。「如果你能將這些與飼料轉化率、日增重和健康狀況聯繫起來，就可藉助數據分析，改進加工工藝。」斯帕拉說，「利用所有數據，也許就能弄清顆粒硬度是如何影響生長期和育肥期生產性能的。」

利用數據和運算法則，飼料廠能給養殖戶帶來附加值。通過對飼料、養分攝入量與實際產出的關係進行連續監測和分析，可以改進飼餵方案。

科學家的視角

每隻肉雞都不相同，沒有適用於一切的模板。比利時天主教魯汶大學教授巴特德凱特拉海勒(Bart de Ketelaere)說，成功越來越依靠數據，尤其是大數據。

就生物質比如家禽而言，需要大數據和高級模型。不過，他回應稱，這些不能確保成功。

收集數據是不夠的，數據必須正確。他說：「我所說的數據正確，指的是我們需要了解深層次的數據處理過程，以避免偽相關。」

數據應涵蓋相關範圍和變量，為預測打下堅實的基礎，避免可能相關但實際互不相干的情況。此外，也需要描述實際情形的良好模型和展現價值的良好可視化工具。對肉雞來說，描繪生長的生理模型可能非常有用。

取樣也很重要。就家禽而言，這項工作需要頻繁進行。通常，每周統計一次數據是不夠的。德凱特拉海勒還認為，要想通過大數據取得成功，數據科學家和諸如家禽科學家這些對深層次的數據處理過程有清晰理解的人之間需進行緊密互動。

來源：《國際家禽》2019年1/2月 第八十五期 了解更多家禽業，歡迎訂閱。

相關焦點

  • 大數據下的「應用統計學」與「經濟統計學」,如何抉擇?
    應用統計學是研究現象總體數量關係的方法論科學，是對搜集得到的數據進行分析整理、從而得出所需要的有效信息的數學類學科，是理學門類統計學學科下的一個專業。應用統計學專業研究如何有針對性地收集、整理和分析大量的數據，研究數據變化所涵蓋的真正含義，把大量雜亂無章的數字轉化成圖表等更為直接和一目了然的記錄方式，由此發揮數據真正的價值。
  • 大數據和新經濟時代背景下,新經濟統計學的機遇與挑戰
    本次活動採用線上形式，數十位行業大咖、專家學者雲集雲端，縱論行業大勢，發表真知灼見。次日，本次論壇的部分專家學者再次通過網絡對大數據和新經濟時代背景下，新經濟統計學面臨的機遇與挑戰進行了深入探討，對於中國新經濟統計領域的知識體系如何完善與實踐應用指明了方向，非常及時且富有意義。
  • 統計學與大數據具有哪些聯繫
    首先，統計學是大數據的三大基礎學科之一，所以統計學與大數據之間的關係還是非常密切的，但是這也導致一部分人產生了一定的誤解，認為大數據就是統計學，統計學就是大數據。實際上，雖然在大數據時代背景下，統計學的知識體系產生了一定程度的調整，但是統計學本身的理念與大數據還是具有一定區別的，統計學注重的是方式方法，而大數據則更關注於整個數據價值化的過程，大數據不僅需要統計學知識，還需要具備數學知識和計算機知識。從另一個角度來說，統計學為大數據進行數據價值化奠定了一定的基礎。
  • 資源| 自學數據科學&機器學習?19個數學和統計學公開課推薦
    ——數學家 John Edensor Littlewood數學和統計學是數據科學和機器學習的基礎。就我所知，大多數成功的數據科學家都來自這些領域——計算機科學、應用數學和統計學、經濟學。如果你想掌握數據科學，你就必須要對基本代數和統計學有很好的了解。但是，對於沒有數學背景的人來說，起步之路可能會舉步維艱。
  • 大數據面前,統計學的價值在哪裡
    長期從事複雜數據分析的研究工作，在統計學重要學術期刊上發表學術論文70餘篇。　　統計學對大數據的意義　　很高興有這樣一個機會，我能與大家在這裡做一些關於統計學與大數據的交流，與大家分享一些觀點。　　在講大數據之前，我們首先來看看什麼是數據。
  • 生物統計學-數理統計對生命的詮釋
    生存分析以前主要用KAplan-Meier和Cox兩大模型，現在又出現了frailty models， accelerated failure time models， transformation models等新的理論。★ 縱向數據分析(longitudinal data analysis)，主要處理臨床實驗中對同一個體重複觀測得到的數據。
  • 統計學:從數據入手 探尋事物內在規律
    大部分人對統計學的認識只停留在表面階段，認為統計學就是簡單的收集、整理和記錄數據。其實不然，統計學不僅僅是簡單的收集整理數據，它是一門通過分析挖掘數據內在數量規律性的科學，是一門研究如何解釋、分析和應用數據的方法論科學，是一門融合自然科學和社會科學的學問。 浙江大學數學系蘇中根教授說：「統計學專業是學習和研究隨機現象（不確定現象）規律的一門學科。
  • StatQuest生物統計學 - 線性擬合的R2和p值
    R2是擬合所能解釋的數據波動的比例p值是擬合只是隨機變異的可能性大小上一節StatQuest生物統計學 - 擬合基礎已經講過線性擬合
  • 大數據時代,統計學專題及常見問題 - CSDN
    機器學習 Machine Learning：提供數據分析的能力，機器學習是大數據時代必不可少的核心技術，道理很簡單：收集、存儲、傳輸、管理大數據的目的，是為了「利用」大數據，而如果沒有機器學習技術分析數據，則「利用」就無從談起。
  • 數據的基石丨美國統計學專業排名一覽
    如今的社會，生活和工作的方方面面都離不開數據，各行各業也依賴數據。 舉個例子，今年的美國大選熱鬧吧，在大選之前，無論是川普的川粉，還是拜登的擁躉，都堅定地認為自己這一方會取得勝利，支持性論據就是——民調，而支撐民調結論準確性的基石就是統計學。
  • 關於數據科學中數學和統計學的完全指南
    數學和統計學對學習數據科學至關重要，因為這些學科構成了所有機器學習算法的基礎。成為一名數據科學家，除了對程式語言要有很好的了解，還必須要掌握機器學習算法、數據驅動方法。但數據科學並不只涉及這些領域。在本文中，您將了解數學和統計學對數據科學的重要意義以及如何將其用於建立機器學習模型。
  • 統計學專業未來從事大數據方向是否有優勢
    首先，統計學專業與大數據關係密切，在大數據時代，統計學專業也明顯受到了大數據的影響，在知識體系結構上也會進一步向大數據領域覆蓋，所以統計學專業的畢業生未來從事大數據方向是完全可以的，實際上這也是一個大的發展趨勢。
  • 讓數據像手術刀一樣重要——記第二軍醫大學衛生統計學教研室主任...
    這套「防暈操」的發明者叫賀佳，第二軍醫大學衛勤系衛生統計學教研室主任，剛剛榮獲上海市「三八紅旗手標兵」。賀佳多年來堅持走邊防、下海島，收集資料、分析數據。在東山島，她發現戰士出海訓練時暈船現象比較嚴重，於是一連數月與部隊一起登艦訓練，觀察官兵各種生理與心理反應，並詳細記錄每一個數據，最終根據格瑞貝爾評分的變化，篩選出降低暈動病發病率的最佳方案——藉助垂蕩式模擬訓練器，並輔以防暈心理訓練和防暈操訓練，有效降低了戰士的暈船率。    作為一名衛生統計學專家，賀佳的主要工作是跟各種數據打交道。
  • 機器學習在生物大數據應用的一個例子
    撇開陰謀論和各種傳言不談，讓我們把焦點放在科學上——基因測序和人工智慧可以擦出怎樣的火花？也是在幾天前，有一家生物大數據的創業公司出現在媒體和公眾的視線中——Deep Genomics。這個公司是幹嘛的呢？簡單來說就是：利用機器學習的方法，預測基因組上的變化會對人體的特徵/疾病/表型產生怎樣的影響。這就是本文要說的，機器學習在生物大數據上應用的一個例子。
  • 生物統計學與R極簡手冊
    600字，約2分鐘，思考問題的熊 專欄7入門生物信息或者進行生命科學研究，所有人都繞不開統計知識和計算實現方式
  • 如何看待和學習人工智慧?這是五位哈佛博士生的AMA
    金融和銀行部門也會更快的實現自動化。通常股票的購買是一個複雜的決策過程，最終這些交易將由各種數據決定，算法正在取代人的決策。但我們仍然不知道人工智慧會如何影響我們的經濟和工作，只有時間會說明一切。提問：機器學習是當前的熱門話題。AI的下一個大事件會是什麼？回答：從純機器學習的角度來說，無監督學習會是下一個大事。
  • 異質性和共性是大數據兩大挑戰
    由於對統計學重要而廣泛的貢獻，範劍青教授榮獲2000年度的COPSS總統獎，該獎為國際統計學領域的最高獎，於2008年當選國際數理統計學會(IMS)主席，是該會創會以來70多位主席中惟一的中國人。　　在這位統計學大師級的教授眼中，大數據不僅大，而且很複雜，既有結構性的數據，也有非結構性的數據，與生物、工程、自然科學、社會科學等息息相關。
  • 統計學是什麼?| 統計學七支柱
    下文節選自《統計學七支柱》, 已獲人郵圖靈許可, [遇見數學] 特此表示感謝「統計學是什麼？」早在1838年就有人提出過這個問題（與英國皇家統計學會有關），此後這個問題又被反覆提起。多年來，鐵打的問題和流水的答案已成為該討論的特點。綜合問題和答案可以看出，持續的疑問源於，統計學並不是一個單一學科。
  • 數據分析必備——統計學入門基礎知識
    數據之路，與你同行！——數據說·夢想季 導讀：要做好數據分析，除了自身技術硬以及數據思維靈活外，還得學會必備的統計學基礎知識！因此，統計學是數據分析必須掌握的基礎知識，即通過搜索、整理、分析、描述數據等手段，以達到推斷所測對象的本質，甚至預測對象未來的一門綜合性科學。統計學用到了大量的數學及其它學科的專業知識，其應用範圍幾乎覆蓋了社會科學和自然科學的各個領域，而在數據量極大的網際網路領域也不例外，因此紮實的統計學基礎是一個優秀的數據人必備的技能。
  • 統計學專業介紹,專業說
    ，統計學是個什麼樣的專業、需要學習哪些課程、以後就業前景如何。專業介紹統計學是數學專業的一個分支，一般設立於數學科學學院，主要用來處理數據中的變異性，包括對數據的收集、分析、解釋、演示及運用。統計學關注於開發和研究「收集、分析、解釋和呈現數據」的方法，強調利用各種數學和計算工具來開發和研究統計學的基礎理論和方法。