CN109640640A - 监测牧草摄取量的系统 - Google Patents

Abstract

本公开涉及用于监测放牧动物物种的牧草摄取量的系统。该系统包括在空间上与动物的身体部分相关联的传感器，以生成指示与多个时间点相关联的动物的身体部分的移动的移动数据；以及处理服务器。处理服务器包括：数据接口，用于接收移动数据；以及处理器，被配置为评估接收到的移动数据，以针对多个时间点中的每个时间点确定动物在该时间点的行为的指示。基于该指示，处理器确定指示动物表现出的行为的时间的时间值，并且基于该时间值确定牧草摄取值。

Description

监测牧草摄取量的系统

技术领域

本公开涉及用于监测动物的牧草摄取量的系统。

背景技术

难以在任何规模上可靠地测量牧草的个体摄取量，这使得不能直接估计在不同环境条件下放牧牲畜的效率，或者更精确进行牲畜管理，特别是对于国家种畜群和禽群。

对本说明书中包含的文件、法案、材料、设备、物品等的任何讨论不应被视为承认任何或所有这些事项构成现有技术基础的一部分或者是在本申请的每个权利要求的优先权日之前存在的与本公开相关的领域的公知常识。

在整个说明书中，词语“包括”或其变体将被理解为暗示包括所述元素、整数或步骤，或者元素、整数或步骤的组，但是不排除任何其它元素、整数或步骤，或者元素、整数或步骤的组。

发明内容

一种用于监测牧草摄取量的传感器网络包括安装在相应动物上以发送与多个时间点相关联的监测数据的多个传感器以及处理服务器。处理服务器包括：无线网络接口，用于接收监测数据；以及处理器，被配置为基于接收到的监测数据评估训练的机器学习模型，以确定动物是否正在多个时间点中的每个时间点放牧的指示，基于该指示，确定指示每个动物放牧时间的时间值，并基于该时间值确定牧草摄取值。

一种用于监测放牧动物物种的牧草摄取量的系统包括：

空间上与动物的身体部分相关联的传感器，以生成指示与多个时间点相关联的动物的身体部分的移动的移动数据；

处理服务器，包括：

接收移动数据的数据接口，

处理器被配置为：

评估接收到的移动数据，以针对多个时间点中的每个时间点确定动物在该时间点的行为的指示，

基于该指示，确定指示动物表现出的行为的时间的时间值，以及

基于该时间值确定牧草摄取值。

多个传感器可以包括加速度传感器。

多个传感器可以通过颈圈安装在动物的颈部上，或者通过缰绳安装在动物的头部上，或者通过耳标安装。

一种用于监测放牧动物物种的牧草摄取量的方法，包括：

评估与多个时间点相关联的接收到的监测数据，以针对多个时间点中的每个时间点确定动物在该时间点的行为的指示；

基于该指示确定指示动物表现出的行为的时间的时间值；以及

基于该时间值确定牧草摄取值。

确定行为可以包括从多个候选行为中选择行为。

多种候选行为可以包括放牧、休息、反刍、行走以及其它。

确定行为可以包括确定放牧行为。

评估接收到的监测数据可以包括将训练的机器学习模型应用于监测数据。

训练的机器学习模型可以是线性回归模型。

训练的机器学习模型可以基于线性回归模型的斜率。

该方法还可以包括基于动物的历史观察来训练机器学习模型。

确定牧草摄取值可以包括评估时间值的线性函数。

该方法还可以包括在用户界面上生成指示牧草摄取值的输出。

在用户界面上生成输出包括基于牧草摄取值确定动物的放牧环境的特性，并且输出包括放牧环境的指示。

输出可以指示围场状态、生物量(biomass)可用性和动物偏好中的一个或多个。

该方法可以用于从个体中选择个体或生殖或再生物质用于在育种、人工授精、体外受精、胚胎植入或转基因时使用。

一种用于在群体中产生遗传增益的方法包括执行方法并从群体中选择具有高估计育种值的个体。

该方法可以包括从所选个体获得生殖或再生物质。

生殖或再生物质可以通过执行上述方法获得。

一种计算机可读介质包括与通过执行上述方法获得的生殖或再生物质有关的数据的数据库。

一种在群体中产生遗传增益的方法包括：

(i)执行上述方法，从而基于牧草摄取值估计群体中一个或多个个体的育种值；

(ii)从(i)中选择具有高估计育种值的个体；

(iii)从所选个人获得生殖或再生物质；以及

(iv)从生殖或再生物质产生一个或多个个体或个体的一代或多代。

可以通过执行上述方法来产生非人类。

一种在多个动物的群体中产生遗传增益的方法包括：

针对多个动物中的每个动物评估接收到的与多个时间点相关联的监测数据，以针对多个时间点中的每个时间点确定该时间点的行为的指示，

针对多个动物中的每个动物，基于该指示确定指示该动物表现出的行为的时间的时间值，以及

基于该时间值确定多个动物中的每个动物的食物摄取值；以及

基于来自群体的食物摄取值从多个动物中选择具有高估计育种值的个体。

育种值可以基于与食物摄取相关的繁殖力。

在适当的情况下，描述方法、计算机可读介质或计算机系统的任何方面的可选特征类似地适用于这里也描述的其它方面。

附图说明

现在将参考以下内容描述示例：

图1图示了用于监测牧草摄取量的传感器网络。

图2a图示了由处理器执行的用于监测牧草摄取量的方法。

图2b图示了指示在时间点的进食行为的时间线。

图3图示了包括饲养地块的图像的用户界面，其中叠加的数字表示可以用于确定牧草摄取量的实验中的个体地块和动物数。

图4图示了基于监测数据的活动索引。

图5a和5b图示了数据收集设备120的示例设计。

图6a和6b图示了数据收集设备120在牛上的示例安装。

图7a和7b图示了数据收集设备120的示例设计。在该示例中，设备120上的太阳能电池为数据收集和传输提供电能。

图8图示了基于确定的牧草摄取量的用于下一代表型分析(phenotyping)的计算机网络。换句话说，确定的牧草摄取量用作数量性状(quantitative trait)，并且可以与包括用于选择性育种的遗传标志物的生物标志物关联。

图9图示了牲畜表型组学方法的示意图。目标性状包括以下中的一个或多个：

牧场处的采食量、效率和甲烷产量

免疫能力

适应性和身体素质

生殖力。

图10图示了牧草摄取项目设计的框图。

图11图示了来自数据收集设备的示例传感器数据。虽然传感器数据被显示为模拟信号，但是应该理解的是，传感器数据可以以数字形式传输，诸如XML或JSON文件或流。

图12图示了可以在用户界面上显示的整个地块上的牛的位置的热图。

图13图示了牧草摄取量估计的示例时间线。

图14图示了所公开方法的示例输出。

图15a和15b分别图示了牧草质量和数量的示例数据。

图16图示了训练和验证二元分类器性能的方法。加速度计系列经过预处理，以得出六个运动和朝向系列。这些系列被划分为短时间间隔。

具体实施方式

测量牧草摄取量非常重要，因为牧草摄取量可以作为放牧环境质量的指标，也可以作为育种值的指标。特别地，同一围场中多个动物的牧草摄取量下降可能表明生物量可用性不足或可用生物量不对应于动物的偏好。另外，牧草摄取量可以被认为是允许计算效率度量的成本，诸如牧草摄取量上的重量、牧草摄取量上的小牛数量或牧草摄取量上的小牛重量、或牧草摄取量上的牛奶或牛奶成分产量。可以选择具有更高效率度量的动物用于育种以提高群体的效率。

本公开提供了用于监测和测量牧草摄取量的系统和方法，其比现有方法更准确且更简单。这允许这些系统和方法大规模地部署到每只动物并且改善农场业务的整体操作。它还允许量化摄取量，同时与在食物选择有限的围栏中的隔离动物相比，这些动物表现出在正常生产环境中的自然放牧行为和摄食偏好。

虽然本文的一些实例涉及反刍动物和其它放牧动物物种的牧草摄取和放牧，但是应该理解的是，一些提出的解决方案同样适用于一般采食量，诸如饲养场。特别地，将所提出的解决方案应用于饲养场将减少对秤和RFID系统的大量投资。

可以使用所提出的方法和系统监测的动物的示例是反刍动物，包括牛、绵羊、山羊和马以及包括猪在内的其它非反刍放牧动物物种。

本公开提供了对个体反刍动物摄取量的可靠估计，以提高生产率和效率。摄取量是确定生产率和效率的主要输入变量，加上针对环境变化的(一个或多个)敏感响应变量。

改善的遗传优点，包括基因组学

更精确的牲畜管理

牧草管理系统的优化

预测和模拟模型的输入数据

输出可以提供以下问题的答案：两类动物的饲料利用效率，例如，生长与育种和/或环境的类型，例如饲养场与牧草，受同一组基因的影响？并且与相同的工业途径相关？

牧草摄取量可以基于以下化学标志物中的一种或多种：氧化铬、烷烃，以及受控释放设备的使用。牧草摄取量可以基于以下生物量消失方法中的一种或多种：

样方(Quadrats)(校准)

电容探针

电子板式仪表

C-DAX牧草高度计

Greenseeker，农作物圈(植被指数包括NDVI)

排除笼(再生长、大气和土壤湿度的影响)

其它新技术(例如，LIDAR)

图1图示了用于监测牧草摄取量的计算机系统100。计算机系统100包括连接到程序存储器104的处理器102、数据存储器106、通信端口108和用户端口110。程序存储器104是非瞬态计算机可读介质，诸如硬盘驱动器、固态盘或CD-ROM。软件，即，存储在程序存储器104上的可执行程序使处理器102执行图2中的方法。术语“确定牧草摄取量”是指计算指示牧草摄取量的值。这也适用于相关术语。

处理器102经由通信端口108接收来自数据收集设备120的监测数据，数据收集设备120在空间上与动物的身体部位相关联，诸如头部或腿部。例如，数据收集设备120可以是安装到颈部或动物的其它部位的颈圈，使得数据收集设备120在动物的头部(或腿部)移动时移动。数据收集设备120包括多个传感器，诸如3D加速度计122、麦克风124和GPS传感器126。在其它示例中，数据收集设备120包括以下中的一个或多个：

3轴惯性(移动)传感器

压力(高度感测)

音频(咬、咀嚼)

温度和湿度

空间定位

4通道光传感器

具有电池存储装置的太阳能板

用于实时报告的数字无线电装置

记录到micro-SD的高速数据

来自数据收集设备120的一些或所有传感器的数据被称为监测数据。然后，处理器102可以将监测数据存储在数据存储库106上，诸如存储在RAM或处理器寄存器上。处理器102还可以经由通信端口将确定的牧草摄取量发送到服务器，诸如农场管理服务器。

处理器102可以从数据存储器106以及从通信端口108和用户端口110接收数据，诸如监测数据，用户端口110连接到向用户116显示地块的视觉表示114的显示器112。在一个示例中，处理器102诸如通过使用根据IEEE 802.11的Wi-Fi网络经由通信端口108从数据收集设备120接收监测数据。Wi-Fi网络可以是分散的自组织或多跳传感器网络，使得不需要专用的管理基础设施(诸如路由器)或具有管理网络的路由器或接入点的集中式网络。在其它示例中，处理器102从便携式数据存储装置接收监测数据，便携式数据存储装置诸如从传感器120手动传送到计算机系统100的SD卡。处理器102也可以是监测设备的一部分。

在一个示例中，处理器102实时接收和处理监测数据。这意味着处理器102在每次从数据收集设备接收到监测数据时确定牧草摄取量，并在数据收集设备发送下一次监测数据更新之前完成该计算。

虽然通信端口108和用户端口110被示出为不同的实体，但是应该理解的是，可以使用任何类型的数据端口来接收数据，诸如网络连接、存储器接口、处理器102的芯片封装的引脚、或逻辑端口，诸如IP套接字或存储在程序存储器104上并由处理器102执行的函数的参数。这些参数可以被存储在数据存储器106上，并且可以按值或按引用进行处理，即，在源代码中作为指针进行处理。

处理器102可以通过所有这些接口接收数据，其包括易失性存储器(诸如高速缓存或RAM)或非易失性存储器(诸如光盘驱动器、硬盘驱动器、存储服务器或云存储器)的存储器访问。计算机系统100还可以在云计算环境内实现，诸如托管动态数量的虚拟机的受管理的互连服务器组。

应该理解的是，在任何接收步骤之前，处理器102可以确定或计算稍后接收的数据。例如，处理器102确定牧草摄取量并将牧草摄取量存储在数据存储器106中，诸如RAM或处理器寄存器。然后，处理器102诸如通过提供读信号连同存储器地址从数据存储器106请求数据。数据存储器106在物理位线上提供数据作为电压信号，并且处理器102经由存储器接口接收牧草摄取量。

应该理解的是，除非另有说明，否则在整个本公开中，节点、边缘、图形、解、变量、农场参数等是指物理存储在数据存储器106上或由处理器102处理的数据结构。另外，为了简洁起见，当引用特定变量名称时，诸如“时间段”或“牧草摄取量”，这应该被理解为引用作为物理数据存储在计算机系统100中的变量的值。

图2图示了由处理器102执行的用于监测牧草摄取量的方法200。图2应该被理解为软件程序的蓝图，并且可以被逐步实现，使得图2中的每个步骤由诸如C++或Java的编程语言中的函数表示。然后得到的源代码被编译并存储为程序存储器104上的计算机可执行指令。

应该注意的是，对于大多数人而言，手动执行方法200，即，没有计算机的帮助实际上是不可能的。因此，计算机的使用是本发明实质的一部分，并且允许执行必要的计算，这些计算由于涉及的大量数据和大量计算因此在不使用计算机的情况下是不可能进行的。

处理器102评估202接收到的与多个时间点相关联的监测数据，以针对多个时间点中的每个时间点确定动物在该时间点的行为的指示。处理器102可以将训练的机器学习模型应用于监测数据，如下面更详细描述的。

图2b图示了示例性时间线200，其示出了动物在多个时间点的行为。在这种情况下，为了简单起见仅示出一种行为。这种行为可以是进食行为，诸如在饲养场中放牧或进食，或者其它行为，诸如休息或反刍。在该示例中，处理器102周期性地确定行为，诸如每10秒，如时间轴251上的刻度所指示的。对于一些特征，诸如频率分量，处理器102可以考虑在时间窗口(诸如对于时间轴251上的每个时间点在10秒的时间窗口)期间的多个传感器测量。图2b中所示的条图示了处理器102确定放牧行为时的时间点。

然后，处理器102使用如图2b示意性示出的行为的指示来确定指示动物显示出的行为的时间的时间值。在这种情况下，处理器102对检测到放牧的时间值的数量进行计数。在图2b的示例中，有15个时间点检测到放牧行为。因此，在10s采样间隔的情况下，时间值为15点或150秒。

处理器102还基于时间值确定牧草摄取值。在一个示例中，处理器102将时间值乘以进食速率，诸如kg/h。为了校准进食速率，可以频繁地测量围场上可用生物量的减少并且将其与确定的放牧时间相关，如下面进一步详细描述的。

处理器102可以通过使用三个机器学习模型中的一个或多个来确定步骤202中的行为，所述三个机器学习模型被训练并且然后在对行为的基础事实观察时进行验证：

支持向量机(SVM)与rbf内核

决策树(DT)

线性判别分析(LDA)

在训练每个分类器期间，处理器102可以使用特征选择。“贪婪搜索”可以用于选择要由每个分类器使用的特征集。处理器102选择为分类器提供最高“遗漏动物”交叉验证性能的特征。

在一个示例中，处理器102应用以下分类来生成牧草摄取数据，针对该数据生成预测摄取量的传感器算法(即训练数据)：

低牧草摄取量：1.5％LW的颗粒-牧草摄取量～1-1.5％LW或～7.5kg DM摄取量/d(n＝3个阉牛)

中等牧草摄取量：0.75％LW的颗粒-牧草摄取量～1.75-2％LW或～10kg DM摄取量/d(n＝4个阉牛)

高牧草摄取量：1公斤颗粒/d-牧草摄取量～15公斤DM摄取量/d(n＝3个阉牛)

在一个示例中，预测能力和误差为：R2≤0.6；RSD≥1.65kg DM/d(摄取量范围7.5-15kg)；黑麦草单作，最小变分。

提供了使用所公开的牧草摄取量平台、传感器设备和具有合理可靠性的行为分类器估计的牧草摄取量。可以用于对动物进行排名以进行遗传改良。

以下变量来源可以被纳入到算法中：

牧草类型和物种

牧草高度和生物量可用性

牧草成熟度、形态和消化率

混合草地

传感器、传感器设备位置、目标行为

牲畜特性

提供了基于3轴加速度计读数的方法，该方法可以用于确定由自由放牧反刍动物消耗的牧草量。

训练步骤按时间顺序显示，但可以按不同顺序执行：

·通过向动物喂食不同量的补充剂来实现牧草摄取量的变化。

·从位于安装在动物颈部的项圈中的装置收集加速度计数据。

·放牧花费的时间是根据机器学习算法计算的，该算法包含已从加速度计数据的短时间间隔中提取的84种可能的特征。

·牧草干物质摄取量(DMI，kg/d)根据以下等式计算：等式＝-4.128+2.325×放牧花费的小时数/d(P＝0.010，r²＝0.534，s.e.＝1.65kg/d)。每个阉牛的牧草量DMI(一个阉牛/≤0.22公顷黑麦草地块)是根据11天时段内摄取日上的总牧草量DM/地块的回归的斜率(kg DM/d)估计的。

·牧草干物质摄取量也可以基于涉及其它分类行为(诸如放牧、休息、反刍或行走)的关系单独地或组合地以类似方式推断出。

用于评估牧草摄取量的一种方法是基于复杂的基于化学标志物的方法。这是耗时的、对动物及其正常行为具有侵入性、昂贵且难以大规模执行，从而妨碍了广泛应用。

传感器可以被安装在装配到动物头部或颈部、包含3轴加速度计数据的项圈或其它设备上，根据该数据，使得能够对放牧和其它行为进行可靠分类，并确定不同行为中所花费的时间与在我们的牧草摄取平台中测量的牧草摄取量之间的关系。

处理器102通过应用基于机器学习的分类模型推断(步骤202)从3轴加速度计数据放牧反刍动物行为。该模型根据其中已通过人类观察者为动物记录了放牧和其它感兴趣的行为期间(监督训练)的加速度计数据构建(训练)。训练该模型以最大化感兴趣的行为(包括放牧)之间的区分。换句话说，存在多种候选行为，其中包括放牧，并且处理器103选择多个候选行为中的一个。一旦模型被训练，任何动物(在该物种中)的加速度计数据就可以被应用于模型并且可以推断出其行为。例如，处理器102选择由机器学习模型生成的具有最高分数的行为。特别地，处理器102将训练的机器学习模型应用于监测数据并计算放牧、休息、反刍、行走和其它行为中的每一个的分数。然后，处理器102单独地为每个时间点选择具有最高分数的行为。

为了训练并应用该模型，3轴加速度计数据被划分为短时间间隔。对于每个间隔，提取一组84个特征。这些特征代表动物头部在整个时间间隔内的运动和定位。在训练期间，选择特征的子集以最好地区分放牧和其它行为。然后将这些所选特征用作训练机器学习模型的输入并在之后应用它。

在一个示例中，处理服务器100执行训练并将学习到的机器学习方法的参数存储在数据存储器106上。然后，处理服务器100还执行对接收到的监测数据的评估。在其它示例中，传感器120自身执行训练或评估或两者，并且可以将二进制放牧/非放牧信号传送到处理服务器100。在又一个示例中，数据收集设备120确定放牧所花费的时间或者牧草摄取值并将其发送到处理服务器100。

其它传感器包括生物声学、SCR VocalTag、腿部安装的加速度计(http://www.icerobotics.com/)或可以对间接或直接与放牧相关的行为进行分类的鼻带压力传感器(IGER咬合计和RumiWatch)。

模型可以使用颈部安装项圈中的双轴或三轴加速度计对放牧时间进行分类并估计放牧时段内的咬合率。使用总估计放牧时间和总估计咬合作为响应变量的混合线性模型可以用于预测该时段内的采食量。

一个示例不允许将放牧时间估计推广到未包括在实验中的牛。放牧分类器可以在向前方向(加速度计的y轴)上使用高运动强度来将活动分类为放牧。通过手动观察其已知放牧时段的y轴加速度计分布，为每个牛科动物设定个体的放牧阈值。因此，放牧时间估计难以推广到(i)研究之外的牛(ii)在同一研究中没有具有其自己的地面真相放牧数据的个体的牛。作为对照，本文提出的其它放牧分类器不是个体化的，并且已被证明具有将其性能推广到未在开发分类器中使用的“新”牛的能力。这又意味着这种采食量估计方法比针对特定研究而实现的其它方法具有更广泛的应用范围。

此外，即使在模型个体化的条件下，其它方法的分类准确度也可能相对于我们的放牧性能相对较差(分类准确度<80％)。

个体奶牛的摄取量可以用作对维护、产奶量、体重增加和怀孕的NE要求。在其它示例中，可以每天测量生物量可用性，以通过使用所公开的牧草摄取平台设施内的两个牧草计量器(针对使用每个牧草计量器的牧草摄取量估计平均值r2≈0.90)在其个体放牧地块内的每个阉牛的11天牧草摄取时段内的回归来确定牧草消失。可以假定谷仓中的需求量和NE摄取量之间的差异是草的NE摄取量，而我们直接在田间地块中“测量”草的摄取量。

传感器可以用于确定牧草摄取量。然后，该测量可以用于通过比较动物的活重和生长、或断奶的小牛公斤数或产生的牛奶或牛奶成分的产量来确定动物效率。该特性可以用于育种计划，以基于效率对动物进行排名。排名可以由处理器102以报告的形式提供，诸如打印的或pdf文档，具有按效率排序的动物列表。处理器102还可以在屏幕112上生成显示排名的用户界面。在另一个示例中，处理器102生成每个动物的排名的指示，诸如“4/30”，意味着该动物是30的群体中效率第四，或者“13％”以将排名表达为等于或比群体更高效动物的百分比。处理器102可以存储与每个动物相关联的排名指示，并且可以生成包括该排名的动物报告。然后，育种者可以从报告中查看动物的效率排名，并决定是否使用该动物进行育种。

产量也可以用于优化生产、动物或牧草管理、动物福利和动物健康状况。本公开的当前形式针对牛(牛肉和奶制品)，但也可以适用于世界范围的牧场放牧动物。

处理器102还可以基于牧草摄取值生成用于精确牧草管理的用户界面。例如，图3图示了用户界面，该用户界面包括具有表示所确定的牧草摄取量的叠加数字的饲养地块的图像。特别是在处理器102监测多个动物，即，确定多个动物中的每个动物的牧草摄取值(通过针对每个动物重复图2a中的方法200)的情况下，基于牧草摄取值的总体牧草管理是有效的。换句话说，牧草摄取值可以用作围场状况的指标。例如，牧草摄取量随着时间的推移而减少可能表明生物量可用性正在下降到最佳水平或最低阈值以下，并且库存应该被移动到不同的围场。牧草摄取量值也可以指示个体动物的偏好，因为减少的牧草摄取量值可以指示动物偏好不同类型的食物，诸如不同的植物变种。

动物和训练

在实验中使用平均±SD活重(LW)为650±77kg的10只安格斯阉牛(表1)，具有0颗恒牙的5个动物和具有2颗恒牙的5个动物。在实验前的6个月左右，阉牛被普遍处理，习惯于缰绳和被捆绑，同时在院子里从槽和桶喂食。它们还接受训练以在通过电线划分的地块内放牧，并进入和限制在3×3米的栏内，以便进行传感器的计量、采样和部署。

实验设计和牧草地块尺寸计算

该实验被设计为通过为3组阉牛提供不同水平的高能颗粒补充剂来产生牧草摄取量的变化(表1)。高牧草摄取处理阉牛(n＝3)接收1.0kg颗粒/d，中等牧草摄取处理阉牛(n＝4)接收0.75％活重(LW)水平的颗粒，并且低牧草摄取阉牛(n＝3)接收1.5％LW水平的颗粒。10个地块被随机分配给牧草摄取处理组，阉牛被随机分配到牧草摄取地块，然后牧草摄取处理组针对LW进行平衡(表1，平均值±SD：低652±95kg，中等651±90kg和高647±73kg)。

计算牧草摄取量测量时段的每个牧草地块的尺寸(表1)，目的是尽可能地匹配牧草干物质(DM)/ha和跨所有10个地块的牧草DM下降率。地块尺寸计算基于牧草摄取时段开始时估计的牧草可用性、摄取时段结束时的目标牧草生物量(1,000kg DM/ha)、牧草摄取时段的长度(11天)、牧草摄取处理以及阉牛LW，这里假定每个阉牛从牧草加上2.5％LW/d的颗粒的总DM摄取量(DMI)(表1)：

地块尺寸(公顷)＝用于11天的总公斤牧草DMI÷(估计的起始牧草DM，以kg/ha为单位-目标最终牧草DM，以kg/ha为单位)，其中，用于11天的总公斤牧草DMI＝总公斤DMI(2.5％LW/d×11d)-总公斤颗粒容量((90％DM×1.5％或0.75％LW/d或1kg)×11d))

牧草摄取地块和管理

以2升/公顷的速率用除草剂草甘膦(460克/升)喷洒10个矩形地块，每个地块0.5公顷(25×200米)，以杀死现有植物物种。每个地块的下部0.25公顷(25×100米)通过在初冬时以14厘米的行间隔直接耕犁以22公斤/公顷的播种速率用意大利黑麦草(Loliummultiflorum cv.Adrenalin)播种。同时以135公斤/公顷的速率施用磷酸二铵。通过放牧30个阉牛和/或根据需要进行割草以跨至多约3吨DM/公顷的限制的地块尽可能均匀地保持牧草可用性来管理地块。使用Farmtracker电子上升板计量器(FARMWORKS PrecisionFarming Systems，Feilding，新西兰)评估直到牧场摄取量测量时段的牧草DM可用性，该电子上升板计量器使用来自先前同一地块内的研究的放牧黑麦草的方程进行校准。在牧草摄取时段之前的1周阉牛适应期间，每个放牧地块的尺寸被减小并且位于0.25公顷的黑麦草内以最佳地匹配实验规范。通过使用Farmtracker测量五个20x 25m条带内的DM可用性来识别每个地块内的放牧区域的位置。每个地块的尺寸在牧草摄取时段开始之前3天被固定。

牧草仪表校准

每秒产生200个牧草高度读数的Farmtracker和Utility Task Vehicle-towed C-Dax Pasture Meter(C-Dax Ltd,Palmerston North,新西兰)根据在开始之前3天(d-3)和牧草摄取时段的第4天和第11天取得的干燥牧草样方进行校准(表2)。在每个校准日，使用仪表测量表示每个地块内的低、中和高牧草可用性的3个样方(50×50cm)(总计＝30个样方/校准日)，然后进行牧草切割、袋装、称重、干燥并重新称重以确定每个样方的牧草DM/ha。每个样方进行单个Farmtracker读数和沿着从中计算平均值的每个样方的固定位置的三个C-Dax读数。在每个校准日，对于每个设备，牧草校准回归方程是线性的(表2)。Farmtracker读数解释了DM/ha中73-79％的变化和C-Dax 80-82％。第11天的Farmtracker校准方程与第3天和第4天的方程不同，与在第9天降雨事件之后牧草高度相对于DM可用性的增加一致，并还如根据第10天和第11天的牧草排除笼数据所指示的(补充图1)。

补充

在一周的时段内，阉牛逐渐适应它们的颗粒完全允许量(表1)。颗粒为RumeviteSheep和Cattle Pellets(Ridley Corporation，Melbourne)，其具有10.6MJ ME，123克CP和168克粗纤维/kg DM，并且每天在0830h和1600h在42L桶中喂送给阉牛。低和中等牧草摄取量的阉牛在早上被喂送40％的其允许量，并且在下午被喂养60％的允许量，并且高牧草摄取量阉牛在每个地块附近的3×3米栏内在每个喂食时间被喂养0.5公斤颗粒。如果在30分钟内没有消耗所有颗粒，则在地块中提供对剩余颗粒的可及性。每天对拒绝量(refusals)进行衡量，并且估计的颗粒的摄取量作为允许量较少的拒绝量(表1)。

牧草干物质可用性和牧草摄取量估计

牧草DM/ha开始每天用Farmtracker测量大约1100小时，每2或3天用C-Dax测量。取决于地块长度，沿着4到6个锯齿形图案横断面每2步进行Farmtracker测量，以生成地块平均值。然后在每个地块内以相反方向进行测量以重复地块值。每个地块/d进行大约140到280次Farmtracker测量。重复值之间的平均方差系数为4.6％，在整个牧草摄取时段每个地块2.8％至7.2％的范围不等。通过沿着4个纵向横断面连续测量牧草高度并跨越每个地块，在牧草摄取时段的6个时机进行C-Dax牧草高度测量。没有复制C-Dax测量，并且每2或3天进行一次C-Dax测量以限制牧草的压缩。Farmtracker和C-Dax在摄取时段开始时的牧草生物量估计值之间的相关性为0.98(P<0.001)，并且在摄取时段结束时为0.88(P<0.001)。

来自第3天和第4天数据的校准方程用于估计截至第9天的牧草DM可用性，并且来自第11天的数据和牧草箱数据的校准方程用于估计第10天和第11天的牧草DM的可用性。为了估计牧草摄取时段期间牧草再生长，在整个地块中放置排除笼内的15个样方，以近似摄取时段开始时的牧草可用性的范围。使用Farmtracker每天在大约1300h进行测量。取决于测量的再生长量，计划在排除笼内部署额外的样方，但是高达9天的干燥条件导致大部分牧草摄取时段中没有可测量的再生长(补充图1)。在牧草摄入时段期间沉积的包含粪便的地块内的区域估计小于1％，因此没有针对粪便污染调整牧草摄取估计。

根据每天测量的每个地块的DM/ha的Farmtracker和DMI估计值，作为整个11天牧草摄取时段的天数上牧草DM/ha的回归斜率乘以地块尺寸，估计每个阉牛的每日牧草DMI。在所有地块中，牧草生物量的下降是线性的(表3和补充表2)。

其它牧草特性

汇集的干燥牧草样品是在牧草摄取时段开始和结束时从每个地块的3个样方切口制成的。在代表性的子样品中测定绿叶、绿茎和死物质的比例，以及绿叶与茎以及绿叶与死物质的比率(补充表1)。还分析了在摄取时段开始和结束时来自每个地块的代表性子样品的营养价值，其细节可根据要求获得。

传感器部署和行为分类

包括被编程为以10Hz(862,500个数据点/d)收集数据的3轴加速度计的电子牛监测项圈(Wark等人2007年；Gonzales等人2015年)在牧草摄取时段的第0天被部署在所有10个阉牛上并保持在阉牛上，直到第11天的牧草摄取时段结束为止。应该注意的是，10赫兹只是一个示例，可以使用其它采样率。从设备获得的以使得能够分类和展示行为所花费的时间的加速度计数据的量是8.7±3.2天(平均值±SD)，范围从3到11天不等。

牛行为模型用于跨连续的、非重叠的时间间隔，诸如15秒或类似间隔，跨越牧草摄取时段的持续时间连续对每个动物的行为进行分类。该模型使用装配到每个动物颈部的项圈内的加速度计的观察结果基于其各自的运动模式和头部朝向区分五种不同的牛行为。被分类的五种行为是放牧、反刍、休息、行走和所有“其它”不常见行为的聚合类。

在另一个示例中，加速计安装在动物的脸颊上或附近，诸如安装在缰绳上或安装在动物的耳朵上，诸如标签上。更一般地，加速度计可以机械地耦合到动物的颌或颊部，使得颌或颊部的移动导致加速度计的移动。例如，即使在加速度计不与动物的脸颊紧邻的情况下，缰绳也可以将颌或脸颊的机械移动机械地耦合到加速度计。

行为模型包括一组五个独立的分类器，每个分类器将目标行为与剩余的四个行为的第二组合类区分开。这些二元分类器是针对每个目标行为而开发的。然后通过识别具有其目标行为的最大后验概率(即最高分类置信度)的二元分类器来执行行为分类。使用一组二元分类器的优点是它将多类问题分解为一组更简单的问题。它还使得每个分类器的配置(关于输入特征、时间间隔和分类器类型)能够针对与相应目标行为相关联的运动和朝向特性进行裁减。

行为模型的开发和分类。在牛行为分类器的应用中有两个独立的阶段。第一个阶段涉及通过利用示例实例(传感器输入及其对应的类行为)训练每个二元分类器来开发模型，以便为类决策边界构造函数。

惯性传感器数据的预处理。六个时间序列包括加速度计的三个轴、俯仰和滚动朝向(从Pedley 2013描述的加速度计得出)，以及3轴加速度计的绝对大小可以由处理器102用来开发行为分类器。最初可以处理时间序列以减少可能降低未来分析的影响。测量的加速度和朝向时间序列可以是高度相关的，这对于假设输入在统计上独立的机器学习方法可能是有问题的。为了减少这种相关性，处理器102可以通过假设设备朝向变化得足够缓慢以使重力能够被测量的加速度的低频分量近似来将牛运动与加速度向量中的重力分开。因此，可以通过将高通有限脉冲响应(FIR)滤波器应用于0.3Hz的3轴加速度计来估计期望的动物加速度。

特征提取和选择。可以划分六个时间序列中的每一个以表示在15秒的短时间间隔内的牛行为。由Smith等人(2015b)先前描述的一组从传感器数据得出的14个特征可以从每个原始时间序列中的每个间隔中提取。然后可以连接来自六个时间序列的对应时间间隔的14个特征，以产生84个特征的输入实例。特征集可以被分类为三个不同的组；统计、频谱和信息论。然后可以在每个分类器的训练期间采用嵌入特征选择(Guyon和Elisseeff 2003)来识别向二元分类任务提供最大贡献的特征的子集(来自84个特征的完整集合)。然后，使用每个行为类的最高贡献特征来训练它们各自的二进制分类器。

二进制分类器的训练和验证。用于训练和验证二元分类器性能的方法如图16所示。用于对每个二元分类决策建模的分类器可以是随机森林(RF)(Breiman 2001)。RF是决策树分类器的全体，每个分类器都被训练为引导程序聚合方法的一部分。可以随机采样(带有替换)训练实例和特征以训练每个组成决策树。然后可以对树产生的分类进行平均，以便推断出与每个输入实例相关联的行为。

可以执行遗漏三个动物的交叉验证以训练并然后评估二元RF分类器的性能。使用'遗漏p'(LOP)交叉验证(Shao 1993)方法来确保用不同动物的传感器观察值构建训练和验证数据集。LOP验证被认为是评估行为模型的能力以推广到培训中未考虑的新增加仪器的牛的最佳方法。该方法可以通过选择三个动物来验证RF分类器的性能，并用剩余的20个牛训练分类器来实现。该方法可以在八个时机进行重复(八次折叠)以确保23个牛中的每一个的分类性能仅在一个时机被验证。

使用召回(R)、精确度(P)和F-score指标，在所有八个交叉验证折叠中评估分类器的性能：

F＝(2×P×R)/(P+R)

P＝truepos/(falsepos+truepos)

R＝truepos/(falseneg+truepos)

其中，truepos是当前行为类中被正确分类的实例数，falsepos是另一个行为类中被错误地分类为当前行为类的实例数，并且falseneg是属于当前行为类的被分类为另一种行为的实例数。F-score统计是精确度和召回的调和平均值，其值介于0和1之间；值为1指示理想的分类性能。

统计分析

可以根据每个牧草测量仪(Farmtracker和C-Dax，补充表2)的每个地块的线性回归方程的斜率来确定每天的平均牧草DMI。多项式回归分析(DM kg/ha＝常数+摄取日+摄取日²)产生非有效的二次项。

处理(低、中或高牧草摄取量)和牧草测量仪对牧草可用性、消失和DMI以及对行为测量的影响的显著性使用方差分析和使用LSD值的平均值之间的差来测试。起始和最终牧草生物量、LW、牙列和切牙宽度也作为协变量被包括在分析中。

牧草DMI和传感器导出的行为分类之间的关系可以通过在平均牧草DMI(kg/d)上回归每个行为类别中的平均时间(h/d)来确定。多元回归分析未识别其内牧草DMI与多种行为显著相关联的算法。起始牧草生物量可用性、LW、牙列和切牙宽度也通过回归分析进行评估，并且没有显著影响。

使用Genstat 16(VSN International，Hemel Hempstead，UK)进行统计学分析。在P<0.05时接受关系和效果的显著性。

结果

牧草生物量估计和其它特性

在牧草摄取时段的持续时间内，使用C-Dax测量的平均牧草高度从(平均值±SD)107±9.5mm下降到65±10.7mm，并且使用Farmtracker测量的平均牧草高度从20.1±1.46cm下降到14.6±1.47cm。由于牧草摄取处理，起始和最终牧草生物量的估计没有差异(P>0.38)(表3)。当使用Farmtracker估计时，牧草生物量下降率没有差异(P＝0.20)，但是当使用C-Dax估计时，下降率在中等牧草摄取阉牛中倾向于大于在低和高牧草摄取阉牛中的下降率(P＝0.050)。对于绿叶、绿茎、牧草地块的总绿叶和死物质成分，或绿叶与死物质以及绿叶与茎的比率，由于牧草摄取处理而导致的显著差异并不明显(P>0.11，补充表1)。

牧草摄取量估计

Farmtracker和C-Dax之间的牧草摄取量估计值没有差异(分别为12.0与11.0kgDM/d，SED＝1.21kg DM/d，P＝0.22，表3)。使用两个仪表的牧草DM估计值之间的相关性为0.94(P<0.001)，并且DMI的排名之间的相关性为0.92(P<0.001)。如使用Farmtracker(P＝0.020)和C-Dax(P＝0.006)两者估计的牧草摄取处理对牧草DMI存在显著影响(表3)。低牧草摄取阉牛比其高对等阉牛消耗明显少的牧草，中等阉牛消耗中等量(表3)，与我们通过用颗粒替代产生牧草摄取量变化的方法一致。当在协方差模型分析中进行分析时，放牧所花费的时间(r²＝0.50，P＝0.001)、切牙宽度(r²＝0.18，P＝0.005)、牙列(r²＝0.06，P＝0.023)和起始牧草生物量(r²＝0.09，P＝0.013)也显著影响C-Dax牧草DMI估计，起始和最终牧草生物量解释了类似的变化量。LW的影响不显著(r²≤0.02，P>0.08)。在这些变量中，只有放牧所花费的时间(r²＝0.46，P＝0.025)在作为协变量分析以评估牧草摄取处理对牧草DMI的Farmtracker估计的影响时具有显著影响。

行为分类

表4给出了遗漏三个动物交叉验证的分类结果。由于行为具有独特的头部朝向(头部朝下)和相对于其它四种行为的运动模式，因此放牧被高度准确地识别。反刍和休息也具有良好准确度地被识别，其中F-score高于0.8。聚合的“其它”类的分类准确度差。这是预期的，因为它由许多不同的活动(即，排尿、梳理)组成，每个活动都具有非常不同的运动特性。这些不同的活动被聚合成一个单独的类，因为每个活动有非常少的实例来训练单独的类，并且这些活动对于本研究来说并不重要。

显示行为的时间

显示分类行为所花费的时间的量和百分比在表5中给出。高牧草摄取阉牛倾向于比低牧草摄取阉牛花费更多的时间放牧(P＝0.091)。低牧草摄取阉牛倾向于比中高牧草摄取阉牛花费更多的时间休息(P＝074)。显示反刍、行走和其它行为类别的时间没有因牧草摄取处理而差异(P>0.27)。一个动物(阉牛4)比其它阉牛花费更多时间展示其它行为类别，其原因尚不清楚。

算法预测牧草摄取量

如通过Farmtracker和C-Dax仪表两者估计的每天放牧所花费的时间量和牧草DMI/d之间存在显著关系(表6)。牧草DMI的C-Dax估计比牧草DMI的Farmtracker估计(RSD＝1.85kg DM/d，r²＝0.39)产生与放牧所花费的时间更好的拟合(RSD＝1.66kg DM/d，r²＝0.59)。使用C-Dax估计的休息所花费的时间和牧草DMI之间也存在显著的关系，并且使用Farmtracker估计的休息所花费的时间与牧草DMI之间存在显著关系的趋势(表6)。放牧所花费的时间和DMI之间的显著关系作为LW(％LW)的百分比也是明显的(表6)。当通过回归进行分析时，牧草DMI与反刍、行走或其它分类所花费的时间之间的关系不明显(P>0.42)，与起始或最终牧草DM/ha、LW、牙列或切牙宽度之间没有任何显著关系(P>0.23)。

表1。活体重(LW)、牧草摄取处理组、地块尺寸、颗粒的干物质摄取量(DMI)、平均估计牧草DMI，以及11天牧草摄取时段内个体放牧地块内每个阉牛的估计总DMI。牧草DMI估计值是根据牧草消失的Farmtracker上升板计量器和C-Dax牧草高度计估计值计算出的平均值(参见表3和补充表2)。

表2。来自牧草样方切割的意大利黑麦草(Loliummultiflorum Cv.Adrenalin)的生物量(kg DM/ha)的Farmtracker上升板计量器和C-DAX牧草高度计校准方程(n＝30/d，所有P<0.001)。

表3。对于地块大小、起始和最终牧草生物量、牧草消失率、估计的牧草干物质摄取量(DMI)、残留标准偏差(RSD)和针对每个放牧地块和测量设备每天从牧草生物量的回归得到的决定系数(r2)的牧草摄取处理平均(见补充表2)。具有不同字母的平均值不同(P<0.05)。

图14图示了用于遗漏3个牛交叉验证的行为类模型的性能。精确度是真正属于该类的行为类估计的分数，召回是正确估计的行为类实例的分数，并且F-scroe是精确度和召回的调和平均值。

行为	精确度	召回	F-score
				放牧	0.96	0.99	0.97
反刍	0.81	0.91	0.86
				行走	0.75	0.67	0.71
休息	0.93	0.73	0.83
				其它	0.40	0.24	0.32

表5。牧草摄取处理是指展示行为类的阉牛所花费的时间(h/d)。如在物质和方法的传感器部署和行为分类子部分中描述的，行为根据项圈安装的加速度计数据进行分类。

表6。使用来自Farmtracker电子上升板计量器和C-Dax牧草高度计针对10个阉牛的DMI估计生成的每日牧草干物质摄取量(DMI)预测算法，以及来自两个设备的平均值。将每日牧草DMI预测为活重的百分比(LW)的算法对于使用两个设备估计的DMI是等效的。

补充表1。整个牧草摄取测量时段的牧草特性。

补充表2。在牧草摄取时段的持续时间内针对意大利黑麦草(LoliummultiflorumCv.Adrenalin)的起始生物量(截距)和生物量消失率(坡度)的Farmtracker上升板计量器和C-DAX牧草高度计预测，最终生物量(根据截距和坡度计算)和每日牧草干物质摄取量(DMI)估计值(根据地块尺寸和坡度计算)。还示出了每个放牧地块和测量设备的回归模型的残差标准偏差(RSD)和确定系数(r²)。具有不同字母的平均值显著不同(P<0.05)。

补充表3。阉牛的行为对每天的时间和小时数的百分比。如在物质和方法的传感器部署和行为分类子部分中描述的，行为根据项圈安装的加速度计数据进行分类。

未来的试验可以用于优化算法。

目前的算法解释了牧草摄取量变化的约60％。可以使用包括其它传感器来增加该值。我们目前的想法是，咬合行为的音频分类可能有助于这方面。

基于音频的分类也可能有助于“选择性”区分。该特征将允许识别在多牧草物种环境中消耗的牧草的类型。这一特征是重要的，因为牧草种类所包含的营养含量差别很大。

目前的方法使用收集后的行为分类。本发明的未来迭代可能对动物进行分类步骤。

牲畜育种的未来可能包括牲畜音位学，包括精确的牲畜管理和加速遗传改良和捕获。

本领域技术人员将认识到的是，在不脱离本公开的广泛一般范围的情况下，可以对上述实施例进行多种变化和/或修改。因此，本发明的实施例在所有方面都被认为是说明性的而非限制性的。

Claims (24)

1.一种用于监测放牧动物物种的牧草摄取量的系统，所述系统包括：

空间上与动物的身体部分相关联的传感器，以生成指示与多个时间点相关联的动物的身体部分的移动的移动数据；

处理服务器，包括：

接收移动数据的数据接口，

处理器，被配置为：

评估接收到的移动数据，以针对多个时间点中的每个时间点确定动物在该时间点的行为的指示，

基于所述指示，确定指示动物表现出的行为的时间的时间值，以及

基于所述时间值确定牧草摄取值。

2.如权利要求1所述的系统，其中所述多个传感器包括加速度传感器。

3.如权利要求1或2所述的系统，其中所述多个传感器通过颈圈安装在动物的颈部上，或者通过缰绳安装在动物的头部上，或者通过耳标安装。

4.一种用于监测放牧动物物种的牧草摄取量的方法，所述方法包括：

评估与多个时间点相关联的接收到的监测数据，以针对多个时间点中的每个时间点确定动物在该时间点的行为的指示；

基于所述指示确定指示动物表现出的行为的时间的时间值；以及

基于所述时间值确定牧草摄取值。

5.如权利要求4所述的方法，其中确定行为包括从多个候选行为中选择行为。

6.如权利要求5所述的方法，其中所述多个候选行为包括放牧、休息、反刍、行走以及其它。

7.如权利要求4、5或6所述的方法，其中确定行为包括确定放牧行为。

8.如权利要求4至7中任一项所述的方法，其中评估接收到的监测数据包括将训练的机器学习模型应用于监测数据。

9.如权利要求8所述的方法，其中训练的机器学习模型是线性回归模型。

10.如权利要求9所述的方法，其中训练的机器学习模型基于线性回归模型的斜率。

11.如权利要求8、9或10所述的方法，还包括基于动物的历史观察来训练机器学习模型。

12.如权利要求4至11中任一项所述的方法，其中确定牧草摄取值包括评估时间值的线性函数。

13.如权利要求12所述的方法，还包括在用户界面上生成指示牧草摄取值的输出。

14.如权利要求13所述的方法，其中在用户界面上生成输出包括基于牧草摄取值确定动物的放牧环境的特性，并且输出包括放牧环境的指示。

15.如权利要求13或14所述的方法，其中输出指示围场状态、生物量可用性和动物偏好中的一个或多个。

16.使用如权利要求4-15中任一项所述的方法用于从个体中选择个体或生殖或再生物质用于在育种、人工授精、体外受精、胚胎植入或转基因时使用。

17.一种用于在群体中产生遗传增益的方法，包括执行如权利要求4-15中任一项所述的方法，并从群体中选择具有高估计育种值的个体。

18.如权利要求17所述的方法，包括从所选个体获得生殖或再生物质。

19.一种通过执行如权利要求18所述的方法获得的生殖或再生物质。

20.一种计算机可读介质，包括与通过执行如权利要求19所述的方法获得的生殖或再生物质有关的数据的数据库。

21.一种在群体中产生遗传增益的方法，包括：

(i)执行如权利要求4-15中任一项所述的方法，从而基于牧草摄取值估计群体中一个或多个个体的育种值；

(ii)从(i)中选择具有高估计育种值的个体；

(iii)从所选个体获得生殖或再生物质；以及

(iv)从生殖或再生物质产生一个或多个个体或个体的一代或多代。

22.一种通过执行如权利要求21所述的方法产生的非人类。

23.一种用于在多个动物的群体中产生遗传增益的方法，包括：

针对多个动物中的每个动物评估接收到的与多个时间点相关联的监测数据，以针对所述多个时间点中的每个时间点确定该时间点的行为的指示，

针对所述多个动物中的每个动物，基于所述指示确定指示该动物表现出的行为的时间的时间值，以及

基于所述时间值确定所述多个动物中的每个动物的食物摄取值；以及

基于来自群体的食物摄取值从所述多个动物中选择具有高估计育种值的个体。

24.如权利要求23所述的方法，其中所述育种值基于与食物摄取相关的繁殖力。