Theses

@phdthesis{muszik_implementing_2025,

title = {Implementing On-Farm Enrichment: Effects on the Motivation of Lambs and Dairy Cows},

author = {Jasmine Muszik},

url = {https://escholarship.mcgill.ca/concern/theses/6t053p36k},

year  = {2025},

date = {2025-01-01},

address = {Montreal, Canada},

school = {McGill University},

abstract = {Les pratiques agricoles ont évolué pour offrir aux animaux plus de contrôle sur leur temps, en mettant l'accent sur leur bien-être. L'enrichissement ciblé, conçu pour répondre à des besoins spécifiques, favorise des émotions positives en permettant aux animaux d'agir selon leurs motivations, satisfaisant ainsi leurs besoins. Un enrichissement efficace doit être activement utilisé par l'animal et doit répondre à une motivation d'interaction ou d'accès, ce qui suggère qu'il est perçu positivement. L'enrichissement multimodal, combinant plusieurs types d'enrichissement (ex. physique, cognitif, sensoriel, social, nutritionnel), pourrait répondre à cette problématique en encourageant une gamme de comportements motivés. Les normes futures concernant les soins des animaux d'élevage pourraient également recommander aux producteurs l'inclusion de ces enrichissements fortement motivés dans leurs pratiques quotidiennes afin d'éviter la provocation d’émotions négatives, comme la frustration, liées à l'anticipation d'un événement ou d'une récompense retardée ou inexistante, comme révélé dans une revue de littérature. Cependant, la mise en œuvre de l'enrichissement multimodal et ses interactions avec la motivation animale nécessite un examen plus approfondi, tant au niveau théorique qu’au niveau pratique. Une étude menée sur des agneaux, exposés ou non à un enrichissement multimodal, a démontré que bien que les deux groupes aient appris à naviguer un labyrinthe et aient démontré la même flexibilité pour obtenir la récompense, les agneaux enrichis étaient plus calmes, tandis que ceux du groupe témoin étaient plus agités, ce qui suggère que l'enrichissement peut avoir un impact sur la réactivité. Cette étude n’a pas directement étudié la motivation des animaux vers l'enrichissement, mais vers une récompense dans un autre contexte, et elle s’est concentrée sur les jeunes. Alors, la prochaine étude a cherché à comprendre comment la fréquence d'accès à l'enrichissement influence la motivation des vaches laitières adultes. Des vaches ayant un accès limité à l’exercice ont été réparties en deux groupes : un avec un accès extérieur trois jours par semaine et l'autre un jour par semaine. Leur comportement et celui des membres du personnel ont été observés pendant ces périodes. Les résultats ont démontré que les vaches des deux groupes étaient plus motivées pour sortir que pour retourner à l'étable, bien que les interventions du personnel et les conditions climatiques aient pu influencer cette motivation. Bien que cette étude ait été bénéfique pour comprendre si les vaches laitières accordent de l’importance à l’accès extérieur, peu importe la fréquence d’accès fournie, l'étape suivante consistait à tester la provision d’accès extérieur dans un cadre réaliste pour déterminer comment la taille des groupes et les interventions du personnel influencent la capacité des producteurs à faire la transition vers la provision d’exercice extérieur quotidien pour leur troupeau. 76 vaches en lactation ont été réparties en sept groupes, avec un nouveau groupe étant ajouté à chaque semaine, jusqu'à ce que tous les groupes aient accès à un des deux enclos d'exercice. Il a été constaté qu'augmenter le nombre de vaches n’entraînait pas de besoin supplémentaire en personnel ni de plus de temps par sortie. De plus, le nombre d'interventions du personnel est resté stable (interventions go) ou a diminué (interventions stop) après une semaine. De plus, le comportement des vaches n’a pas différé de manière significative entre les enclos, même après l'introduction d'un nouveau groupe. Cela suggère que les vaches et le personnel s'adaptent rapidement à l'accès extérieur, et que les producteurs peuvent commencer à introduire progressivement des sorties extérieures quotidiennes pour leur troupeau. Toutes les études décrites ont été essentielles pour comprendre comment l'enrichissement multimodal influence la motivation des animaux, tant en matière d'enrichissement que dans d'autres contextes, et comment ces pratiques peuvent être utilisées de manière pratique par les producteurs dans les systèmes de production modernes},

keywords = {These},

pubstate = {published},

tppubtype = {phdthesis}

}

@phdthesis{samake_methodes_2025,

title = {Méthodes d’apprentissage machine pour l’estimation de l’effet de la génétique sur la production laitière},

author = {Awa Samaké},

year  = {2025},

date = {2025-01-01},

address = {Montreal, Canada},

school = {UQAM},

abstract = {La génétique animale joue un rôle central dans l'amélioration des performances des troupeaux laitiers en permettant la sélection des reproducteurs les plus performants ainsi que la prévision des maladies. 

Depuis plusieurs décennies, l'évaluation génétique attire de grands intérêts pour la communauté en recherche et en industrie. 

L’évaluation génétique vise à estimer les valeurs génétiques (EBV, GEBV) des animaux à partir de données de production, de pédigrée ou de séquençage génomique, afin de prédire les performances futures et d’optimiser les décisions de sélection. 

L'évaluation génétique passe par une estimation du patrimoine génétique ainsi que son effet sur les générations futures. L'analyse de cet effet peut se traduire de différentes manières dépendamment du secteur, par exemple, la prédisposition à certaines maladies en santé, la production en industrie animalière, etc. 

Cependant, la complexité des données (grande dimension des SNPs, structures de pédigrée profondes, séries temporelles de production) et la variabilité environnementale constituent des défis majeurs pour les méthodes classiques telles que le BLUP. 

Nous répondrons aux questions suivantes: comment estimer l'effet de la génétique sur le profit dans la production laitière à partir des données de séquençages génomiques?; comment estimer les futures productions laitières en intégrant les caractères génétiques sur le moyen/long terme? 

Cette thèse propose plusieurs contributions méthodologiques reposant sur l’apprentissage automatique et profond pour améliorer l’estimation et la prévision des performances laitières. 

Nous utilisons deux paradigmes d'apprentissage: la notion d'informations privilégiées et celle de variables exogènes. À savoir qu'à notre connaissance, la notion d'informations privilégiées n'est pas encore appliquée dans le domaine de l'agriculture, plus précisément la production laitière. 

LSTMDropout, un modèle récurrent intégrant un mécanisme de dropout hétéroscédastique et l’information privilégiée, permettant de prédire les EBV, GEBV, ainsi que les composantes et la valeur économique du lait, avec une robustesse accrue face aux données bruitées. 

AgriGen, un modèle de référence combinant données génétiques, phénotypiques et environnementales pour l’évaluation génétique multi-traits et la prise de décision. 

DairyLuPTS, une architecture optimisée pour la modélisation de séries temporelles de production laitière. %, adaptée à des scénarios sans traits de conformation; DairyBLUP modèle mixte basé sur le pedigree. %servant de benchmark pour quantifier les gains apportés par les approches neuronales; 

Information Dropout Adaptée (IDA), une énéralisation de l’Information Dropout, qui intègre des informations privilégiées pour régulariser les représentations latentes et améliorer les performances de prévision. 

Les résultats expérimentaux montrent que l’intégration d’informations privilégiées et de données multi-sources permet d’améliorer significativement la précision des prédictions, tout en réduisant le coût computationnel par rapport aux méthodes classiques. LSTMDropout et DairyLuPTS se distinguent en particulier par leurs performances en prévision multi-sorties et leur capacité à capturer les relations complexes entre les traits génétiques et les rendements laitiers. 

Les perspectives de recherche incluent l’extension de LSTMDropout à d’autres types de séries temporelles, l’étude des interactions textbackslashtextitgénotype $textbackslashtimes$ environnement, ainsi que l’analyse de l’effet des variants et des loci sur la santé et la productivité. 

L’exploration de nouvelles stratégies d’augmentation de données génomiques et de modélisation mathématique des informations privilégiées constitue également un axe prometteur pour renforcer la robustesse des modèles et optimiser la sélection génétique},

keywords = {},

pubstate = {published},

tppubtype = {phdthesis}

}

@phdthesis{naghashi_predicting_2025,

title = {Predicting dairy profitability using deep learning models},

author = {Vahid Naghashi},

year  = {2025},

date = {2025-01-01},

address = {Montreal, Canada},

school = {UQAM},

abstract = {In precision livestock management, effective decision-making around animal replacement depends on ac- 

curately estimating the lifetime profitability of each animal. In dairy farming, milk production is influenced 

by various factors including milk quality, health conditions, genetics, and herd management practices, all of which may be affected by broader operational and market dynamics. This thesis formulates the estimation of milk production income as a multivariate time series forecasting problem, where future profitability, typically measured during later lactation periods (e.g. lactation 2 or 3) is predicted using data collected during early lactation period(s) (e.g., lactation 1). The available data includes a range of temporally ordered dairy-related features collected over several months after the cow’s birth. This spatio-temporal dataset can be treated as a multivariate time series, where each variable (or channel) represents a distinct dairy factor evolving over time. Addressing this forecasting task requires models that can simultaneously capture temporal dependencies and inter-feature (cross-channel) correlations. 

This thesis investigates deep learning architectures for time series forecasting, with a specific emphasis 

on their application to dairy income prediction. After reviewing and exploring major existing approaches, 

including autoregressive models, recurrent neural networks (RNNs), linear models, and Transformer-based models, we introduce several novel architectures tailored to multivariate forecasting. First, we propose an LSTM-derived architecture enhanced with an attention layer to model sequential and contextual patterns in the context of dairy prediction. Second, we introduce two Transformer-based models: one focusing on multi-scale temporal and cross-channel modeling, with another emphasizing cross-channel interactions and integrating them with captured temporal patterns. Finally, we present a recurrent model that applies GRUs bidirectionally along the channel dimension to capture complex inter-feature dependencies, particularly in dairy forecasting scenarios. 

All proposed models are extensively evaluated on both publicly available benchmark datasets and real- 

world dairy farm data. Results underscore that our methods consistently outperform or remain competitive with current state-of-the-art models in terms of forecasting accuracy and computational efficiency. 

Beyond methodological contributions, this work supports improved resource allocation and decision-making in the dairy industry, providing a data-driven foundation for more accurate profitability forecasting and cost-effective herd management.},

keywords = {},

pubstate = {published},

tppubtype = {phdthesis}

}