Klassifisering av adferd hos kalver på beite ved bruk av akselerometer

Abstract

Samfunnet stiller stadig større krav til husdyrprodusenter, spesielt innen norsk storfehold hvor det er et ønske om større grad av kontakt mellom ku og kalv. Økt bruk av beite og bærekraftig utnyttelse av naturressurser er også prioritert. Det er derfor et behov for å kartlegge helse-, adferd-, og velferdsforhold i større grad enn før.

Manuelle adferdsobservasjoner er både kostbart og upraktisk å gjennomføre i mange tilfeller. Problemstillingen i denne studien var å undersøke om akselerometer kan gi mer nøyaktige resultater enn manuelle feltobservasjoner for klassifisering av adferd hos kalver, spesielt med fokus på langvarige adferder som ligging og ståing/gåing sammenlignet med kortvarige adferder som beiting. Data ble samlet inn fra kalver utstyrt med akselerometre. Feltobservasjoner ble gjort over flere uker, og adferdene ble klassifisert og analysert ved bruk av random forest-algoritmer for å predikere adferd.

Akselerometerdata viste seg å være effektive i klassifisering av kalvers adferd, spesielt langvarige adferder som ligging og ståing/gåing, som ble predikert med høy presisjon. Kortvarige adferder som beiting hadde lavere presisjon, men modellen ga fortsatt bedre resultater enn tilfeldig gjetning, noe som indikerer stort forbedringspotensial.

Bruken av akselerometerdata gir en mer objektiv og nøyaktig metode for å klassifisere adferd hos storfe sammenlignet med manuelle observasjoner. Dette kan bidra til bedre dyrevelferd og mer effektiv driftsstyring.

Akselerometer kan brukes effektivt til å klassifisere adferd hos kalver, og denne metoden kan forbedre forståelsen av dyrevelferd og bidra til mer effektive driftsmetoder.

Society is placing ever-greater demands on livestock producers, particularly in Norwegian cattle farming where there is a desire for greater contact between cow and calf. Increased use of grazing and sustainable utilisation of natural resources are also prioritised. There is therefore a need to map health, behaviour, and welfare conditions to a greater extent than before.

Manual behavioural observations are both costly and impractical to carry out in many cases. The aim of this study was to investigate whether accelerometers can provide more accurate results than manual field observations for classifying calf behaviour, especially focusing on long-term behaviours such as lying and standing/walking compared to short-term behaviours such as grazing. Data was collected from calves equipped with accelerometers. Field observations were made over several weeks, and the behaviours were classified and analysed using random forest algorithms to predict behaviour.

Accelerometer data proved to be effective in classifying calf behaviour, especially long-term behaviours such as lying down and standing/walking, which were predicted with high precision. Short-term behaviours such as grazing had lower accuracy, but the model still outperformed random guessing, indicating great potential for improvement.

The use of accelerometer data provides a more objective and accurate method for classifying cattle behaviour compared to manual observations. This can contribute to better animal welfare and more efficient farm management.

Accelerometers can be used effectively to classify calf behaviour and this method can improve the understanding of animal welfare and contribute to more efficient farming practices.