في السنوات الأخيرة، أصبح التنبؤ بنمو الماشية وزيادة الوزن من التحديات الملحة في أنظمة الإنتاج الزراعي القائمة على الرعي. الأمر الذي يتطلب تطوير نماذج دقيقة تعتمد على بيانات موثوقة. هذه الدراسة الجديدة تقدم حلولاً مبتكرة عبر إنشاء إطار للتعلم الآلي الهجين، مخصص لتوقع وزن الماشية على مستوى القطعان.

يمثل هذا الإطار نتيجة للبحث في بيانات تم جمعها من 2022 إلى 2024 في جنوب شرق أستراليا. حيث تم دمج الملاحظات الحية الأسبوعية مع المتغيرات الديموغرافية والتنبؤات البيئية المُتأخرة، لتحويل البيانات الخام إلى مجموعات بيانات محوسبة. آليات التنبؤ على مستوى القطيع تم إنشاؤها عبر تجميع المعلومات الحيوانية بشكل زمني.

أثبتت الدراسة نجاح أربعة عائلات مختلفة من الهياكل الهجينة، والتي تشمل: بنية متبقية (Residual)، مكدسة (Stacked)، متسلسلة (Cascade)، وتركيبية (Ensemble). واستخدمت أيضاً نماذج ARIMA وLSTM وGRU كنماذج مقارنة.

نتائج الاختبارات المستقلة أظهرت توافقاً توقعياً قوياً عبر آفاق متعددة. وتبين أن بنية Cascade من GB إلى RF إلى NN حققت أعلى أداء، مع معامل تحديد R^2 قدره 0.889، ومعدل خطأ 21.319 كجم، ومتوسط خطأ مطلق 15.462 كجم. كما أظهرت الهياكل الهجينة متانة أكبر مقارنة بالنماذج المتسلسلة التقليدية في ظل الظروف المحدودة من البيانات.

تزايدت أخطاء التنبؤ بشكل تدريجي على مدى الأفق التنبؤي الممتد، مع تحديد أهم المتغيرات التي تؤثر على توقعات النمو مثل عمر الحيوان، كمية الأمطار، ودرجة الحرارة. إن الإطار المقترح يمكن أن يدعم قرارات إدارة التغذية، وإدارة الرعي، وتسويق الماشية ضمن بيئات استشعارية متنوعة، مما يمثل خطوة مهمة نحو تحسين الزراعة الذكية.