Ajuster automatiquement les apports nutritionnels aux besoins individuels des truies gestantes : un exemple de synergie entre agroécologie et numérique

L'objectif de l’alimentation sur mesure est de fournir une ration ajustée aux besoins en nutriments de chaque animal afin d’améliorer l’efficience alimentaire, réduire le coût alimentaire et les impacts environnementaux. Pour les truies gestantes, ces besoins sont actuellement déterminés par un modèle nutritionnel mécaniste nécessitant des données d'entrée enregistrées manuellement qui ne permettent pas une automatisation simple.

Cette étude a permis d’évaluer des méthodes d'apprentissage automatique (machine learning) pour prédire les besoins quotidiens en nutriments (énergie et lysine) des truies gestantes, en se basant uniquement sur les données des capteurs et des automates, et ceci en comparant différentes configurations d’équipements.

Les données de 73 truies gestantes ont été enregistrées par des automates (alimentation, abreuvement, balances), des accéléromètres et des caméras. Neuf algorithmes d'apprentissage automatique ont été entraînés sur 22 scénarios de configuration de fermes numériques (avec un ou deux capteurs/automates, avec ou sans des données sur les caractéristiques du logement et des truies - poids et épaisseur de lard dorsal à l'insémination). Ces algorithmes génèrent une estimation des besoins nutritionnels quotidiens (énergie, lysine) de chaque truie, pour ces différents scénarios. Les résultats de cette démarche ont été comparés à ceux obtenus avec le modèle InraPorc, un modèle mécaniste pour l'alimentation de précision des truies gestantes.

Les meilleures prédictions des besoins en lysine (R² = 0,99) et en énergie (R² = 0,95) sont obtenues pour les scénarios incluant les données de l’automate d'alimentation seul (durée et nombre de visites journalières avec ou sans consommation). L'ajout des caractéristiques du logement et des truies (données habituellement intégrées dans le modèle InraPorc) aux données d’un capteur ou automate a réduit l’erreur de prédiction de 5,6 % pour la lysine et de 2,2 % pour l'énergie. Les scénarios combinant les données de l’automate d’alimentation (indispensable à la mise en place de l’alimentation sur mesure) avec celles d’un autre capteur conduisent aussi à de bonnes performances de prédiction. Enfin, ces prédictions dépendent également des algorithmes utilisés.

Ces résultats montrent que les besoins individuels quotidiens en nutriments des truies gestantes peuvent être prédits avec précision grâce aux données fournies par certains capteurs ou automates en élevage, en les associant aux méthodes d’apprentissage automatique. Ces nouvelles technologies offrent des solutions pour la mise en place de l’automatisation de l'alimentation sur mesure dans les élevages, tenant compte de la configuration de leurs équipements numériques.