Realtime voorspelling van ructus‑gebeurtenissen bijvee met hoofdtrillingen en machine learning in een IoT‑draagbaar apparaat

Waarom boerenscheten belangrijk zijn voor het klimaat

De meeste mensen staan niet stil bij een koeienructus, maar deze kleine gasuitstoten lopen stilletjes op tot een groot klimaatprobleem. Koeien en andere grazende dieren stoten aanzienlijke hoeveelheden methaan uit, een warmtevasthoudend gas dat op korte termijn veel krachtiger is dan koolstofdioxide. De huidige beste meetinstrumenten voor dit methaan zijn echter duur, log en vereisen vaak dat dieren uit hun normale weilanden worden gehaald. Deze studie presenteert een nieuwe manier om methaangerelateerde ructus in realtime te volgen met een lichtgewicht kophalster en slimme algoritmen, wat wijst op goedkopere en diervriendelijkere klimaatmonitoring op boerderijen.

Een slim halster voor grazende koeien

De onderzoekers ontwierpen een speciaal halster dat een koe kan dragen terwijl ze normaal rondloopt en graast. In de banden over de muil, nek en nekplooi zijn kleine bewegingssensoren ingebouwd die subtiele trillingen in het hoofd van het dier waarnemen. Een kleine gassensor kan voor de neus worden geplaatst om methaan te detecteren, en alle elektronica zit op een compact printplaatje dat wordt gevoed door een kleine batterij. Het systeem stuurt draadloos gegevens naar een telefoon of tablet, waar een aangepaste app de binnenkomende signalen toont en opslaat voor latere analyse. De hele opstelling weegt ongeveer evenveel als een lichte halsband, zodat de koeien zich natuurlijk kunnen bewegen en grazen.

Van ructus naar data

Om het systeem te leren hoe een ructus eruitziet in data, had het team eerst betrouwbare voorbeelden nodig. Ze gebruikten de methaansensor om momenten te markeren waarop de gasniveaus bij de neus van de koe scherp boven de achtergrondwaarden stegen. Elk van deze pieken gaf vermoedelijk een ructus aan. Tegelijk registreerden de bewegingssensoren hoe het hoofd van de koe bewoog en trilde. De wetenschappers sneden deze bewegingsopnamen in korte tijdvensters rond elke methaanpiek en berekenden eenvoudige samenvattingen van de bewegingen—zoals hoe groot, hoe variabel en hoe lang de trillingen in elke richting waren. Deze samenvattingen werden de ingrediënten die in computermodellen werden gevoerd om „ructus”-vensters te onderscheiden van normaal gedrag.

Machines leren ructus te herkennen

Met deze gelabelde data probeerde het team een reeks machine‑learningmethoden, waaronder beslisbomen, random forests, boostingmethoden en neurale netwerken. In hun eerste tests met twee koeien en drie sensorlocaties presteerden modellen die data van alle drie de hoofd‑sensoren gebruikten het beste, en identificeerden ze ructus‑gerelateerde vensters in ongeveer driekwart van de gevallen correct. Later breidden de onderzoekers hun tests uit naar zeven koeien en concentreerden ze zich op één goed geplaatste sensor, wat de taak moeilijker maakte omdat dieren verschillen in hun bewegingen. Zelfs dan presteerde een compact neuraal netwerkmodel nog beter dan toeval en detecteerde het veel gebeurtenissen in nieuwe data. Belangrijk is dat de eindmodellen genoeg waren gecomprimeerd om direct op kleine energiezuinige chips te draaien, waardoor het halster ter plekke voorspellingen kan doen zonder constante internetverbinding.

Praktische uitdagingen in het veld

Ructus detecteren in een weiland is lastiger dan het klinkt. Ructus komt relatief zelden voor vergeleken met alle momenten waarop een koe simpelweg staat, ligt, loopt of kauwt. Dat betekent dat de data sterk onevenwichtig zijn: voor elke echte ructus zijn er veel niet‑gebeurtenissen. Het team pakte dit aan door tijdens het trainen zorgvuldig tijdvensters te selecteren en te overlappen zodat de modellen genoeg positieve voorbeelden zagen. Ze controleerden ook hoe goed het systeem presteerde onder natuurlijke omstandigheden waarin niet‑gebeurtenissen de overhand hebben. In die zwaardere setting pikte hun beste model nog steeds veel meer echte gebeurtenissen uit dan een willekeurige gok, zij het ten koste van enkele valse alarmen. Tests over individuele koeien toonden dat sommige dieren gemakkelijker te classificeren waren dan andere, wat de behoefte aan grotere en gevarieerdere datasets in toekomstig werk benadrukt.

Wat dit betekent voor schonere veeteelt

In eenvoudige termen laat deze studie zien dat je kunt luisteren naar de hoofdbewegingen van een koe in plaats van voortdurend rechtstreeks gas te meten en toch een nuttig beeld krijgt van wanneer methaanrijke ructus optreden. Het huidige systeem vervangt nog niet de gouden standaardinstrumenten en detecteert gebeurtenissen die zijn gedefinieerd door methaanpieken in plaats van rechtstreeks de exacte hoeveelheid uitgestoten gas te bewijzen. Maar het biedt een veelbelovende, goedkope manier om energieverslindende methaansensoren alleen tijdens waarschijnlijke ructus wakker te maken, de batterijduur te verlengen en dieren te monitoren zonder ze in kamers te plaatsen. Met meer dieren, langere proeven en nauwere koppelingen aan gevestigde meetmethoden zou dit soort slimme halster deel kunnen worden van praktische, diervriendelijke hulpmiddelen die boeren en wetenschappers helpen methaan uit de veehouderij te volgen en uiteindelijk te verminderen.

Bronvermelding: Moncayo, J., Velasquez, M.L., Riveros, P.E. et al. Real-time eructation event prediction in livestock using head vibrations and machine-learning in an IoT wearable device. Sci Rep 16, 9099 (2026). https://doi.org/10.1038/s41598-026-42728-0

Trefwoorden: methaan in vee, draagbare sensoren, machine learning, precisielandbouw, broeikasgassen