Modelado de la conducta de ganado bovino mediante IoT y Ciencia de Datos

Abstract

En las últimas décadas el uso de tecnologías del Internet of Things (IoT) y la aplicación de técnicas de ciencia de datos al sector ganadero han dado lugar al desarrollo de diversas herramientas dentro de la ganadería de precisión o Precision Livestock Farming (PLF). Estas herramientas se basan en la obtención y análisis de datos asociados al comportamiento animal con el objetivo de mejorar la productividad y el bienestar animal, así como reducir el impacto medioambiental asociado al manejo de ganado. Dentro del sector, la ganadería intensiva se ha caracterizado por lograr un aumento de su productividad al modernizar la gestión de los animales. En cambio, la ganadería extensiva ha seguido manteniendo un manejo tradicional que ha disminuido su rendimiento en comparación con la intensiva. La empresa Digitanimal busca reducir la pérdida de productividad asociada a la ganadería extensiva proporcionando un sistema para localizar y monitorizar animales en tiempo real. Para ello, esta empresa desarrolla y comercializa dispositivos IoT de alta autonomía, que registran mediante distintos sensores la situación y el estado del animal de forma no invasiva y sin perturbar su comportamiento natural. Los datos recopilados por estos equipos son enviados a los servidores de la empresa, desde los que se muestra a cada usuario del sistema la información de sus animales. Además, Digitanimal también desarrolla en menor medida dispositivos experimentales con el objetivo de mejorar distintos aspectos de los equipos comercializados. La investigación asociada a esta tesis doctoral busca desarrollar herramientas PLF que permitan seguir reduciendo la perdida de productividad en la ganadería extensiva. Por lo tanto, las principales contribuciones de esta investigación están relacionadas con posibles mejoras para el sistema Digitanimal. Se combina la información generada por los dispositivos comerciales y experimentales de Digitanimal con técnicas de ciencia de datos para el perfeccionamiento del sistema en dos líneas: mejorar la calidad de la información recopilada y desarrollar métodos para la detección de anomalías en el ganado. Para lograr un rendimiento adecuado en cualquier servicio basado en el análisis de datos, uno de los puntos clave es la calidad de la información utilizada. En esta investigación se ha analizado la captura de datos realizada por los dispositivos comerciales de Digitanimal, proponiendo dos alternativas que mejoran su rendimiento o el de alternativas del estado del arte. La primera de ellas reduce el error de representación cometido por los dispositivos comerciales mediante técnicas de reducción de la dimensionalidad y representación simbólica de series temporales. La segunda consiste en un sistema de agregación de patrones de conducta que busca trasladar parte del análisis de los datos a los propios dispositivos. En esta propuesta, los equipos analizan la conducta del animal y envían como información un resumen de la actividad del mismo según los comportamientos detectados. Por otro lado, es posible aplicar técnicas de aprendizaje máquina para la detección de anomalías. Se propone el método Outlier Detection in Animal Multivariate Trajectories (ODAMT) basado en aprendizaje semi-supervisado, y el método Trianglebased Outlier Detection (TOD) basado en aprendizaje no supervisado. Tanto ODAMT como TOD pueden dividirse en una primera fase de fusión de fuentes de información y una segunda de detección de anomalías. Para la primera fase, ODAMT emplea técnicas basadas en la combinación de similaridades y TOD técnicas basadas en la combinación de distancias. Para la segunda fase, ODAMT contempla el entrenamiento de una Support Vector Machine de tipo one-class, mientras que TOD basa la detección de anomalías en el análisis de roturas triangulares calculando las distancias entre tres observaciones distintas. Por último, los resultados obtenidos en las dos líneas de desarrollo de esta investigación demuestran que la colaboración entre los entornos académico y empresarial puede favorecer la resolución de problemas complejos aportando beneficios para ambos. Por un lado, esta investigación ha dado lugar a mejoras del estado del arte en problemas como la clasificación de comportamientos mediante acelerómetros o la detección de anomalías mediante enfoques no supervisados, entre otros. Por otro, la empresa ha incrementado los servicios ofrecidos a los usuarios de su plataforma mejorando la competitividad de la ganadería extensiva frente a la intensiva.