Prognozowanie w czasie rzeczywistym epizodów beknięć u bydła za pomocą drgań głowy i uczenia maszynowego w urządzeniu IoT do noszenia

Dlaczego beknięcia krów mają znaczenie dla klimatu

Większość osób nie zastanawia się nad beknięciem krowy, ale te krótkie porywy gazu sumują się do istotnego problemu klimatycznego. Krowy i inne zwierzęta pastewne emitują duże ilości metanu — gazu zatrzymującego ciepło, który w krótkim okresie działa dużo silniej niż dwutlenek węgla. Dzisiejsze najlepsze narzędzia do pomiaru tego metanu są jednak kosztowne, nieporęczne i często wymagają wyprowadzania zwierząt z normalnych pastwisk. W tym badaniu przedstawiono nowy sposób obserwacji beknięć związanych z metanem w czasie rzeczywistym przy użyciu lekkiego kantara na głowę i inteligentnych algorytmów, co wskazuje drogę do tańszego i bardziej humanitarnego monitoringu klimatu na farmach.

Inteligentny kantar dla krów pasących się

Naukowcy zaprojektowali specjalny kantar, który krowa może nosić podczas swobodnego poruszania się i karmienia. W paskach nad pyskami, szyją i karkiem umieszczono drobne czujniki ruchu, które wychwytują subtelne drgania głowy zwierzęcia. Mały czujnik gazu można umieścić przed nosem, by wykrywać metan, a cała elektronika mieści się na kompaktowej płytce zasilanej niewielką baterią. System wysyła dane bezprzewodowo do telefonu lub tabletu, gdzie dedykowana aplikacja wyświetla napływające sygnały i zapisuje je do późniejszej analizy. Całe urządzenie waży mniej więcej tyle co lekka obroża, więc krowy mogą poruszać się i paść naturalnie.

Przekształcanie beknięć w dane

Aby nauczyć system, jak wygląda beknięcie w postaci danych, zespół najpierw potrzebował wiarygodnych przykładów. Użyto czujnika metanu do oznaczania momentów, gdy poziom gazu przy nosie krowy gwałtownie wzrastał ponad wartości tła. Każdy z tych skoków wskazywał prawdopodobny epizod beknięcia. Równocześnie czujniki ruchu rejestrowały, jak głowa krowy poruszała się i drgała. Naukowcy podzielili te zapisy ruchu na krótkie okna czasowe wokół każdego skoku metanu i policzyli proste podsumowania — np. jak duże, jak zmienne i jak długie były drgania w każdym kierunku. Te podsumowania stały się składnikami wprowadzanymi do modeli komputerowych, aby rozróżnić okna „beknięć” od normalnych zachowań.

Nauczanie maszyn rozpoznawania beknięć

Mając takie oznakowane dane, zespół przetestował zestaw metod uczenia maszynowego, w tym drzewa decyzyjne, lasy losowe, metody wzmacniania i sieci neuronowe. W pierwszych testach na dwóch krowach i trzech lokalizacjach czujników modele korzystające z danych ze wszystkich trzech czujników głowy sprawdzały się najlepiej, poprawnie identyfikując okna związane z beknięciami w około trzech czwartych przypadków. Później badacze rozszerzyli testy do siedmiu krów i skoncentrowali się na jednym, dobrze umieszczonym czujniku, co utrudniło zadanie z powodu indywidualnych różnic w ruchach zwierząt. Nawet wtedy zwarty model sieci neuronowej wciąż osiągał wyniki lepsze niż losowe i poprawnie wykrywał wiele zdarzeń w nowych danych. Co ważne, finalne modele zostały skompresowane na tyle, by działać bezpośrednio na małych, niskomocowych układach, pozwalając kantarowi dokonywać prognoz na miejscu bez stałego dostępu do internetu.

Wyzwania w terenie

Wykrywanie beknięć na pastwisku jest trudniejsze, niż się wydaje. Beknięcia występują stosunkowo rzadko w porównaniu ze wszystkimi momentami, gdy krowa po prostu stoi, leży, chodzi lub żuje. Oznacza to, że dane są silnie niezrównoważone: na każde prawdziwe beknięcie przypada wiele zdarzeń niebędących beknięciami. Zespół rozwiązał to, starannie dobierając i nakładając okna czasowe podczas treningu, tak aby modele zobaczyły wystarczająco dużo pozytywnych przykładów. Sprawdzili też, jak system działa w naturalnych warunkach, gdzie niezdarzenia znacznie przewyższają liczbę beknięć. W tym trudniejszym scenariuszu ich najlepszy model nadal wyławiał znacznie więcej prawdziwych zdarzeń niż losowy wybór, kosztem pewnej liczby fałszywych alarmów. Testy na poszczególnych krowach wykazały, że niektóre zwierzęta były łatwiejsze do klasyfikacji niż inne, co podkreśla potrzebę większych i bardziej zróżnicowanych zbiorów danych w przyszłych pracach.

Co to oznacza dla czystszej hodowli

Mówiąc prościej, badanie pokazuje, że można słuchać ruchów głowy krowy zamiast nieustannie mierzyć gaz i mimo to uzyskać użyteczny obraz tego, kiedy pojawiają się beknięcia bogate w metan. Obecny system nie zastępuje jeszcze metod wzorcowych i wykrywa zdarzenia definiowane przez skoki metanu, a nie bezpośrednio mierzy dokładną ilość uwolnionego gazu. Jednak oferuje obiecujący, niedrogi sposób aktywowania bardziej energochłonnych czujników metanu tylko podczas prawdopodobnych beknięć, wydłużenia żywotności baterii i monitorowania zwierząt bez zamykania ich w komorach. Przy większej liczbie zwierząt, dłuższych próbach i dokładniejszym powiązaniu z uznanymi metodami pomiarowymi tego typu inteligentny kantar może stać się częścią praktycznych, przyjaznych zwierzętom narzędzi pomagających rolnikom i naukowcom śledzić i ostatecznie ograniczać emisje metanu ze stada.

Cytowanie: 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

Słowa kluczowe: metan w hodowli, czujniki noszone, uczenie maszynowe, rolnictwo precyzyjne, gazy cieplarniane