NL2031635B1 - Method of managing a herd comprising a plurality of animals using an animal management system. - Google Patents
Method of managing a herd comprising a plurality of animals using an animal management system. Download PDFInfo
- Publication number
- NL2031635B1 NL2031635B1 NL2031635A NL2031635A NL2031635B1 NL 2031635 B1 NL2031635 B1 NL 2031635B1 NL 2031635 A NL2031635 A NL 2031635A NL 2031635 A NL2031635 A NL 2031635A NL 2031635 B1 NL2031635 B1 NL 2031635B1
- Authority
- NL
- Netherlands
- Prior art keywords
- animal
- data
- herd
- decision
- status
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 254
- 244000144980 herd Species 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000009471 action Effects 0.000 claims abstract description 95
- 230000035558 fertility Effects 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims description 87
- 235000013336 milk Nutrition 0.000 claims description 72
- 239000008267 milk Substances 0.000 claims description 72
- 210000004080 milk Anatomy 0.000 claims description 72
- 230000009027 insemination Effects 0.000 claims description 69
- 230000035935 pregnancy Effects 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 117
- 241000283690 Bos taurus Species 0.000 description 63
- 210000002569 neuron Anatomy 0.000 description 31
- 238000010801 machine learning Methods 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 11
- 244000309466 calf Species 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000009597 pregnancy test Methods 0.000 description 9
- 230000006651 lactation Effects 0.000 description 6
- 230000032696 parturition Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000012141 concentrate Substances 0.000 description 4
- 235000013365 dairy product Nutrition 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 229940088597 hormone Drugs 0.000 description 4
- 239000005556 hormone Substances 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010000210 abortion Diseases 0.000 description 2
- 231100000176 abortion Toxicity 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 244000309464 bull Species 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 241000283707 Capra Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000021045 dietary change Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000001158 estrous effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 230000008642 heat stress Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000030175 lameness Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 208000004396 mastitis Diseases 0.000 description 1
- 235000020938 metabolic status Nutrition 0.000 description 1
- 238000005528 milk analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 210000002826 placenta Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 210000004994 reproductive system Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 210000001082 somatic cell Anatomy 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Claims (19)
1. Werkwijze voor het beheren van een kudde die een veelheid dieren omvat met behulp van een dierbeheersysteem, door het verschaffen van beslissingsondersteuningsdata voor het nemen van vruchtbaarheidsbeheer- actiebeslissingen met betrekking tot ten minste één dier uit de kudde; waarbij het dierbeheersysteem een dierbeheerserver en één of meer ontvangers voor het ontvangen van een draadloos datasignaal van een veelheid elektronische sensortags omvat, waarbij elke elektronische sensortag bij één van de dieren van de kudde behoort, en waarbij elke elektronische sensortag ten minste één sensor omvat voor het verschaffen van een sensorsignaal dat indicatief is voor een dier-gerelateerde parameter, voor het opnemen van het sensorsignaal in het draadloze datasignaal, waarbij de werkwijze omvat: het van het dierbeheersysteem verkrijgen van één of meer beslissingstriggersignalen, waarbij de beslissingstriggersignalen ten minste een tochtigheidswaarschijnlijkheidssignaal omvatten dat indicatief is voor een bovengemiddelde waarschijnlijkheid dat het ten minste ene dier tochtig is; het van het dierbeheersysteem verkrijgen van vruchtbaarheidsbeheer- geschiedenisdata voor het ten minste ene dier, welke vruchtbaarheidsbeheer- geschiedenisdata indicatief zijn voor ten minste één eerder genomen vruchtbaarheidsbeheer-actiebeslissing of indicatief zijn voor een geboorte; het verkrijgen van een kuddestatus die indicatief is voor een momentane status van de kudde, waarbij de kuddestatus wordt bepaald op basis van dierbeheerdata die zijn verkregen van het dierbeheersysteem; waarbij de werkwijze voorts een stap omvat inhoudende: het door het dierbeheersysteem bepalen van een vruchtbaarheidsbeheer- actiebeslissing met betrekking tot het ten minste ene dier op basis van de één of meer beslissingstriggersignalen, de vruchtbaarheidsbeheergeschiedenisdata en de kuddestatus, waarbij de actiebeslissing wordt bepaald met behulp van een getraind autonoom lerend dataverwerkingsmodel.
2. Werkwijze volgens conclusie 1, waarbij het tochtigheidswaarschijnlijkheidssignaal wordt verkregen van een verder dataverwerkingsmodel op basis van sensorsignalen die zijn ontvangen van de elektronische sensortags; of waarbij het tochtigheidswaarschijnlijkheidssignaal wordt bepaald op basis van dierstatusdata die zijn verkregen van het dierbeheersysteem.
3. Werkwijze volgens conclusie 1 of 2, waarbij de dierbeheerdata een of meer omvatten van: hulpmiddeldata of kuddedata, waarbij de hulpmiddeldata data omvatten die indicatief zijn voor beschikbare hulpmiddelen voor beheer van de kudde en waarbij de kuddedata data omvatten die indicatief zijn voor kenmerken van de kudde, zoals melkopbrengst of kuddegrootte.
4. Werkwijze volgens een of meer van de voorgaande conclusies, waarbij de vruchtbaarheidsbeheer-actiebeslissingen betrekking hebben op ten minste één van: een gewenst moment van inseminatie, een zwangerschapscheck, een verandering van groep voor het ten minste ene dier, een voederwijziging, een beslissing tot droogzetten, een beslissing tot niet-voortplanten, of een beslissing geen actie te ondernemen met betrekking tot het dier.
5. Werkwijze volgens een of meer van de voorgaande conclusies, voorts omvattend: het bepalen dat de vruchtbaarheidsbeheer-actiebeslissing is uitgevoerd; het monitoren, nadat de vruchtbaarheidsbeheer-actiebeslissing is uitgevoerd, van de kuddestatus; en het bepalen, op basis van de een of meer dierbeheerdata, van een statusscore voor de kuddestatus, waarbij de statusscore een beloning dan wel een straf weergeeft, afhankelijk van het gegeven of de dierbeheerdata al dan niet indicatief zijn voor een toekomstig verwacht bereiken van een of meer doelen.
6. Werkwijze voor het trainen van een autonoom lerend dataverwerkingsmodel, voor gebruik bij een werkwijze volgens een of meer van de voorgaande conclusies, voor het verschaffen van beslissingsondersteuningsdata voor het nemen van vruchtbaarheidsbeheer-actiebeslissingen met betrekking tot ten minste één dier uit een kudde die een veelheid dieren omvat, waarbij de vruchtbaarheidsbeheer-actiebeslissingen betrekking hebben op ten minste één van: een gewenst moment van inseminatie, een zwangerschapscheck, een verandering van groep voor het ten minste ene dier, een voederwijziging, een beslissing tot droogzetten,
een beslissing tot niet-voortplanten, of een beslissing om geen actie te ondernemen met betrekking tot het dier; waarbij het autonome lerende dataverwerkingsmodel een versterkt-lerend (reinforcement learning) dataverwerkingsmodel is, en waarbij de trainingswerkwijze de volgende stappen omvat: het als eerste trainingsdata verkrijgen, van een dierbeheersysteem of een gebruiker, van een of meer beslissingstriggersignalen, waarbij de beslissingstriggersignalen ten minste een tochtigheidswaarschijnlijkheidssignaal omvatten dat indicatief is voor een bovengemiddelde waarschijnlijkheid dat het ten minste ene dier tochtig is; het als tweede trainingsdata verkrijgen, van een gebruiker of van het dierbeheersysteem, van vruchtbaarheidsbeheer-geschiedenisdata voor het ten minste ene dier, welke vruchtbaarheidsbeheer-geschiedenisdata indicatief zijn voor ten minste één eerder genomen vruchtbaarheidsbeheer-actiebeslissing of indicatief zijn voor een geboorte; en het als derde trainingsdata verkrijgen van een kuddestatus die indicatief is voor een momentane status van de kudde, waarbij de kuddestatus wordt bepaald op basis van dierbeheerdata die zijn verkregen van het dierbeheersysteem; het voor gebruik als vierde trainingsdata bepalen, op basis van de een of meer dierbeheerdata, van een statusscore voor de kuddestatus, waarbij de statusscore een beloning dan wel een straf weergeeft afhankelijk van het gegeven of de dierbeheerdata al dan niet indicatief zijn voor een toekomstig verwacht bereiken van een of meer doelen; en het trainen van het autonome lerende dataverwerkingsmodel om autonoom een stap uit te voeren inhoudende het bepalen van een vruchtbaarheidsbeheer- actiebeslissing met betrekking tot het ten minste ene dier op basis van toekomstige invoerdata zoals om een gewenste statusscore te bereiken, waarbij de toekomstige invoerdata een of meer toekomstige beslissingstriggersignalen omvatten, en waarbij het trainen wordt uitgevoerd op basis van ten minste de eerste, tweede, derde en vierde trainingsdata.
7. Werkwijze volgens conclusie 6, waarbij ten minste één van de volgende maatregelen geldt:
het tochtigheidswaarschijnlijkheidssignaal wordt verkregen van een verder dataverwerkingsmodel op basis van een of meer sensorsignalen van een elektronische sensortag die door het ten minste ene dier van de kudde wordt gedragen; of het tochtigheidswaarschijnlijkheidssignaal wordt bepaald op basis van dierstatusdata die zijn verkregen van het dierbeheersysteem; of het tochtigheidswaarschijnlijkheidssignaal wordt verkregen als invoer van een gebruiker.
8. Werkwijze volgens conclusie 6 of 7, waarbij de dierbeheerdata een of meer omvatten van: hulpmiddeldata of kuddedata, waarbij de hulpmiddeldata data omvatten die indicatief zijn voor beschikbare hulpmiddelen voor beheer van de kudde en waarbij de kuddedata data omvatten die indicatief zijn voor kenmerken van de kudde, zoals melkopbrengst of kuddegrootte.
9. Werkwijze volgens een of meer van de conclusies 6-8, waarbij de statusscore beloond of bestraft wordt afhankelijk van het gegeven of de kuddestatus indicatief is voor respectievelijk een toename of afname in melkopbrengst van de kudde.
10. Werkwijze volgens conclusie 9, waarbij de statusscore beloond of bestraft wordt in verhouding tot de toename of afname in melkopbrengst.
11. Werkwijze volgens een of meer van de conclusies 6-10, waarbij de statusscore wordt bestraft indien de hulpmiddeldata of de kuddestatus indicatief zijn voor een hulpmiddelknelpunt, zoals een tekort aan hokken voor kroost, een cumulatie van gelijktijdige baringen, of een tekort aan personele capaciteit.
12. Werkwijze volgens een of meer van de conclusies 6-11, waarbij de vruchtbaarheidsbeheer-geschiedenisdata een eerdere beslissing om het ten minste ene dier te insemineren omvatten, en waarbij de statusscore wordt bestraft indien na genoemde inseminatie van het ten minste ene dier een zwangerschapsstatus van het ten minste ene dier niet verandert.
13. Werkwijze volgens een of meer van de conclusies 6-12, waarbij de een of meer beslissingstriggersignalen voorts een of meer omvatten van een groep omvattende: tochtigheidsgeschiedenisdata van het ten minste ene dier, melkopbrengstgeschiedenisdata van het ten minste ene dier of de kudde, leeftijdsdata van het ten minste ene dier, momentaan aantal dagen dat het ten minste ene dier melkgevend is, zwangerschapsstatus van een of meer dieren van de kudde.
14. Werkwijze volgens een of meer van de conclusies 6-13, waarbij de vruchtbaarheidsbeheer-actiebeslissingen een bepaling van een gewenst moment van inseminatie van het ten minste ene dier omvatten, waarbij de stap van het bepalen van een gewenst moment van inseminatie het volgende omvat: het vergelijken, voor elk van een veelheid toekomstige momenten na ontvangst van de een of meer beslissingstriggersignalen, van een effect op de statusscore op een tijdstip na het respectieve moment: in reactie op een inseminatiebeslissing op het respectieve moment als een eerste alternatief, of in reactie op een beslissing om inseminatie uit te stellen op het respectieve moment als een tweede alternatief.
15. Werkwijze volgens een of meer van de voorgaande conclusies, waarbij de vruchtbaarheidsbeheer-geschiedenisdata data omvatten die indicatief zijn voor een zwangerschap van het ten minste ene dier, en waarbij het autonome lerende dataverwerkingsmodel getraind wordt om, bij ontvangst gedurende de zwangerschap van een beslissingstriggersignaal dat indicatief is voor een bovengemiddelde waarschijnlijkheid dat het ten minste ene dier tochtig is, te bepalen dat de vruchtbaarheidsbeheer-actiebeslissing er ten minste één is van: niets doen, een zwangerschapscheck uitvoeren of een inseminatie uitvoeren.
16. Werkwijze volgens een of meer van de conclusies 6-15, waarbij de werkwijze wordt uitgevoerd tijdens een eerste trainingsfase en een tweede trainingsfase, en waarbij tijdens de tweede trainingsfase de werkwijze voorts omvat het door het autonome lerende dataverwerkingsmodel doen uitvoeren van een stap inhoudende het bepalen van een raadzame vruchtbaarheidsbeheer-actiebeslissing voor het ten minste ene dier op basis van de eerste trainingsdata door evalueren van een verwachte kuddestatus en een bijbehorende statusscore.
17. Autonoom lerend dataverwerkingsmodel, waarbij het model een versterkt- lerend (reinforcement learning) dataverwerkingsmodel is, en waarbij het model wordt getraind onder gebruikmaking van een werkwijze volgens een of meer van de conclusies 6-15, voor het mogelijk maken van de volgende stappen: het van een dierbeheersysteem verkrijgen van een of meer beslissingstriggersignalen, waarbij de beslissingstriggersignalen ten minste een tochtigheidswaarschijnlijkheidssignaal omvatten dat indicatief is voor een bovengemiddelde waarschijnlijkheid dat het ten minste ene dier tochtig is; het verkrijgen van een kuddestatus die indicatief is voor een momentele status van de kudde, waarbij de kuddestatus wordt bepaald op basis van dierbeheerdata die zijn verkregen van het dierbeheersysteem; het bepalen, door het autonome lerende dataverwerkingsmodel en op basis van de een of meer beslissingstriggersignalen, van beslissingsondersteuningsdata voor het nemen van een vruchtbaarheidsbeheer- actiebeslissing met betrekking tot het ten minste ene dier uit de kudde.
18. Autonoom lerend dataverwerkingsmodel volgens conclusie 17, voorts omvattend: het monitoren, nadat de vruchtbaarheidsbeheer-actiebeslissing is uitgevoerd, van de kuddestatus; en het bepalen, op basis van de een of meer dierbeheerdata, van een momentaan statusscore voor de kuddestatus, waarbij de statusscore een beloning dan wel een straf weergeeft afhankelijk van het gegeven of de dierbeheerdata al dan niet indicatief zijn voor een toekomstig verwacht bereiken van een of meer doelen.
19. Computerprogrammaproduct voor gebruik bij een dierbeheersysteem dat een controller en een geheugen omvat, waarbij het computerprogrammaproduct instructies omvat die, wanneer deze in het geheugen zijn geladen en door de controller worden uitgevoerd, het dierbeheersysteem een werkwijze voor het trainen van een autonoom lerend dataverwerkingsmodel in overeenstemming met een of meer van de conclusies 6-16 doen uitvoeren.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/NL2023/050117 WO2023172139A1 (en) | 2022-03-10 | 2023-03-10 | Method of managing a herd comprising a plurality of animals using an animal management system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
NL2031231 | 2022-03-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
NL2031635B1 true NL2031635B1 (en) | 2023-09-15 |
Family
ID=82942949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NL2031635A NL2031635B1 (en) | 2022-03-10 | 2022-04-20 | Method of managing a herd comprising a plurality of animals using an animal management system. |
Country Status (1)
Country | Link |
---|---|
NL (1) | NL2031635B1 (nl) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080128486A1 (en) * | 2006-11-10 | 2008-06-05 | Breedcare Pty Ltd. | Livestock breeding and management system |
US20150302241A1 (en) * | 2012-12-02 | 2015-10-22 | Agricam Ab | Systems and methods for predicting the outcome of a state of a subject |
WO2020031050A1 (en) * | 2018-08-04 | 2020-02-13 | Kaur Kamalpavit | A system and a device for health and fertility management of one or more milch animals |
WO2020161360A2 (en) * | 2019-02-08 | 2020-08-13 | Agtag Limited | Bovine motion sensor tag |
-
2022
- 2022-04-20 NL NL2031635A patent/NL2031635B1/en active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080128486A1 (en) * | 2006-11-10 | 2008-06-05 | Breedcare Pty Ltd. | Livestock breeding and management system |
US20150302241A1 (en) * | 2012-12-02 | 2015-10-22 | Agricam Ab | Systems and methods for predicting the outcome of a state of a subject |
WO2020031050A1 (en) * | 2018-08-04 | 2020-02-13 | Kaur Kamalpavit | A system and a device for health and fertility management of one or more milch animals |
WO2020161360A2 (en) * | 2019-02-08 | 2020-08-13 | Agtag Limited | Bovine motion sensor tag |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caja et al. | Engineering to support wellbeing of dairy animals | |
Dominiak et al. | Prioritizing alarms from sensor-based detection models in livestock production-A review on model performance and alarm reducing methods | |
Barnes et al. | The effect of lameness prevalence on technical efficiency at the dairy farm level: An adjusted data envelopment analysis approach | |
EFSA Panel on Animal Health and Welfare (AHAW) | Guidance on risk assessment for animal welfare | |
Boersema et al. | Farm health and productivity management of dairy young stock | |
Lehmann et al. | Early lactation production, health, and welfare characteristics of cows selected for extended lactation | |
Maltz | Individual dairy cow management: achievements, obstacles and prospects | |
Ebinghaus et al. | How to measure dairy cows’ responsiveness towards humans in breeding and welfare assessment? A comparison of selected behavioural measures and existing breeding traits | |
Wolfová et al. | Strategies for defining traits when calculating economic values for livestock breeding: a review | |
EFSA Panel on Animal Health and Welfare (AHAW) | Scientific Opinion on the use of animal‐based measures to assess welfare of dairy cows | |
Calamari et al. | Model to evaluate welfare in dairy cow farms | |
NL2031635B1 (en) | Method of managing a herd comprising a plurality of animals using an animal management system. | |
Maltz | Novel technologies: sensors, data and precision dairy farming | |
Hogeveen et al. | Development of an integrated knowledge-based system for management support on dairy farms | |
Buis | Development and application of a precision feeding program using electronic sow feeders and effect on gestating primiparous sow performance | |
Mourits et al. | Dairy-heifer management in the Netherlands | |
Van der Werf | Livestock straight-breeding system structures for the sustainable intensification of extensive grazing systems | |
WO2023172139A1 (en) | Method of managing a herd comprising a plurality of animals using an animal management system | |
Lazzarini et al. | Productive, economic and risk assessment of grazing dairy systems with supplemented cows milked once a day | |
Peixoto et al. | Environmental and genetic effects on the temperament variability of Guzerá (Bos indicus) females. | |
Vargas et al. | Interactions between optimal replacement policies and feeding strategies in dairy herds | |
Frandsen | Benchmarking in dairy production:“how to transform data to valuable decision support” | |
Mounier et al. | Positive attitudes of farmers and pen-group conservation reduce adverse reactions of bulls during transfer for slaughter | |
Gonzalez | Partial budget for the acquisition of an Automated Estrous and Health Monitoring System for a small New York dairy farm. | |
Canga et al. | Information and communication technologies (ICT) and precision livestock (PLF) applications in farm conditions |