Zábranský, L.
Celosvětová populace nedávno dosáhla 8 miliard a očekává se, že do roku 2050 vzroste na předpokládaných 9,7 miliardy (OSN, 2022). S rostoucím počtem obyvatel a rostoucím příjmem v rozvojových zemích se očekává nárůst poptávky po živočišných produktech. Odhaduje se, že do roku 2050 se celosvětová poptávka po potravinách zvýší o 70% a poptávka po mase se zvýší o více než 50% (Davis a White, 2020). Rostoucí poptávka po různém mase a produktech přispěla k rychlému růstu celosvětového živočišného průmyslu (Tan et al., 2021). Rychle rostoucí živočišný průmysl však přinesl i některé problémy, jako úbytek a degradaci lesů na celém světě, negativní dopady na životní prostředí, klima a biodiverzitu (Wang et al., 2021). To znamená, že kromě potřeby uspokojit potřebu produkovat více živočišných produktů musí odvětví živočišné výroby zavést efektivnější a udržitelnější výrobní programy. Proto je nutné, aby se živočišná výroba postupně rozvíjela směrem k intenzifikaci a udržitelnosti (Zhang et al., 2021).
V posledních letech se rychle rozvíjejí pokročilé technologie, jako je například technologie snímání zvířat, která dokáže efektivně získávat informace o fyziologickém stavu, pohybu, chování a vnějším prostředí (Astill et al., 2020). Technologie IoT může chovatelům pomoci porozumět zdravotnímu stavu zvířat nahráním senzorických dat do cloudové platformy pro analýzu a zpracování v reálném čase s využitím chytrých senzorů a přenosných zařízení, která lze připevnit přímo ke zvířeti, jako jsou obojky a ušní čipy a mohou sledovat trajektorii pohybu zvířete a jeho zdravotní stav (Neethirajan, 2020). Předpokládá se, že bezkontaktní snímací technologie bude důležitou součástí budoucí technologie chovu hospodářských zvířat. Vzhledem k tomu, že je kladen větší důraz na intenzivní chov hospodářských zvířat, očekává se, že tyto technologie budou zdokonalovány, aby lépe vyhovovaly chovu hospodářských zvířat (Aquilani et al., 2022).
Precizní chov hospodářských zvířat lze definovat jako využití monitorovacích technologií v reálném čase k managementu stáda zvířat v komerčním prostředí, zejména k měření individuálních dat a zjišťování časové variability. Precizní technologie je široce používaný termín, který zahrnuje stacionární technologie používané v zemědělské výrobě (např. třídicí branky, termo-měření nebo automatické váhy), včetně technologií, které může mít zvíře na sobě (Costa et al., 2021).
Management zvířat založený na získávání dat je používán na mléčných farmách po celém světě, ale tradičně se používá u dospělých zvířat, nikoli u telat a jalovic. Chovatelé po celém světě používají precizní technologie k monitorování změn v chování a fyziologii jednotlivých zvířat v reálném čase, obvykle stanoví základní úroveň chování na individuální úrovni a odchylky od normálního chování spouštějí výstrahu pro chovatele (Lokhorst et al., 2019). Precizní technologie se také používají k chovu mléčných telat, ale pokud je nám známo, neexistuje žádná revize těchto technologií, pokud jde o management předodstavových mléčných telat (Costa et al., 2021).
- Tri-axiální akcelerometry
Triaxiální nebo 3rozměrné akcelerometry jsou zařízení, která měří úhel náklonu vzhledem k zeměkouli a velikost dynamického zrychlení a tyto údaje poskytované akcelerometry lze použít k určení polohy vzhledem k planetě (tj. vertikální, horizontální), rychlosti a směru pohybu. Trojrozměrné akcelerometry poskytují neinvazivní, objektivní měření vzorců normálního chování pomocí algoritmů ke zpracování nezpracovaných údajů o poloze, rychlosti a směru (Robert et al., 2009). Vzhledem k jejich malé velikosti a hmotnosti, nízké ceně a potenciální schopnosti zaznamenávat data o chování ve vysokém rozlišení po dobu několika dnů nebo měsíců, se tato zařízení stále více používají k monitorování chování hospodářských zvířat. Nejinak je tomu u mléčných telat, kde se akcelerometry objevují ve formě pedometrů, ušních čipů, obojků, či monitorů spánkové frekvence.
Validace akcelerometrů
Akcelerometry byly vyvinuty a ověřeny pro měření různých druhů chování telat. Nejčastěji validovaným chováním telat je doba ležení, počet kroků nebo hra, kdy se pro management stáda používají pedometry a ušní akcelerometry (Roland et al., 2018)
Akcelerometry pro detekci nemocí a sledování výkonu
Akcelerometry mohou být užitečnými technologiemi pro identifikaci změn v krokové aktivitě a chování telat při ležení před onemocněním. Například telata experimentálně indukována komplexem respiračního onemocnění skotu měli delší dobu ležení ve srovnání s kontrolními telaty. Telata vybavená stejným akcelerometrem a infikovaná Mannheimia haemolytica vykazovala lateralitu ležení směrem k levé straně ve srovnání s kontrolní skupinou, ačkoli doba ležení se nelišila (Hixson et al., 2018). Podobné zjištění jsou pozorována u telat s přirozeně se vyskytující respiračními onemocněními, která měla méně denních kroků a méně ulehnutí 2 dny před diagnózou až do dne antibiotické léčby. Akcelerometry byly také použity k detekci změn v chování při ležení během rozvoje zánětu pupku a průjmových onemocnění. Například telata, která měla na sobě akcelerometry, měla při otoku pupku méně času na ležení než zdravá telata, přesto stav průjmu neovlivnil ulehání (Studds et al., 2018). Jiní však zjistili, že telata, která měla na sobě akcelerometry a vykazovala těžký průjem způsobený salmonelou, snížila počet ulehnutí a prodloužila dobu trvání ležení 3 dny před diagnózou (Lowe et al., 2019). Výzkumná studie akcelerometru také odhalila kratší dobu ležení u telat 2 dny před výskytem průjmového onemocnění a delší dobu ležení v den diagnózy průjmového onemocnění (Sutherland et al., 2018).
Další využití pro akcelerometry
Technologie akcelerometrů mají potenciál hodnotit chování, které odráží pozitivní nebo negativní stavy welfare. Herní chování, jako je běhání, kopání, skákání a stavění se na zadní, je široce podporováno jako indikátor lepších životních podmínek zvířat (Ahloy-Dallaire et al., 2018). Předpokládá se, že hra zlepšuje emocionální stavy a obvykle se neprojevuje, když je zvíře ohroženo nebo pokud je ohrožena jeho zdatnost. Herní chování se u telat skutečně snižuje za stresových podmínek, jako je odstav a během nutričního omezení. Herní chování bylo měřeno automaticky pomocí akcelerometrů, což umožňuje sledovat projevy a změny herního chování, které indikují zvýšení nebo snížení pozitivního welfare. Akcelerometry mohou také sledovat negativní ukazatele welfare, jako jsou změny ve vzorcích aktivity spojené s bolestivými procedurami, jako je například odrohování (Sutherland et al., 2018).
- Automatizované systémy krmení a měření chování
Automatizované systémy krmení telat si získaly oblibu jako nástroj pro péči o telata a jsou nejrozšířenější precizní technologií odchovu telat. Automatizované krmné boxy (AKB) telat mají všestrannost při předkládání krmiva a lze je použít ke sledování krmného chování jednotlivých telat. Jednou z velkých výhod AKB pro telata je schopnost podávat vyšší objemy mléka bez zvýšených nároků na pracovní sílu. Některé AKB mohou také monitorovat a zaznamenávat individuální chování telat při krmení. Technologie AKB zaznamenávají denní příjem mléka nebo pevného krmiva, rychlost pití za minutu a návštěvy boxu a jsou velmi užitečné pro management mléčných telat. AKB jsou velice vhodné pro nastavení individualizovaných krmných programů a detekce chorob.
AKB pro individuální krmné programy
Jednou z nejdůležitějších vlastností AKB je měření krmných návyků jednotlivých telat při krmení s různými dávkami mléka a jejich omezeními. AKB přiděluje denní dávku mléka nebo velikost porcí po dobu 24 hodin, kdy krmení ad libitum versus omezené dávky mléka ovlivňuje chování AKB při krmení. Průtok mléka a jeho množství mají také důležité účinky na chování při krmení - ze studií vyplývá, že ideální je, aby byl AKB naprogramován tak, aby telatům dávkoval mléko v dávce minimálně 2 l na 1 krmení a alespoň 8 l/den, aby se zajistilo, že telata mohou vyjádřit své přirozené krmné chování a aby se optimalizovala účinnost AKB.
Další důležitou výhodou AKB technologií je možnost odstavu a přechodu jednotlivých telat na pevná krmiva. Při krmení telat větším množstvím mléka je důležité zvážit strategii krmení, která telata vhodně odstaví na pevnou stravu, která podporuje vhodný rozvoj bachorových papil (Kertz et al., 2017). Postupné odstavování je schéma odstavu, které snižuje denní dávku mléka poskytovanou telatům ve dvoudílném procesu a povzbuzuje telata, aby konzumovala krmné směsi bez omezení růstu (Welboren et al., 2018). Nedávná studie například ukázala, že přizpůsobená strategie odstavu (kde bylo mléko odstraněno na základě individuálního příjmu krmné směsi) vedla k nižší celkové spotřebě mléka a většímu příjmu krmné směsi z AKB (Benetton et al., 2019). To naznačuje, že některá telata se dokážou úspěšně odstavit dříve než jiná (tj. vhodně se vyrovnávají s přechodem od odstavu a zároveň si udržují růst), takže je ekonomické odebírat mléko těmto jedincům a nabízet více mléka těm, kteří potřebují více času na odstavení. Jiní chovatelé použili AKB k implementaci různých strategií postupného odstavu u telat krmených ad libitním mlékem v prvním měsíci věku, takto odstavená telata na základě počáteční individuální spotřeby mléka měla po odstavu vyšší hmotnost než telata odstavená odebráním fixního množství mléka ve stanoveném věku (Welboren et al., 2018). Celkově tyto studie naznačují, že AKB jsou schopny maximalizovat nutriční příjem jednotlivých telat ve skupinovém prostředí. Další výzkum by měl určit nejlepší metody individuálního odstavení telat na základě jejich potřeb a vlastností a vyvinout software pro automatické odstavení telat, jakmile budou tyto vlastnosti identifikovány.
AKB pro detekci nemocí
Automatizované systémy krmení telat zaznamenávají denní chování jednotlivých telat při krmení, které slouží jako základní měřítka, od kterých se při odchylkách mohou zaznamenat onemocnění. Změny v chování při krmení měřené AKB byly spojeny s průjmovým onemocněním a diagnózou respiračních onemocnění. Například retrospektivní studie 10 záznamů farmy AKB v USA u telat krmených >7 l mléka/den zjistila, že rychlost pití u nemocných telat se změnila 3 dny před výskytem průjmových onemocnění a v den detekce respiračních onemocnění ve srovnání se zdravými telaty (Knauer et al., 2017). Takzvaně „neodměněné“ návštěvy AKB mohou také sloužit jako indikátor nemoci. Studie zjistily pokles návštěv 2 dny před klinickými příznaky respiratorních onemocnění u telat krmených 6 nebo 8 l mléka/den a 2 až 3 dny před diagnózou s průjmovým onemocněním u telat krmených 6 l mléka/den (Sutherland et al., 2018; Lowe et al., 2019) a 4 dny před onemocněním u telat krmených >7 l mléka/den (Knauer et al., 2017). Zdá se však, že změny v tomto chování, které jsou spojeny s nemocí, souvisejí s přísunem mléka. Telata, která dostávala 12 l/den mléka nebo mléko ad libitum, měla nižší příjem mléka, méně návštěv a delší dobu návštěv u AKB ve dnech před zjištěním onemocnění a telata krmená omezeným množstvím mléka (4 l/den) vykazovala pouze kratší dobu trvání návštěv AKB v den zjištění onemocnění. Telata krmená středním objemem mléka z AKB (6 l/d) však snížila příjem mléka 4 dny před diagnózou průjmového onemocnění (Sutherland et al., 2018). Tyto práce naznačují, že některé změny v chování při krmení spojené s nemocí mohou záviset na strategii krmení mléka (např. rychlost pití a příjem mléka), ale zdá se, že jiné chování (např. návštěvy bez odměny) se před a během detekce nemoci u krmených telat snižuje. Telata, která onemocní, mohou změnit chování při krmení před nástupem onemocnění, ale strategie krmení mléka tento vztah ovlivňuje. Budoucí výzkum by měl prozkoumat potenciál stravovacího chování k předpovědi nástupu onemocnění pomocí složitějších prediktivních modelů.
Byly prozkoumány techniky statistické integrace s cílem kombinovat chování při krmení AKB k předpovědi, která telata brzy onemocní, ale systém nebyl o nic citlivější než vizuální kontrola telat (Knauer et al., 2018). Budoucí výzkum by měl určit, zda automatické systémy dokáží integrovat chování při krmení v AKB s jinými nástroji, jako jsou akcelerometry, které společně mohou účinně a efektivně identifikovat potenciálně nemocná telata dříve než vizuální kontrola.
- Monitorování fyziologických a fyzikálních atributů
Ačkoli jsou AKB a akcelerometry nejpoužívanějšími systémy u mladých telat, v poslední době byly zkoumány další systémy pro měření fyziologických nebo fyzických vlastností. Některé systémy umí měřit tělesnou teplotu různými způsoby, jako je retikulorumenální teplota (bolusy založené na řízení stáda), implantovatelné teplotní mikročipy, teplotu ušního boltce a infračervené termografické zobrazování (ITZ). Nedávno byla ITZ ověřena také pro tepelné fluktuace kolem nosních dírek pro měření rychlosti dýchání (Lowe et al., 2019). Navíc byl ověřen algoritmus pro automatické zpracování teplot zaznamenaných z ITZ (Lowe et al., 2020). Existuje také několik zpráv využívajících monitory srdeční frekvence (Byrd a kol., 2019) a jedna technologie založená na řízení stáda k měření přežvykování pomocí mikrofonu (Burfeind et al., 2011). V současné době pouze 2 studie popisují měření fyzického stavu telat, včetně ověřené škály hmotnosti a výzkumné 3-rozměrné kamery pro odhad tělesné kondice (Cantor et al., 2020). Implementace 3-rozměrné kamery pro řízení stáda telat však zatím není k dispozici kvůli problémům s nedostatečným vývojem pro zpracování dat, aby byl software vhodný pro použití při řízení stáda u telat.
Některé výše uvedené systémy však dosud nebyly dobře aplikovatelné u telat. Například u trvalého retikulorumenálního bolusu dokázaly změřit retikulorumenální teplotu u dospělého skotu v laktaci, ale citlivost a pozitivní prediktivní schopnost identifikovat horečku (≥39,5 °C) u telat byly nízké (Cantor et al., 2018). Proto je použití retikulorumenálních bolusů k odhadu teploty nebo horečky u telat v současnosti omezené. Alternativní metodou odhadu teploty je použití teploty ušního boltce, kterou původně popsali Wiersma a Stott (1983). U skotu byl následně vyvinut senzor zaznamenávající bubínkovou teplotu telat ve vnitřním uchu, aby varoval chovatele, když byly zjištěny horečky, ale k eliminaci falešně pozitivních hodnot byla vyžadována vysoká teplota (McCorkell et al., 2014). Jiné metody měření teploty mají u telat omezenou platnost, například implantované mikročipy byly ovlivněny místem implantátu (Lee et al., 2016) a teplotní senzory připevněné na kůži pod kořenem ocasu byly pouze mírně závislé na teplotě v konečníku a byly ovlivněny teplotou okolí (Hill et al., 2017). Celkově lze říci, že technologie snímání teploty mají potenciálně důležité aplikace u telat, zejména pro identifikaci horečky, je však zapotřebí dalšího výzkumu na ověření teplotních senzorů pro sledování změn tělesné teploty jako indikátoru nástupu onemocnění.
Neinvazivní technologie snímání teploty, jako je ITZ, může měřit vyzařované teplo. Skutečná teplota tělesných míst, jako je například oko, je u telat neznámá (tj. neexistuje žádný standard pro stanovení přesnosti ITZ zařízení). ITZ se tedy téměř výhradně používá k určení relativní změny tělesné teploty, nejčastěji v reakci na nemoc nebo bolest. Lowe et al. (2019) zjistili, že vysoká přesnost zobrazení teploty oka telat dokáže detekovat zvýšenou teplotu oka 4 až 6 dní před klinickým projevem symptomů onemocnění a teplota kloubů přední končetiny se zvýšila před nástupem průjmového onemocnění u telat, u kterých došlo k přirozenému propuknutí salmonely, ale nebyla pozorována žádná změna teploty oka. To naznačuje, že změny tělesné teploty na různých místech, jako je oko nebo klouby přední končetiny, mohou záviset na typu onemocnění a mohou naznačovat prožívání bolesti, což vyžaduje další výzkum.
Monitory srdeční frekvence byly použity k identifikaci jedinců, kteří mohou pociťovat bolest, a bylo zjištěno, že srdeční frekvence se po odrohování zvýšila, ale mezi studiemi existovaly nekonzistentní nálezy variability srdeční frekvence v závislosti na tom, které měřítko bylo analyzováno. V poslední době byly k hodnocení reakcí bolesti použity nelineární přístupy k měření variability srdeční frekvence (Byrd et al., 2019). Snížená variabilita srdeční frekvence byla také popsána jako indikátor stresu spojeného s oddělením od matky a izolací v individuálním kotci pro novorozená telata. Ede et al. (2019) poznamenali, že variabilita srdeční frekvence může odrážet fyzickou aktivitu spíše než emoční stav v reakci na bolest nebo stres.
I když se chování při přežvykování nejčastěji zaznamenává pomocí akcelerometrů, jiné systémy založené na řízení stád zaznamenaly přežvykování pomocí akustických analyzátorů. Vzorce přežvykování byly zjištěny u telat ve věku 2 dnů (Lopreiato et al., 2018), ale tento systém nedokázala najít shodu mezi záznamy přežvykování a osobními pozorováními u telat mladších 9 týdnů (Rodrigues et al., 2019), a to i přes jeho přesnost u jalovic starších 9 měsíců (Burfiend et al., 2010).
Aplikace systémů pro monitorování fyzikálních atributů
Monitorování tělesné hmotnosti a strukturálního růstu je zásadní pro úspěšný odchov telat, je však náročný na práci a vyžaduje manipulaci se zvířaty. Stupnice hmotnosti připojená k AKB je validována pro odhad tělesné hmotnosti telete pomocí softwarového algoritmu (Cantor et al., 2020). V nedávné studii má použití 3-rozměrných kamer k měření znaků hmotnostních přírůstků a tělesné kondice mléčného typu holštýnských jalovic dobré vyhlídky na budoucí komerční využití a pro predikci hmotnostních přírůstků by mohly být použity buď laterální, nebo dorzální snímky. Ačkoli se ukázalo, že měření vlastností tělesné kondice je možné, modely stále potřebují vylepšení (Martins et al., 2020). Toto monitorování bylo také použito k automatickému měření fyzikálních vlastností telat vstupujících do AKB. 3-rozměrná kamera využívající technologii time-of-flight (měření doby návratu odraženého světla) přesně zaznamenávala míry výšky a hmotnosti, což naznačuje, že tato technologie by mohla být použita k automatickému sledování růstu telat.
- Budoucí vývoj
Kromě výše popsaných technologií existuje několik dalších zařízení, která prokázaly cenné aplikace u dospělého skotu nebo jiných druhů, a jsou tedy slibná pro použití v managementu telat, ale publikované studie o telatech jsou nedostatečné.
Vzorce pohybu skupin zvířat pomocí „optického toku“ a algoritmy na zaznamenaném videu by mohly předpovídat například vyklovávání peří u nosnic (Lee et al., 2011) a kousání ocásků u prasat (Li et al., 2020). Velkou výhodou této technologie je, že vyhodnocuje pohyb celé skupiny (tj. nevyžaduje identifikaci jednotlivých zvířat). Tato technika by mohla být také použita ve stájích pro dojnice k identifikaci a předpovídání propuknutí onemocnění zachycením změn nebo projevů abnormálního chování u telat.
Dalším bodem ve vývoji je lokalizace telat v reálném čase. V minulosti byly lokalizační systémy v reálném čase používány převážně v zařízeních pro péči o lidi a v zařízeních na zpracování produktů pro sledování polohy personálu a vybavení, když procházejí zařízením (Islam et al., 2018). Taková zařízení mohou automaticky zaznamenávat polohu zvířat, například místní polohování bylo použito k lokalizaci mléčného skotu ve stáji a takový systém je již komerčně dostupný pro dospělá zvířata (Wolfger et al., 2017). Využití prostoru zvířetem může poskytnout informace o jeho zdraví a dobrých životních podmínkách, díky čemuž jsou lokalizační informace v reálném čase užitečnou technologií. Kupříkladu „chromé krávy“ lze identifikovat podle změn v čase u krmného stolu a podle denní vzdálenosti ujité ve stáji (Barker et al., 2018). Využití konkrétních částí stáje hospodářskými zvířaty může indikovat konstrukční nedostatky (např. přetlak ve vstupních prostorech, krmišti nebo napajedlu), ventilaci a problémy související s tepelným stresem nebo používání stájí, např. delší doba strávená úplným stáním uvnitř stáje u jalovic s diagnózou metritidy (Lomb et al., 2018). V těchto případech lze sledování polohy použít k určení obsazenosti určitých oblastí stáje, které mohou ovlivnit pohodu dospělého skotu. Podobné aplikace mohou být použité u telat, kde by lokalizace v reálném čase mohla být užitečná pro sledování zdravotního stavu.
Vývoj softwaru a algoritmů pro identifikaci a klasifikaci vokalizací je zajímavý vývoj v jiných odvětvích živočišné výroby. Akustická analýza amplitudy zvuku produkovaného prasaty může nabídnout pohled na jejich reakce na změny jejich prostředí a změny, jak stárnou nebo dokáží detekovat kašel u selat (Cordeiro et al., 2018). Akustická analýza záběrů z webové kamery zaznamenaných v porodním kotci byla použita k identifikaci a prevenci usmrcení selat (Manteuffel et al., 2017). Tento koncept byl také aplikován na monitorování a analýzu kašle u mléčných telat (Ferrari et al., 2010), který by mohl být rozšířen na automatizovanou detekci respiračních onemocnění. Akustická analýza vokalizací může také nabídnout informace o emoční valenci a vzrušení u několika druhů savců, včetně pozitivních a negativních valenčních vokalizace u skotu, prasat, koní a koz. Je zvláště zajímavé, že analýza pozitivní a negativní vokalizace patřící konkrétním jedincům u skotu naznačuje, že vokalizace jsou individuálně odlišné (Green et al., 2020). Telata hlasově reagují na hlad, a proto by akustická analýza mohla hrát roli při měření stresu spojeného s odstavem, kdy je míra hlasitosti u telat nejčastější a nejvyšší.
Bolusy na měření pH v bachoru mohou být užitečné pro sledování telat, zejména jejich metabolického stavu během odstavu. K bachorové acidóze dochází u telat během odstavu, ale poskytování píce, jako je seno, může zmírnit dobu strávenou pod specifickou prahovou hodnotou pH. Kromě toho, poskytování dietní píce telatům mění genovou expresi a poměry profilu mastných kyselin, které jsou spojeny se zdravým bachorovým epitelem (Kim et al., 2016). Bolusy na měření bachorového pH byly ověřeny pro použití u ovcí ve srovnání s manuálním pH metrem, a proto vykazují potenciál pro použití u telat. Tato technologie však vyžaduje pravidelnou kalibraci, má velmi krátkou životnost, pouze týdny až několik měsíců. Navzdory těmto omezením ukazují bachorové pH metry slibné uplatnění při rozhodování o načasování a procesu odstavu jednotlivých telat.
Nedostatečně prozkoumanou oblastí pro použití nových systému v precizním zemědělství je sledování používání komfortních předmětů jako indikátoru pozitivního welfare. Je známo, že telata používají různé „obohacovací“ předměty, např. stacionární kartáče, lizy a plastové řetízky (Pempek a kol., 2017) a mechanické (automatické) kartáče na péči o srst (Horvath a Miller-Cushon, 2019). Je známo, že používání kartáčů klesá, když dospělé dojnice zažívají negativní stavy pohody, jako je bolest nebo nemoc (Moncada et al., 2020). K tomu může dojít také u telat, a proto může být automatické monitorování použití komfortních předmětů užitečné pro identifikaci pozitivních nebo negativních stavů welfare. Studie Toaff-Rosenstein et al. (2017) používala ke sledování používání kartáčů u jalovic radiofrekvenční identifikaci systému, ale příliš mnoho falešně pozitivních záznamů vedlo ke špatné validitě. V poslední době výzkumníci vyvinuli ultravysokofrekvenční systém začleněný radiofrekvenčního identifikačního systému se systémem snímače proudu pro detekci změn napětí, což ukazuje, zda byl kartáč zapnutý nebo vypnutý. Tento systém úspěšně eliminoval mnoho falešně pozitivních měření při používání kartáčů u telat (Falk et al., 2018).
Existuje mnoho dalších možností pro vývoj a aplikaci přesných technologií pro odchov telat. Rychlé tempo ve výzkumu tohoto oboru znamená, že se stále objevují nové trendy a integrace etologů, inženýrů a dalších odborníků, které je zásadní pro úspěšnou aplikaci technologií v prostředí farem. Všechny nové systémy mají své výhody a nevýhody, ale jen málo z nich je v současnosti užitečných pro dlouhodobé sledování jednotlivých zvířat.
- Závěr
Některé nové systémy jsou schopny monitorovat behaviorální a fyziologická projevy u mléčných telat, což má důležitý význam pro budoucnost chovů. Akcelerometry jsou vhodné pro krokovou aktivitu, ulehání, dobu ležení, dobu krmení, přežvykování a odpočinek telat. Automatizované systémy krmení telat mohou zaznamenávat různé způsoby krmení, včetně příjmu mléka a pevného krmiva, rychlosti krmení, doby krmení a počtu návštěv, kromě toho, že telatům dodávají konkrétní množství krmiva. Akcelerometry a AKB lze použít k identifikaci odchylek v chování souvisejících s nemocí a AKB mají další výhodu v individualizaci programů krmení a odstavu a sledování zdravotního stavu telat. Jiné systémy jsou schopny měřit tělesnou teplotu, srdeční frekvenci a tělesnou kondici telat, ale je nutný další vývoj softwaru, aby se tyto technologie rozšířily na farmách. Celkově má vývoj nových systému v precizním zemědělství potenciál sloužit jako vhodný nástroj přizpůsobením nutričního managementu, identifikací nemocí a sledováním pozitivních a negativních stavů welfare.
Seznam použité literatury
Ahloy-Dallaire, J., Espinosa, J., & Mason, G. (2018). Play and optimal welfare: Does play indicate the presence of positive affective states?. Behavioural processes, 156, 3-15.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., & Pugliese, C. (2022). Precision Livestock Farming technologies in pasture-based livestock systems. Animal, 16(1), 100429.
Astill, J., Dara, R. A., Fraser, E. D., Roberts, B., & Sharif, S. (2020). Smart poultry management: Smart sensors, big data, and the internet of things. Computers and Electronics in Agriculture, 170, 105291.
Barker, Z. E., Diosdado, J. V., Codling, E. A., Bell, N. J., Hodges, H. R., Croft, D. P., & Amory, J. R. (2018). Use of novel sensors combining local positioning and acceleration to measure feeding behavior differences associated with lameness in dairy cattle. Journal of dairy science, 101(7), 6310-6321.
Benetton, J. B., Neave, H. W., Costa, J. H. C., Von Keyserlingk, M. A. G., & Weary, D. M. (2019). Automatic weaning based on individual solid feed intake: Effects on behavior and performance of dairy calves. Journal of dairy science, 102(6), 5475-5491.
Burfeind, O., Schirmann, K., Von Keyserlingk, M. A. G., Veira, D. M., Weary, D. M., & Heuwieser, W. (2011). Evaluation of a system for monitoring rumination in heifers and calves. Journal of dairy science, 94(1), 426-430.
Byrd, C. J., Craig, B. A., Eicher, S. D., Radcliffe, J. S., & Lay Jr, D. C. (2019). Assessment of disbudding pain in dairy calves using nonlinear measures of heart rate variability. Journal of dairy science, 102(9), 8410-8416.
Cantor, M. C., Costa, J. H., & Bewley, J. M. (2018). Impact of observed and controlled water intake on reticulorumen temperature in lactating dairy cattle. Animals, 8(11), 194.
Cantor, M. C., Pertuisel, C. H., & Costa, J. H. (2020). Estimating body weight of dairy calves with a partial-weight scale attached to an automated milk feeder. Journal of dairy science, 103(2), 1914-1919.
Cordeiro, A. F. D. S., Nääs, I. D. A., da Silva Leitão, F., de Almeida, A. C., & de Moura, D. J. (2018). Use of vocalisation to identify sex, age, and distress in pig production. Biosystems engineering, 173, 57-63.
Costa, J., H., C., Cantor, M., C., & Neave, H., W. (2021). Symposium review: Precision technologies for dairy calves and management applications. Journal of Dairy Science, 104(1), 1203-1219.
Davis, T., C., & White, R., R. (2020). Breeding animals to feed people: The many roles of animal reproduction in ensuring global food security. Theriogenology, 150, 27-33.
Ede, T., Lecorps, B., von Keyserlingk, M. A., & Weary, D. M. (2019). Symposium review: Scientific assessment of affective states in dairy cattle. Journal of Dairy Science, 102(11), 10677-10694.
Falk, M. L., Cantor, M. C., Costa, J., Hayes, M., & Jackson, J. (2018). Validation of radio frequency identification with a current transducer to quantify the use of an automatic grooming brush in pre-weaned dairy calves. In 10th International Livestock Environment Symposium (ILES X) (p. 1). American Society of Agricultural and Biological Engineers.
Ferrari, S., Piccinini, R., Silva, M., Exadaktylos, V., Berckmans, D., & Guarino, M. (2010). Cough sound description in relation to respiratory diseases in dairy calves. Preventive veterinary medicine, 96(3-4), 276-280.
Green, P. A., Brandley, N. C., & Nowicki, S. (2020). Categorical perception in animal communication and decision-making. Behavioral Ecology, 31(4), 859-867.
Hill, T. M., Suarez-Mena, F. X., Hu, W., Dennis, T. S., Schlotterbeck, R. L., Timms, L. L., & Hulbert, L. E. (2017). Evaluation of an ear-attached movement sensor to record rumination, eating, and activity behaviors in 1-month-old calves. The Professional Animal Scientist, 33(6), 743-747.
Hixson, C. L., Krawczel, P. D., Caldwell, J. M., & Miller-Cushon, E. K. (2018). Behavioral changes in group-housed dairy calves infected with Mannheimia haemolytica. Journal of dairy science, 101(11), 10351-10360.
Horvath, K. C., & Miller-Cushon, E. K. (2019). Characterizing grooming behavior patterns and the influence of brush access on the behavior of group-housed dairy calves. Journal of Dairy Science, 102(4), 3421-3430.
Islam, M. S., Hasan, M. M., Wang, X., Germack, H. D., & Noor-E-Alam, M. (2018). A systematic review on healthcare analytics: application and theoretical perspective of data mining. In Healthcare, 6(2), 54.
Kertz, A. F., Hill, T. M., Quigley Iii, J. D., Heinrichs, A. J., Linn, J. G., & Drackley, J. K. (2017). A 100-Year Review: Calf nutrition and management. Journal of dairy science, 100(12), 10151-10172.
Kim, Y. H., Toji, N., Kizaki, K., Kushibiki, S., Ichijo, T., & Sato, S. (2016). Effects of dietary forage and calf starter on ruminal pH and transcriptomic adaptation of the rumen epithelium in Holstein calves during the weaning transition. Physiological genomics, 48(11), 803-809.
Knauer, W. A., Godden, S. M., Dietrich, A., & James, R. E. (2017). The association between daily average feeding behaviors and morbidity in automatically fed group-housed preweaned dairy calves. Journal of Dairy Science, 100(7), 5642-5652.
Knauer, W. A., Godden, S. M., Dietrich, A., Hawkins, D. M., & James, R. E. (2018). Evaluation of applying statistical process control techniques to daily average feeding behaviors to detect disease in automatically fed group-housed preweaned dairy calves. Journal of dairy science, 101(9), 8135-8145.
Lee, H. J., Roberts, S. J., Drake, K. A., & Dawkins, M. S. (2011). Prediction of feather damage in laying hens using optical flows and Markov models. Journal of the Royal Society Interface, 8(57), 489-499.
Lee, Y., Bok, J. D., Lee, H. J., Lee, H. G., Kim, D., Lee, I., ... & Choi, Y. J. (2016). Body temperature monitoring using subcutaneously implanted thermo-loggers from Holstein steers. Asian-Australasian Journal of Animal Sciences, 29(2), 299.
Li, Y. Z., Johnston, L. J., & Dawkins, M. S. (2020). Utilization of optical flow algorithms to monitor development of tail biting outbreaks in pigs. Animals, 10(2), 323.
Lokhorst, C., De Mol, R. M., & Kamphuis, C. (2019). Invited review: Big Data in precision dairy farming. Animal, 13(7), 1519-1528.
Lomb, J., Weary, D. M., Mills, K. E., & Von Keyserlingk, M. A. G. (2018). Effects of metritis on stall use and social behavior at the lying stall. Journal of dairy science, 101(8), 7471-7479.
Lopreiato, V., Minuti, A., Cappelli, F. P., Vailati-Riboni, M., Britti, D., Trevisi, E., & Morittu, V. M. (2018). Daily rumination pattern recorded by an automatic rumination-monitoring system in pre-weaned calves fed whole bulk milk and ad libitum calf starter. Livestock Science, 212, 127-130.
Lowe, G., McCane, B., Sutherland, M., Waas, J., Schaefer, A., Cox, N., & Stewart, M. (2020). Automated collection and analysis of infrared thermograms for measuring eye and cheek temperatures in calves. Animals, 10(2), 292.
Lowe, G., Sutherland, M., Waas, J., Schaefer, A., Cox, N., & Stewart, M. (2019). Infrared thermography—A non-invasive method of measuring respiration rate in calves. Animals, 9(8), 535.
Lowe, G. L., Sutherland, M. A., Waas, J. R., Schaefer, A. L., Cox, N. R., & Stewart, M. (2019). Physiological and behavioral responses as indicators for early disease detection in dairy calves. Journal of dairy science, 102(6), 5389-5402.
Manteuffel, C., Hartung, E., Schmidt, M., Hoffmann, G., & Schön, P. C. (2017). Online detection and localisation of piglet crushing using vocalisation analysis and context data. Computers and Electronics in Agriculture, 135, 108-114.
Martins, B. M., Mendes, A. L. C., Silva, L. F., Moreira, T. R., Costa, J. H. C., Rotta, P. P., ... & Marcondes, M. I. (2020). Estimating body weight, body condition score, and type traits in dairy cows using three dimensional cameras and manual body measurements. Livestock science, 236, 104054.
McCorkell, R., Wynne-Edwards, K., Windeyer, C., & Schaefer, A. (2014). Limited efficacy of Fever Tag® temperature sensing ear tags in calves with naturally occurring bovine respiratory disease or induced bovine viral diarrhea virus infection. The Canadian Veterinary Journal, 55(7), 688.
Moncada, A. C., Neave, H. W., von Keyserlingk, M. A., & Weary, D. M. (2020). Use of a mechanical brush by dairy cows with chorioptic mange. Applied Animal Behaviour Science, 223, 104925.
Neethirajan, S. (2020). The role of sensors, big data and machine learning in modern animal farming. Sensing and Bio-Sensing Research, 29, 100367.
Pempek, J. A., Eastridge, M. L., & Proudfoot, K. L. (2017). The effect of a furnished individual hutch pre-weaning on calf behavior, response to novelty, and growth. Journal of Dairy Science, 100(6), 4807-4817.
Robert, B., White, B. J., Renter, D. G., & Larson, R. L. (2009). Evaluation of three-dimensional accelerometers to monitor and classify behavior patterns in cattle. Computers and Electronics in Agriculture, 67(1-2), 80-84.
Rodrigues, J. P. P., Pereira, L. G. R., Neto, H. D. C. D., Lombardi, M. C., de Assis Lage, C. F., Coelho, S. G., ... & Campos, M. M. (2019). Evaluation of an automatic system for monitoring rumination time in weaning calves. Livestock Science, 219, 86-90.
Roland, L., Lidauer, L., Sattlecker, G., Kickinger, F., Auer, W., Sturm, V., ... & Iwersen, M. (2018). Monitoring drinking behavior in bucket-fed dairy calves using an ear-attached tri-axial accelerometer: A pilot study. Computers and Electronics in Agriculture, 145, 298-301.
Studds, M. J., Deikun, L. L., Sorter, D. E., Pempek, J. A., & Proudfoot, K. L. (2018). The effect of diarrhea and navel inflammation on the lying behavior of veal calves. Journal of dairy science, 101(12), 11251-11255.
Sutherland, M. A., Lowe, G. L., Huddart, F. J., Waas, J. R., & Stewart, M. (2018). Measurement of dairy calf behavior prior to onset of clinical disease and in response to disbudding using automated calf feeders and accelerometers. Journal of Dairy Science, 101(9), 8208-8216.
Tan, H., Li, J., He, M., Li, J., Zhi, D., Qin, F., & Zhang, C. (2021). Global evolution of research on green energy and environmental technologies: A bibliometric study. Journal of Environmental Management, 297, 113382.
Toaff-Rosenstein, R. L., Velez, M., & Tucker, C. B. (2017). Use of an automated grooming brush by heifers and potential for radiofrequency identification-based measurements of this behavior. Journal of dairy science, 100(10), 8430-8437.
Wang, Y., Zhang, Y., Li, J., Lin, J. G., Zhang, N., & Cao, W. (2021). Biogas energy generated from livestock manure in China: Current situation and future trends. Journal of Environmental Management, 297, 113324.
Welboren, A., Leal, L., Steele, M., Khan, A., & Martín-Tereso, J. (2018). PSXVII-32 Late-Breaking: Weaning of ad libitum fed dairy calves with automated feeders using fixed and individual methods. Journal of Animal Science, 96(Suppl 3), 449.
Wiersma, F., & Stott, G. H. (1983). A technique for securing a temperature probe adjacent to the tympanic membrane in bovine. Transactions of the ASAE, 26(1), 185-0187.
Wolfger, B., Jones, B. W., Orsel, K., & Bewley, J. M. (2017). Evaluation of an ear-attached real-time location monitoring system. Journal of Dairy Science, 100(3), 2219-2224.
Zhang, M., Wang, X., Feng, H., Huang, Q., Xiao, X., & Zhang, X. (2021). Wearable Internet of Things enabled precision livestock farming in smart farms: A review of technical solutions for precise perception, biocompatibility, and sustainability monitoring. Journal of Cleaner Production, 312, 127712.
