Predicting Sheep Predation Events Through the Use of Machine Learning Models Trained on Tracking Necklace Data

Abstract

Hver sommer blir millioner av sauer sluppet på beite, og av disse blir tusener drept av rovdyr som leder til millioner av kroner i økonomiske tap. I det siste har det oppstått en trend med å utstyre sauene med halskjeder som sporer de mens de er ute på beite ved hjelp av satellitter for å øke bøndenes innsikt inn i sausenes lokasjon og bevegelser. I det siste har det også blitt utført forskning på denne dataen for å detektere avvik i sauenes adferd.

I denne masteroppgaven har jeg undersøkt en metode for å detektere avvik i sauens adferd ved hjelp av lokasjonsdata samlet fra sau på beite sammen med innrapporteringer av sau som har blitt tatt av rovdyr, dette for å gjøre prediksjoner om en sau er nært et rovdyrangrep. Jeg sammenligner også to modeller basert på samme type algoritme for å se om en mer avansert implementasjon av denne gir bedre prediktiv nøyaktighet.

En evaluering av modellenes prestasjon viser en ikke triviell evne til å prediktere om en sau er nær et rovdyrangrep. En XGBoost modell oppnådde den høyeste F1-poengsummen (0.734) og Random Forest modellen oppnådde høyest tilbakekall (0.905), som er en nøkkelstatistikk for dette datasettet. Av dette ble det vist at begge modellene passer til å løse dette problemet, og det spesifikke modellvalget vil bli drevet av hvilken verdi det ønskes å optimalisere for. Det er dog behov for videre forskning på temaet hvor det tas i bruk mer nøyaktig data om både sauens bevegelser og rovdyrangrep før man kan trekke konklusjonene i denne oppgaven til situasjoner utenfor det som er beskrevet her.

Each summer, millions of sheep are let out on pasture in Norway to graze, and thousands will be killed due to predation, incurring millions of kroner in economic loss. Lately, there has been a trend of equipping the sheep with tracking necklaces and reporting the sheep's position on pasture through satellite systems to increase farmers' insight into the location and movement of their sheep. Recently, some research has been conducted into using this data to detect anomalies in sheep behavior due to predators.

In this master's thesis, I have investigated a novel method of combining this necklace data with reports of sheep predation in the tracked sheep grazing area to train a set of machine learning models to make predictions if a sheep is close to a predation attack. I also compare the results from two implementations of the same base algorithm to see if the more advanced implementation provides better predictive accuracy.

Evaluation of the models' performance reveals a nontrivial ability to predict whether a sheep is close to a predation event. The XGBoost model achieved the highest F1-score (0.734), and the Random Forest model achieved the highest recall (0.905), a key predation detection metric for this dataset. Thus, it is shown that for this problem, both models can be used, with the model choice being driven by the metrics wished to be optimized for and the type of tuning to be done. Nonetheless, further research is warranted with more precise sheep and predator data to extrapolate these findings beyond the scope of this thesis.