《Smart Agricultural Technology》：Predictive Soil Health Economic Calculator (P-SHEC): A Decision Support Tool for Evaluating the Economic Impacts of Soil Health Practice Adoption
编辑推荐：
本研究针对群养生猪热应激评估中皮肤温度（ST）实时监测成本高、操作复杂的问题，开发了一种基于环境参数（空气温度、相对湿度RH、风速）的可解释机器学习模型（LightGBM）。该模型在小组（RMSE=0.59°C, R=0.92）和大群（RMSE=0.59°C, R=0.87）条件下均表现出高精度，并通过SHAP分析明确空气温度为主导影响因素。研究为规模化猪舍精准环境调控提供了低成本、可解释的技术支持。
随着全球气候变暖加剧，集约化养猪业面临的热应激挑战日益严峻。猪因汗腺不发达，对高温环境尤为敏感，热应激会导致其生理指标异常、生产性能下降。传统热应激监测多依赖直肠温度（RT）、呼吸频率（RR）等参数，但存在测量应激大、连续性差等问题。皮肤温度（ST）虽能快速反映热应激状态，但红外监测设备昂贵且依赖人工操作。如何通过易获取的环境参数实现ST的准确、低成本估测，成为当前养猪环境智能管控的关键难题。
在此背景下，发表于《Smart Agricultural Technology》的研究提出了一种基于可解释机器学习的群养生猪ST估测新方法。该研究通过整合猪舍环境数据（空气温度、相对湿度RH、风速）与红外热成像测得的ST，构建了多种机器学习模型对比框架，并首次在大群饲养（含智能分群系统）条件下验证模型泛化能力。结果表明，LightGBM模型在小组数据上表现最优（RMSE=0.59°C, MAE=0.46°C, R=0.92），且在大群测试中保持稳定（RMSE=0.59°C, R=0.87）。通过SHAP（Shapley Additive Explanations）可解释性分析，明确空气温度是ST最显著的正向影响因子，风速呈负相关，RH作用较弱，且特征交互在低温或低风速条件下有限。该模型突破了传统“黑箱”局限，为猪舍分区通风调控和热应激实时预警提供了实用工具。
研究采用的关键技术方法包括：在重庆某猪场收集小组（8栏）和大群（1栏）舍内环境参数与ST数据（共1421条有效样本）；使用5种机器学习算法（XGBoost、LightGBM、MLP、RF、SVR）进行训练与验证；通过网格搜索交叉验证优化超参数；利用SHAP解析特征贡献度与交互作用；并分时段（上午/下午）分区（休息区、采食区等）评估模型性能。
3.1. 机器学习模型估测与比较
五种模型中，LightGBM在验证集上误差最低（RMSE=0.59°C, MAE=0.46°C），且训练效率最高（210毫秒），显著优于其他模型。残差分析显示其预测偏差小且无系统性误差。
3.3. SHAP可解释性分析
特征重要性排序为空气温度（SHAP均值1.22）>风速（0.43）>RH（0.18）。依赖图表明，温度与ST呈强正相关，而高温下风速提升（通风策略）会增强降温效果。RH因实验期间持续高湿（均值79%），其对ST的影响被削弱。交互分析发现，温度与风速在低温（<28°C）时存在微弱交互，而RH与风速在低风速（<0.5 m·s?1）条件下共同影响ST。
3.4. 大群饲养条件下的模型性能
模型在大群数据中保持较高精度（MAE=0.47°C），但R值降至0.87，可能与猪只活动范围大、环境异质性增强有关。分时段评估显示下午（R=0.87）性能优于上午（R=0.84），因上午猪只行为过渡期引入变异性。分区测试中，休息区1预测最佳（R=0.92），重型猪采食区误差稍高（RMSE=0.62°C），但所有区域误差均<0.5°C，证明模型具备区域适应性。
3.5. 应用前景与局限性
该模型为猪舍热应激精准管理提供了低成本解决方案，尤其适用于大群分栏系统的分区通风优化。当前局限在于传感器精度（温度±0.5°C、红外误差2%）制约了模型进一步提升，且数据均来自单一农场。未来需整合多农场、多生理指标数据以增强普适性。
研究结论强调，可解释机器学习能有效量化环境参数与ST的复杂关系，且模型在不同饲养规模、时空场景下均表现稳健。通过揭示温度主导、风速调节的作用机制，为环境调控策略提供了理论依据。该成果推动了畜牧业从经验管理向数据驱动精准管控的转型，对应对气候变化下的生猪健康养殖具有重要意义。
