Prediction and geolocation of the main behaviours of dairy cows from on-board accelerometer and GPS sensors: a relevant approach to explore environment-related behaviour on pasture
Prédiction et géolocalisation des principaux comportements des vaches laitières à partir de capteurs accéléromètres et GPS embarqués, une approche pertinente pour relier le comportement avec les conditions de pâturage
Résumé
Continuous prediction of dairy cow behaviours associated with their position should be a relevant approach to explore dairy cow behaviours in relation to their environment. Our study proposes a methodology that allows robust prediction of the main grazing behaviours of dairy cows using on-board accelerometers. The methodology developed is based on unexplored signal processing techniques for recognizing ruminant behaviours, combined with a combination of algorithms involving the complementarity between machine learning methods and probabilistic models. It guarantees reliable prediction for a wide range of dairy cow grazing behaviours (percentage of accuracy: 98%; Cohen's Kappa: 0.96). The methodology, coupled with data on the position of the animals in the pasture, is a waytobetter understand interactions between animals and their environment. The results of this methodological work open up many fields of study and application: observation and improvement of the performance, health and welfareof dairy cows on pasture, evaluation and reduction of environmental impacts.
La prédiction en continu des comportements des vaches laitières associés à leur position devrait constituer une approche pertinente pour explorer les comportements des vaches laitières en lien avec leur environnement. Nous décrivons une méthodologie qui permet de prédire de façon robuste les principaux comportements des vaches laitières au pâturage à partir d’accéléromètres embarqués. La méthodologie développée s’appuie sur des techniques de traitement du signal non explorées en reconnaissance de comportements de ruminants, associées à une combinaison d’algorithmes qui met en jeu la complémentarité entre des méthodes de machine learning et des modèles probabilistes. Elle garantit une prédiction fiable pour un large spectre de comportements des vaches laitières au pâturage (pourcentage de bon classement: 98 %; Kappa de Cohen: 0,96). La méthodologie, couplée avec des données de position des animaux dans la prairie, est un moyen de mieux comprendre les interactions entre les animaux et leur environnement. Les résultats de ces travaux méthodologiques ouvrent vers de nombreux champs d’études et d’application: observation et amélioration des performances, de la santé et du bien-être des vaches laitières au pâturage, évaluation et réduction des impacts environnementaux.
| Origine | Fichiers éditeurs autorisés sur une archive ouverte |
|---|