Framework ML ibrido per la previsione della crescita bovina nei sistemi di pascolo

Uno studio recente pubblicato su arXiv (2608.06001) presenta un approccio ibrido di machine learning volto a prevedere la crescita e l'aumento di peso del bestiame a livello di mandria nei sistemi di produzione basati sul pascolo. Condotta nell'Australia sud-orientale dal 2022 al 2024, questa ricerca affronta il problema delle osservazioni sporadiche del bestiame comuni nelle operazioni di pascolo commerciale. Il framework proposto combina dati settimanali sul peso vivo, fattori demografici e indicatori ambientali ritardati in dataset di previsione organizzati. Aggregando le previsioni a livello di animale nel tempo, vengono create traiettorie a livello di mandria. Lo studio ha valutato quattro famiglie di architetture ibride: residua, impilata, a cascata e assistita da ensemble, utilizzando i modelli ARIMA, LSTM e GRU come benchmark. L'architettura a cascata (GB to RF to NN) ha ottenuto le migliori prestazioni, raggiungendo un R² di test di 0.889 e un RMSE di 21. Questo lavoro fornisce un metodo solido per migliorare la previsione del peso bovino, che può migliorare le strategie di gestione nei sistemi di pascolo.