IoT giyilebilir aygıtta baş titreşimleri ve makine öğrenmesi kullanarak hayvancılıkta gerçek zamanlı geğirme olayı tahmini

İnek Geğirmeleri İklim İçin Neden Önemli?

Çoğu insan bir ineğin geğirmesi üzerinde fazla düşünmez, oysa bu küçük gaz patlamaları sessizce büyük bir iklim sorunu yaratır. İnekler ve diğer otlayan hayvanlar, kısa vadede karbondioksite göre çok daha güçlü ısı tutucu bir gaz olan yüksek miktarda metan salar. Bugünün en iyi metan ölçüm araçları ise maliyetli, hantal ve çoğu zaman hayvanları normal meralarından çıkarmayı gerektirir. Bu çalışma, hafif bir baş koşumuna ve akıllı algoritmalara dayanan, metanla ilişkili geğirmeleri gerçek zamanlı olarak izlemenin yeni bir yolunu sunuyor; çiftliklerde daha ucuz ve hayvan dostu iklim izlemeye işaret ediyor.

Otlayan İnekler İçin Akıllı Bir Koşum

Araştırmacılar, ineğin dolaşırken ve normal şekilde beslenirken takabileceği özel bir koşum tasarladı. Burun, boyun ve ense üzerindeki kayışlara gömülü çok küçük hareket sensörleri, hayvanın başındaki ince titreşimleri algılıyor. Burun önüne yerleştirilebilen küçük bir gaz sensörü metanı koklayabiliyor ve tüm elektronikler küçük bir batarya ile beslenen kompakt bir devre kartında toplanıyor. Sistem verileri kablosuz olarak bir telefon veya tablete gönderiyor; burada özel bir uygulama gelen sinyalleri gösteriyor ve daha sonra analiz için saklıyor. Tüm düzenek hafif bir tasma ağırlığı kadar olduğundan inekler doğal şekilde hareket edip otlayabiliyor.

Geğirmeleri Veriye Dönüştürmek

Sisteme bir geğirmenin veride nasıl göründüğünü öğretmek için ekip önce güvenilir örneklere ihtiyaç duydu. Metan sensörünü, ineğin burnundaki gaz düzeyleri arka plan değerlerinin üstüne ani şekilde çıktığında işaretlemek için kullandılar. Bu tür her bir sıçrama muhtemel bir geğirme anını gösterdi. Aynı anda hareket sensörleri ineğin başının nasıl hareket ettiğini ve titreştiğini kaydetti. Bilim insanları sonra bu hareket kayıtlarını her metan sıçraması çevresinde kısa zaman pencerelerine böldü ve hareketlerin her yöndeki büyüklüğü, değişkenliği ve süresi gibi basit özetler hesapladı. Bu özetler, “geğirme” pencerelerini normal davranıştan ayırmak için bilgisayar modellerine beslenen girdiler oldu.

Makinelere Geğirmeyi Öğretmek

Etiketlenmiş veri elde edildikten sonra ekip karar ağaçları, rastgele ormanlar, boosting yöntemleri ve sinir ağları dahil bir dizi makine öğrenmesi yöntemi denedi. İki inek ve üç sensör konumunda yaptıkları ilk testlerde, üç baş sensöründen gelen verileri kullanan modeller en iyi performansı gösterdi ve geğirmeyle ilişkili pencereleri yaklaşık dörtte üç oranında doğru tanımladı. Daha sonra araştırmacılar testlerini yedi ineğe genişletti ve iyi yerleştirilmiş tek bir sensöre odaklandı; bu durum hayvanların hareketlerinin farklı olması nedeniyle sorunu zorlaştırdı. Buna rağmen, sıkıştırılmış bir sinir ağı modeli şansa kıyasla hâlâ daha iyi performans gösterdi ve yeni verilerde pek çok olayı doğru tespit etti. Önemli olarak, son modeller çok düşük güçlü küçük çipler üzerinde doğrudan çalışacak kadar sıkıştırıldı, böylece koşum internete sürekli bağlı olmadan yerinde tahminler yapabiliyor.

Sahadaki Gerçek Dünya Zorlukları

Bir merada geğirmeyi tespit etmek göründüğü kadar kolay değil. Geğirme, bir ineğin sadece ayakta durduğu, yattığı, yürüdüğü veya çiğnediği anlara kıyasla görece nadirdir. Bu da verilerin ciddi şekilde dengesiz olduğu anlamına geliyor: her gerçek geğirmeye karşı çok sayıda olay dışı an var. Ekip bunu, modellerin yeterli pozitif örnek görmesini sağlamak için eğitim sırasında zaman pencerelerini dikkatle seçip üst üste bindirerek ele aldı. Ayrıca sistemin, olay dışı anların geğirmeleri büyük ölçüde aştığı doğal koşullar altında nasıl çalıştığını test ettiler. Daha zor olan bu senaryoda bile en iyi modelleri rastgele tahminden çok daha fazla gerçek olayı ayırt etti; bunun bedeli olarak bazı yanlış alarmlar oldu. Bireysel inekler arasındaki testler bazı hayvanların sınıflandırılmasının diğerlerinden daha kolay olduğunu gösterdi; bu da gelecekte daha büyük ve daha çeşitli veri kümelerine ihtiyaç olduğunu vurguluyor.

Bu, Daha Temiz Çiftçilik İçin Ne Anlama Geliyor?

Basitçe söylemek gerekirse bu çalışma, metanı doğrudan sürekli ölçmek yerine ineğin baş hareketlerini dinleyerek metan açısından zengin geğirmelerin ne zaman gerçekleştiğine dair faydalı bir resim elde edilebileceğini gösteriyor. Mevcut sistem henüz altın standart enstrümanların yerini tutmuyor ve tespit ettiği olaylar doğrudan salınan gaz miktarını kanıtlamak yerine metan sıçramaları ile tanımlanıyor. Ancak bu yaklaşım, daha enerji tüketen metan sensörlerini yalnızca muhtemel geğirme anlarında uyandırarak pil ömrünü uzatma, hayvanları kafeslere kapatmadan izleme ve maliyetleri düşürme konusunda ümit veriyor. Daha fazla hayvan, daha uzun deneyler ve yerleşik ölçüm yöntemleriyle daha sıkı bağlantılarla bu tür akıllı koşumlar, pratik ve hayvan dostu araçların bir parçası olarak çiftçilere ve bilim insanlarına hayvancılıktaki metanı izleme ve nihayetinde azaltmada yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: hayvancılık metanı, giyilebilir sensörler, makine öğrenmesi, precizyon tarım, sera gazları