Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Les résultats de l’analyse par spectrométrie moyen infrarouge (MIR) du lait, collectés
dans le cadre du paiement du lait, sont une source de données régulière et sous-valorisée à
l’heure actuelle en Wallonie. En effet, la majorité des méthodes actuelles de détection des
défaillances se base sur des analyses individuelles. L’objectif de ce travail est de proposer
une méthode d’agrégation d’alertes basées sur des indicateurs prédits dans le lait par
le MIR (à l’exception des cellules somatiques) afin de détecter des défaillances sur des
troupeaux. Les défaillances peuvent être définies comme une multitude de comportements
considérés comme anormaux. À titre d’illustration, il pourrait s’agir de l’augmentation
du risque d’acidose ruminale, d’acétonémie, ou encore de mammite, mais aussi du risque
de déséquilibre protéique de la ration.
La méthode développée combine les connaissances issues de la littérature et une agrégation d’alertes issues d’analyses longitudinales. Premièrement, à partir de la littérature, 12
indicateurs (matière grasse, protéine, urée, cellules somatiques, C18:1cis9, acides gras non
estérifiés, β-hydroxybutyrate, acides gras de novo, ratio caséines αS1 /αS2 , ratio TB/TP,
Ingestion de matière sèche et production laitière) ont été sélectionnés et une table comprenant les relations entre 7 défaillances (acétonémie, acidose ruminale, balance énergétique
négative, excès et déficit en protéine, mammite et stress thermique) et ces indicateurs a
été créée. Ensuite, des alertes ont été développées pour détecter les indicateurs qui dévient
de la courbe optimale attendue. Ces alertes ont été agrégées afin de former un motif qui
a été comparé aux défaillances répertoriées. Concrètement, cette méthode s’est basée sur
les données wallonnes de lait de tank collectées de 2020 à 2023. Les courbes attendues
ont été crées sur base de données collectées entre 2020 et 2022 (N. = 800 732). La détection de défaillance a, quant à elle, été réalisée sur les données de l’année 2023 (N. =
291 412). Pour chaque indicateur, les alertes se basent sur la création de 3 scores obtenus
à partir d’une courbe de référence, à partir de la variation temporelle et à partir d’un
seuil. Ces scores allant de -6 à 6 ont ensuite été échelonnés de -1 à 1 pour être mis en lien
avec la matrice de défaillance confectionnée sur base de la littérature. L’attribution d’une
défaillance à un enregistrement a été réalisée en calculant la distance euclidienne. Ainsi,
il est apparu que 60,1% des enregistrements ne présentaient aucune alerte : 2,8% étaient
en acétonémie, 2,5% en acidose ruminale, 5,2% en balance énergétique négative, 7,9%
en mammite et 20% en déséquilibre protéique. Cependant, aucun résultat ne permet de
confirmer la qualité de l’attribution liée au stress thermique (0,8% des enregistrements).
Bien que les résultats soient prometteurs, la méthode nécessite encore d’être confrontée
au terrain pour valider et affiner les détections proposées. De plus, plusieurs maquettes
fonctionnelles se concentrant sur la synthèse de l’information et la visualisation de la
déviation des indicateurs ont été développées. Elles ont déjà été présentées à plusieurs
acteurs scientifiques du milieu et n’attendent qu’à être déployées sur le terrain afin de
recevoir les retours des agriculteurs.

Sciences du vivant > Agriculture & agronomie --- Sciences du vivant > Productions animales & zootechnie