0
Obgryzanie ogonów u świń jest problemem związanym z dobrostanem zwierząt i należy mu zapobiegać, co pozwala uniknąć dalszych uszkodzeń tej części ciała. Jedną ze strategii może być przewidywanie epizodów gryzienia ogonów, aby hodowca mógł interweniować w określonych kojcach w odpowiednim czasie. Jeśli otrzyma informację, alarm, że świnie są narażone na duże ryzyko uszkodzenia ogona, będzie w stanie podjąć odpowiednie działania, aby zapobiec uszkodzeniom ogonów w określonych kojcach. W niniejszej pracy opracowano i przetestowano metodę przewidywania zdarzeń gryzienia ogonów w warunkach rzeczywistych. W metodzie wzięto pod uwagę zmiany w zachowaniu świń w piciu i temperaturze kojca. Dane z czujnika dotyczące zużycia wody (przepływ wody i częstotliwość aktywacji) oraz temperatury kojca (powyżej podłogi litej i rusztu) zostały uwzględnione przy opracowywaniu algorytmu prognozowania gryzienia ogonów. Etapy obejmowały modelowanie źródeł danych za pomocą dynamicznych modeli liniowych, optymalizację i szkolenie sztucznych sieci neuronowych oraz łączenie prognoz pojedynczych źródeł danych ze strategią zespołu bayesowskiego. Na koniec połączenie zestawu bayesowskiego przetestowano na osobnej partii tuczników w warunkach rzeczywistych. Ostateczny algorytm przewidywania miał AUC> 0,80, a zatem wydaje się, że możliwe jest przewidywanie zdarzeń gryzienia ogona na podstawie już dostępnych danych z czujnika. Metoda była w stanie zaalarmować hodowcę o 12 z 14 przypadków gryzienia ogona przed wystąpieniem poważnych zmian. Jednak hodowca dostał również fałszywe alarmy w 30% dni bez gryzienia ogonów, co nie jest optymalne. W ten sposób hodowca mógłby wykorzystać alarmy jako wskazania, na które kojce należy zwrócić większą uwagę. Następnym krokiem może być rozszerzenie metody o zmiany behawioralne, które są bardziej specyficzne dla gryzienia ogonów, takie jak zmiany postawy ogona świń.
Mona Lilian Vestbjerg Larsen, Lene Juul Pedersen and Dan Børge Jensen. Prediction of Tail Biting Events in Finisher Pigs from Automatically Recorded Sensor Data. Animals 2019, 9(7), 458; https://doi.org/10.3390/ani9070458
