BFH-HAFL, ETH Zürich, Utrecht University

Milch-MIR-Spektren und maschinelles Lernen zur Vorhersage des Grasanteils in Milchviehrationen

Wie lässt sich eine graslandbasierte Fütterung nachweisen? Ein Ansatz auf Basis von maschinellem Lernen und der Mittel-Infrarotspektroskopie (MIR)-Routineanalytik aus der Milchprüfung könnte weiterhelfen.

Hintergrundinformationen

Milch aus graslandbasierter Produktion gilt in Ländern mit einem hohem Graslandanteil (z. B. Schweiz) als nachhaltig. Konsumierende sind bereit, für Produkte aus einer solchen Produktion eine Prämie zu bezahlen, da diese vielfach mit artgerechter Tierhaltung und gesundheitlichem Mehrwert assoziiert werden. Bislang gibt es aber noch keine einheitliche Definition für eine graslandbasierte Produktion und das Prädikat «graslandbasiert» ist nur indirekt nachweisbar. In entsprechenden Programmen werden Angaben zum Grasanteil in der Ration, Weidetage oder die verfügbare Weidefläche als Nachweis verwendet. Diese Methoden sind zeitaufwendig, schwer zu überprüfen und fehleranfällig. Möglichkeiten für einen direkteren Nachweis sind daher gesucht. Spektraldaten aus der Mittel-Infrarotspektroskopie (MIR), wie sie bereits für die Bestimmung der Fett-, Eiweiss-, Laktose- und Harnstoffgehalte in der Milchprüfung verwendet werden, kombiniert mit maschinellem Lernen, könnten weiterhelfen.

Neue Methoden auf Basis von maschinellem Lernen

Bislang war die Partielle Kleinste-Quadrate-Diskriminanzanalyse (PLS-DA) der einzige Algorithmus für maschinelles Lernen, mit dem versucht wurde, den Anteil an graslandbasierten Futtermitteln in der Ration durch MIR-Spektren zu klassifizieren. In der kürzlich publizierten Studie wurden drei neuen Algorithmen (Least absolute Shrinkage and Selection Operator [LASSO], Random Forest [RF], Support Vector Machines [SVM]) auf Basis von maschinellem Lernen für die Vorhersage der gaslandbasierten Fütterung verwendet. Dabei wurden sowohl die MIR-Spektralwellenzahlen selbst als auch Werte für die Qualitätseigenschaften der Milch (Fett und Eiweiss) und ein neu entwickelter Indikator für Berücksichtigung der «Saisonalität» der Milchproben als Dateneingabe verwendet.

Zukunftsperspektiven

Das Verfahren mit der stärksten Aussagekraft (LASSO) konnte von den 1’132 analysierten Proben ≥ 50 % der gesamten graslandbasierten Futtermittel mit 79 % Genauigkeit, 85 % Präzision, 91 % Sensitivität, 14 % Spezifität und einem F1-Score von 88 % klassifizieren. Frisches Gras ≥ 70% wurde mit einer Genauigkeit von 86 %, einer Präzision von 62 %, einer Sensitivität von 39 %, einer Spezifität von 95 % und einem F1-Score von 48 % klassifiziert. Auf Basis der in der Publikation dargestellten Resultate könnte zukünftig eine Methodik entwickelt werden, die einen automatisierten und vereinfachten Nachweis der graslandbasierten Fütterung erlaubt, wie sie von privaten und staatlichen Organisationen gewünscht wird.

Fazit

  • Der kombinierte Ansatz von Fütterungsangaben, MIR-Spektraldaten, gemessene Milchqualitätseigenschaften wie auch die Saisonalität in Modellen mit maschinellem Lernen als Datenbasis zu verwenden, scheint verheissungsvoll.
  • Die Verfahren LASSO und PLS-DA scheinen den Verfahren RF und SVM für die Klassifizierung der graslandbasierten Futtermittel überlegen zu sein.
  • Die untersuchten Modelle haben sich bei der Überprüfung der Milch aus graslandbasierter Fütterung bei einer limitierten Zahl von Landwirtschaftsbetrieben bewährt: Die entwickelten Modelle müssen nun anhand grösserer Datensätze validiert und allenfalls mit weiteren Merkmalen ergänzt werden.
Zum kompletten Archiv