这批猪下周该喂什么料？
填入称重和耗料记录，得到下一周的饲料配方，并看它和三阶段换料相比，成本、氮排泄和模型化排放差多少。
1
填记录
选一批示例，或改成你自己的数字
2
点“生成下周方案”
AI 预测下一周的体重和采食
3
看结果，照着做
料浓度、配方、对比三阶段、下一步
数字已改动。点左侧“生成下周方案”更新结果。
同一栏猪、同一条营养标准，AI 把“喂什么”变成一个可优化的减排变量
饲喂配方不是固定表格：它同时决定饲料的碳足迹、氮排泄与粪污甲烷。Feed2Climate 用 100 头育肥猪的真实生长/采食记录做聚类分层，用线性规划在营养约束下求解最优配方，并把“分层饲喂 vs 一刀切饲喂”的栏舍成本与模型化排放差异算给你看。
数据是真的
100 头猪 × 76 天个体记录Zenodo 6626445 · CC BY 4.0 · MD5 校验一致 · 可复现
AI 在哪
聚类分层 + 线性规划 + Pareto 前沿无监督学习划分饲喂组；单纯形法逐原料求解配方；131 项断言核对
排放怎么算
饲料生产 + 粪污 CH₄ + 粪污 N₂OIPCC 2019 公式结构 · AR6 GWP · 每个系数标注来源
诚实边界
预测只用于下一周定料（附不确定度），不预测料肉比；未核算项不计零比较基于相同生产假设；无解时报告冲突约束
为什么饲料配方和排放有关系
配方是决策变量（紫）；排放是模型化结果（橙）——改配方，链条右端的数字就会变AI 流水线：从原始记录到栏舍决策
四步全部确定性可复现，无黑箱①
真实数据特征化
对每头猪计算截至所选日的平均日增重、平均采食量、采食变异系数（描述统计，不做预测）。
Zenodo 6626445
②
无监督聚类分层
k-means++ 初始化 + Lloyd 迭代，z-score 标准化；固定种子 + 12 次重启取最优，结果逐位可复现。
k-means
③
配方线性规划
每个饲喂组解一次原料级 LP：营养约束 + 配合上限，目标在“最低成本 ↔ 最低排放”间滑动，得到 Pareto 前沿。
单纯形法
④
情景对比核算
同一生产假设下对比“分层饲喂 vs 一刀切饲喂”：栏舍每天的成本、N 排泄与模型化排放差异。
IPCC 2019 + AR6
结果速览（默认情景：截至第 42 天 · 3 组 · 种子 42）
实时计算，改参数去“02 AI 方案设计”生产状态录入
公开样例来自 Zenodo 6626445（100 头育肥猪 · CC BY 4.0）“把历史均值填入状态”取截至所选日的近 7 日平均采食量与最近体重，由用户确认后作为情景输入（描述统计，非未来预测）。
历史记录（仅描述截至所选日）
截止日体重
—
近 7 日平均采食量
—
近 7 日记录数
—
营养供需检查
要求曲线与日粮组成见“来源与验证”；满足约束不代表实际换料后生产表现不变下一周定料预测（AI）
回放：群体规律取自其余批次（留出本批），本批只用定料当天可见的数据这张卡按预测点估计配料，没有加安全余量，净能也取预测值。要带安全余量、取群体标准表净能并和三阶段对比，用“开始分析”页。
预测只用于下一周定料（提前 3 天决定），不预测料肉比；区间为 ±1.96 倍标准差。回放（130 个留一批案例）中，体重区间实际覆盖约 86%，采食约 95%，所以体重区间偏窄，不能当作 95% 保证；回放验证见“04 来源与验证”页。
分层与优化参数
全部修改实时重算；随机性已种子化，同参数结果逐位一致① 聚类：谁和谁是一类猪
横轴平均日采食量 · 纵轴平均日增重 · 颜色 = 饲喂组（k-means，z-score 标准化三维特征后投影）② 每组的优化配方（原料级线性规划）
约束：NE ≥ 组目标 · SID 赖氨酸 ≥ 组目标 · CP ≥ 120 · 配合上限；目标随上方权重滑动③ 分层饲喂 vs 一刀切饲喂（同一栏猪）
两情景每头猪使用相同的体重、采食量与目标增重，差异只来自配方④ 成本–排放 Pareto 前沿（单栏代表个体）
每个点 = 一次 LP 最优解；左下方向更优。前沿回答“每多降一点排放要多花多少钱”共同条件（适用于所有方案）
这些条件相同，方案差异只来自 A/B 配比采食量情景
—
增重假设（固定）
—
粪污情景
—
营养要求来源
—
方案对比
比较基于每 kg 饲料价格与每头每天换算；排放项为饲料生产 + 粪污 CH₄ + 粪污 N₂O（可核算项）。
群体换算（栏舍合计）
按录入头数线性放大每头结果头数在“01 状态录入”页修改；线性换算不含群体层面的相互作用。
粪污管理情景对比（同一候选方案）
换粪污情景不改配比；饲料项与 N₂O 项不变，CH₄ 随 MCF 变化用于展示同一配比在不同粪污情景下的模型化排放差异，不是更换粪污系统的建议。简化：厌氧塘 MCF 不分气候区取同一值。
敏感性与单位检查
关键参数变动对“模型化排放差异”的影响输入与系数来源
版本、单位、适用范围与核算边界逐项标注| 项目 | 状态 | 来源与边界 |
|---|
预测误差（回放）
13 批留一批 × 30 次观测噪声；目标日相对事后真值的平均绝对误差| 做法 | 体重 | 日增重 | 采食 | 赖氨酸浓度 |
|---|---|---|---|---|
| 按批：按日龄查表 | 5.3% | 7.5% | 6.6% | 7.0% |
| 按批：AI 预测 | 2.2% | 8.7% | 7.1% | 7.1% |
| 逐头：滚动估计 | 1.2% | 11.1% | 8.1% | 12.5% |
| 逐头：AI 预测 | 1.1% | 10.3% | 6.9% | 9.3% |
预测区间的实测覆盖（130 个留一批案例）：体重 95% 区间实际覆盖约 86%，采食约 95%。体重区间偏窄，界面不能把它当作 95% 保证。