Thèse dirigée par Charlotte Gaillard, UMR Physiologie, Environnement et Génétique pour l'Animal et les Systèmes d'Élevage (Pegase)
Spécialité : Sciences agronomiques

Résumé

Les nouvelles technologies se développent en élevage porcin, afin d’aider le travail des agriculteurs. Elles permettent la distribution d’une alimentation sur mesure pour des truies gestantes et une meilleure surveillance du comportement des animaux. La problématique de cette thèse est d’améliorer l’estimation des besoins nutritionnels journaliers et d’identifier l’état de bien-être individuel des truies gestantes, à l’aide de données comportementales et environnementales. Le premier objectif s’est intéressé à l’évaluation des effets des perturbations environnementales sur le comportement et les besoins nutritionnels. Pour cela, deux bandes de truies ont été suivies lors de deux gestations consécutives durant lesquelles différents évènements ont été provoqués. Les résultats ont permis de mettre en évidence l’influence des conditions environnementales sur le comportement et les besoins nutritionnels des truies au cours de leur gestation, et ont permis d’identifier une forte variabilité individuelle. Dans une deuxième partie, il s’agissait d’estimer individuellement les besoins journaliers et le bien-être, à partir des données comportementales et environnementales enregistrées par des capteurs. Les résultats ont montré que cette estimation peut être réalisée de façon précise grâce à différents algorithmes de machine learning sur des données produites par l’automate d’alimentation. Cette thèse propose donc des méthodes innovantes pour la conception d’un outil d’aide à la décision visant à améliorer l’alimentation sur mesure et le bien-être des truies gestantes.

Mots-clés : comportement, apprentissage automatique, capteurs, automate d’alimentation, variabilité individuelle

Abstract

New technologies are developing increasingly in pig farming, to help farmers in their labour tasks. They allow the distribution of tailored diets for gestating sows and better animal behaviour monitoring. The issue of this thesis is to improve the estimation of daily nutritional requirements and estimate the individual welfare status of gestating sows using behavioural and environmental data collected automatically. The first aim was to evaluate experimentally the effects of environmental disturbances on behaviour and nutritional requirements. To achieve this, two groups of sows were followed during two consecutive gestations during which several events were induced. A database containing a variety of sows’ behavioural data was built from these experiments. The results of the thesis highlighted the influence of environmental conditions on the behaviour and nutritional requirements of sows during gestation, as well as an important individual variability. The second part involved estimating individual daily requirements and welfare based on behavioural and environmental data recorded by sensors. The individual estimation of nutritional requirements and state of welfare can be carried out accurately using machine learning algorithms and data produced by the automatic feeder. Using these innovative methods, this thesis opens potential for the design of a decision-support tool aiming at adjusting feeding and improving the welfare of gestating sows.

Keywords: behaviour, machine learning, sensors, feeding automatons, individual variability.