Eit DairySust, per gestire lo stress da caldo

Figura 1 – In una stalla è sempre necessario monitorare i parametri termoigrometrici per poter adottare soluzioni per prevenire lo stress termico.

Un progetto europeo coordinato dall’Università di Bologna

Le condizioni psicofisiche delle vacche da latte esposte alle ondate di caldo rischiano di diventare sempre più critiche e, in uno situation di cambiamento climatico, le soluzioni gestionali per evitare shock e stress sono sempre più importanti nella conduzione di un allevamento. Inoltre, grazie alla ricerca scientifica, sono disponibili informazioni sempre più dettagliate sulle reazioni delle vacche allo stress da caldo in termini di fisiologia, comportamento e produttività.
Diversi studi hanno dimostrato che le vacche in fase avanzata di lattazione mostrano una maggiore suscettibilità allo stress da calore, con risposte marcate in termini di attività, rispetto a quelle in fase iniziale di lattazione. Inoltre, le vacche multipare esprimono risposte meno pronunciate in termini di attività e produzione rispetto a quelle primipare.

Apprendimento automatico

Infatti, l’accumulo nel tempo dell’esposizione allo stress da calore e le informazioni sulla produzione e sul comportamento delle singole vacche si sono rivelati fattori significativi per lo sviluppo di modelli predittivi basati sulla suscettibilità individuale degli animali allo stress.
I metodi statistici utilizzati in letteratura hanno dimostrato che la frequenza della mungitura, il numero dei parti, l’andamento della lattazione e le caratteristiche delle cuccette e del sistema di stabulazione sono fattori importanti responsabili dell’andamento della produzione casearia negli allevamenti.

stress da calore
Figura 2 – Screenshot del sito internet del progetto DairySust.

In questo contesto, gli algoritmi di apprendimento automatico sono già stati applicati in varie aree della ricerca zootecnica di precisione, in particolare per prevedere i dati di produzione e i parametri di benessere degli animali. Questi approcci rappresentano uno strumento promettente, utile per sviluppare e migliorare il supporto alle decisioni degli allevatori al wonderful di aumentare la produzione di latte e il benessere degli animali, da un lato, e, dall’altro, di ridurre le risorse necessarie, aumentando così la sostenibilità. del settore.

Una piattaforma informatica

In questo contesto è in fase di completamento il progetto europeo “Eit Meals DairySust”, operativo nel biennio 2021-2022, che verte sui “Large knowledge e analisi avanzate per la gestione sostenibile dell’allevamento bovino da latte” (vedi Informatore Zootecnico n. .12.2022, pagg. 28-31, Per massive knowledge latte e analisi avanzate).
Il progetto è portato avanti da un consorzio coordinato dal gruppo di ricerca in Edilizia Rurale dell’Università di Bologna e comprende il laboratorio di tecnologie per la zootecnia della divisione di ingegneria animale e della salute umana del Dipartimento di Biosistemi dell’Università di Katholieke Leuven (Belgio), la startup innovativa Agricolus, le società belghe Flanders’ Meals e Innovatiesteunpunt.

stress da calore
Figura 2 – Screenshot del sito internet del progetto DairySust.

Il principale risultato del progetto è una piattaforma digitale in grado di supportare i processi decisionali degli allevatori e dei professionisti coinvolti nel processo produttivo, migliorando il triangolo sostenibilità – benessere animale – produttività.

La raccolta di dati per creare un database

I dati raccolti in un campione di stalle italiane e belghe sono stati organizzati con l’obiettivo di definire un database di parametri comuni tra tutti quelli disponibili e utili per lo sviluppo di modelli di elaborazione.
I dati vengono importati in un server accessibile ai accomplice di progetto e, attraverso questo sistema, i accomplice sono in grado di scambiare, integrare e consolidare i dati. Le strategie di consolidamento utilizzano informazioni provenienti da numerous fonti per migliorare la qualità complessiva dei dati.
I dati vengono quindi organizzati in un database PostgreSQL utilizzato per alimentare gli algoritmi di previsione.
In particolare, il modulo stress termico utilizza principalmente i dati relativi al riposo degli animali, alla produzione di latte e ai dati ambientali (temperatura e umidità relativa). I dati ambientali sono un aspetto fondamentale e quindi devono essere raccolti nel modo più accurato possibile.

La piattaforma DairySust e il modulo di stress termico

Come accennato, il software program DairySust rappresenta un sistema di supporto alle decisioni in grado di indirizzare il lavoro di diversi attori della filiera casearia, in primis tecnici e allevatori.


Oggi un story sistema è indispensabile prima di tutto per evidenziare i fattori chiave per una corretta gestione della mandria: sulla base dell’analisi della situazione, anche in caso di modifiche rispetto ai piani prestabiliti, il miglior la decisione è chiaramente identificata per fornire una risposta immediata. e per garantire una corretta allocazione delle risorse.
In questo contesto, i dati costituiscono la risorsa principale e la loro acquisizione e interpretazione rappresentano passaggi fondamentali.
Le informazioni raccolte e generate nella piattaforma DairySust comprendono ampi dataset riguardanti la mandria, i parametri di gestione, i parametri ambientali di produzione delle singole vacche, la qualità del latte, il livello di benessere e salute degli animali. DairySust è sviluppato con linguaggi di programmazione commonplace e utilizzando strumenti di installazione e controllo versione consentiti nella piattaforma Agricolus.
I dati vengono raccolti e poi trasferiti in cartelle organizzate organigrammi che consentono la tracciabilità e la riproducibilità del trattamento effettuato.
Le principali caratteristiche del sistema, in termini di preferenze degli utenti finali, sono state particular sulla base di consultazioni con gli agricoltori, svolte attraverso un approccio di co-creazione partecipata. La piattaforma presenta quindi le seguenti caratteristiche:
– dashboard moderno e intuitivo su desktop e app;
– interfaccia user-friendly e intuitiva con elevata accessibilità;
– possibilità di visualizzare i dati aggiornati attraverso una varietà di report;
– condivisione dei dati grazie alle opzioni di scambio di informazioni;
– generazione di liste attività giornaliere/settimanali;
– configurazione personalizzata e dati di allevamento precaricati;
– creazione automatica di report;
– backup dei dati.

Nel complesso, il software program è strutturato per fornire i seguenti risultati:
– previsione della produzione di latte in relazione a parametri ambientali e stress da caldo;
– individuazione di vacche che soffrono di stress da caldo;
– misurazione della resa e della qualità del latte per ogni vacca e monitoraggio della composizione del latte;
– rilevamento preciso del calore e monitoraggio della fertilità della vacca;
– monitoraggio del benessere degli animali.

Criteri e algoritmi di analisi dei dati

L’algoritmo per identificare lo stress termico si basa su tre indicatori. Il primo è la differenza di produzione relativa, il secondo è basato sul tempo di riposo giornaliero mentre il terzo è un indice di disagio (o disagio). Questi tre indici sono stati sviluppati e messi a punto durante il progetto e forniscono, se utilizzati in modo simultaneo e integrato, un’indicazione dello stato di stress termico o meno per la singola vacca da latte.

Il modulo di stress termico si avvale di due modelli principali: il primo (a) è utilizzato per la stima della produzione di latte, il secondo (b) per l’identificazione degli animali in stress da calore.
a) Modello numerico per la valutazione dell’impatto dello stress termico: previsione della produzione di latte in relazione a parametri ambientali
L’algoritmo utilizzato per valutare una previsione della produzione giornaliera di latte di una singola vacca, considerando le condizioni ambientali, elabora i dati disponibili utilizzando l’algoritmo Random Forest, un metodo di apprendimento automatico d’insieme che effettua previsioni calcolando la media delle previsioni fornite da più modelli casuali indipendenti.
L’algoritmo è progettato come un metodo per combinare diversi alberi di classificazione e regressione, come suggerisce il nome, con ogni albero che dipende da una raccolta di variabili casuali. Nel presente caso, l’algoritmo è stato utilizzato a fini di regressione per stabilire il modello numerico che meglio si adatta ai dati di ciascuna vacca.
L’algoritmo permette di valutare la resa di latte giornaliera attesa in presenza di effetti di stress termico, per ogni singola vacca. Consente inoltre di quantificare gli effetti dei livelli critici di THI sulla produzione di latte e, infine, di valutare le conseguenze degli scenari di cambiamento climatico sulla produzione sulla base di proiezioni di parametri termoigrometrici calcolati dai dati climatici.
b) Modello numerico per la valutazione di animali in stress termico
L’algoritmo utilizzato per valutare gli animali sottoposti a stress termico utilizza la rilevazione delle anomalie dei dati di produzione di un singolo animale, con riferimento alle condizioni climatiche, rispetto ai dati medi ottenuti per la mandria, presi come riferimento.
La linea di base è definita come il miglior adattamento ai dati di produzione di una funzione che descrive numericamente l’andamento tipico della curva di lattazione. L’indice di disagio è una misura dello stress termico accumulato dagli animali nei vari giorni.
Viene quindi determinata una situazione di anomalia, per una singola vacca per un determinato giorno, quando vengono rilevate contemporaneamente le tre condizioni: diminuzione della produzione, diminuzione del tempo di riposo giornaliero della vacca al di sotto di un limite di riferimento, in base ai valori di sintesi della mandria; alto indice di disagio. I parametri utilizzati per definire i valori soglia sono impostati dagli sviluppatori sulla base di dati di validità generale, ma possono essere personalizzati dagli utenti (allevatori, veterinari, tecnici, ecc.).
Il verificarsi di una condizione di anomalia per una mucca generica indica che l’animale ha sofferto di stress da caldo quel giorno. Il numero totale di giorni in cui sono state rilevate le deviazioni e la loro distribuzione temporale possono aiutare l’allevatore advert identificare le vacche più suscettibili allo stress e a comprendere gli effetti delle condizioni microclimatiche della stalla e quindi l’efficacia dei sistemi di raffreddamento adottati. Gli output della piattaforma forniscono quindi un supporto per migliorare sia la gestione del controllo ambientale che quella della mandria stessa.

Esempio applicativo della piattaforma

Sulla base degli algoritmi descritti, la piattaforma restituisce una panoramica delle condizioni di stress termico rilevate o meno per ciascuna vacca (Figura 4).
Per ogni vacca è quindi possibile accedere advert una specifica scheda (Figura 5). Questa pagina fornisce una panoramica delle condizioni di stress da caldo degli ultimi cinque giorni, utile per avere un riepilogo delle dinamiche in atto riguardo alle condizioni dell’animale. Una resa più dettagliata dei fenomeni è offerta dalla rappresentazione grafica dei dati storici dell’andamento THI della stalla e della produzione giornaliera della vacca in esame nell’attuale lattazione, riportati in calce alla scheda.
Infine, utilizzando il modello Random Forest sopra descritto, viene riportato il valore della produzione giornaliera di latte attesa per il giorno successivo, unitamente al livello di affidabilità della previsione.
La piattaforma DairySust consente quindi di effettuare elaborazioni che, utilizzando sofisticati modelli numerici, elevano il livello delle informazioni disponibili grazie ai dati acquisiti dai dispositivi elettronici presenti in un moderno fienile. Il modulo sullo stress da caldo, in particolare, permette di avere sotto controllo la situazione di tutte le vacche, nonché i parametri climatici complessivi.
Un approccio simile, basato sull’applicazione di modelli numerici innovativi per l’elaborazione dei dati disponibili, preventivamente adeguatamente organizzati, caratterizza anche gli altri moduli della piattaforma informatica, che verranno descritti nei prossimi articoli.

Gli autori sono dell’Università di Bologna, Dipartimento di Scienze e Tecnologie Agroalimentari (Distale) – Ingegneria Agraria.

Leave a Comment

A note to our visitors

This website has updated its privacy policy in compliance with changes to European Union data protection law, for all members globally. We’ve also updated our Privacy Policy to give you more information about your rights and responsibilities with respect to your privacy and personal information. Please read this to review the updates about which cookies we use and what information we collect on our site. By continuing to use this site, you are agreeing to our updated privacy policy.