A new version of this entry is available:

Loading...
Thumbnail Image
Doctoral Thesis
2022

Precision grazing: investigating the potential and limits of smart tools and algorithms to support pasture allocation decisions in dairy cattle farming

Abstract (English)

Grassland as a feed resource for grazing cattle has untapped potential for environmentally sustainable and economically viable dairy production. Implementing automated tools can increase resource use efficiency of feeding systems that include grazing, especially because the spatiotemporal variability of pastures is high. The relevant tools estimate available herbage mass, its nutritional quality and the current state of an animal’s herbage intake on pasture in nearly real time and allow farmers make informed pasture allocation decisions by interpreting and visualizing sensor data. However, the applied tools and associated algorithms must be accurate and as time efficient as possible. In the present thesis, three studies investigated these requirements under on-farm conditions on temperate permanent grasslands. The aim of the first study was to evaluate existing prediction models that determine herbage scarcity on pasture based on changes in dairy cow behavior. A second study evaluated the performance of three tools in determining fresh herbage mass and nutritional quality of multi-species grasslands: an analysis model for multispectral imagery (MSI), a portable on-site near-infrared reflectance spectroscopy instrument (NIRS) and visual observations done by farmers who used look-up tables. A camera mounted to an unmanned aerial vehicle (UAV) performed MSI. In the third study, the labor input of all tools and a forth tool—a semi-automated rising plate meter (RPM)—was modeled for an exemplary dairy farm to compare the time-efficiency between these work procedures and to identify optimization potential in their workflows. Although some of the investigated approaches were commercially available and ready-to-use, their accuracy and applicability have not been scientifically evaluated under farming conditions. In the first study, a grazing study, twenty lactating Brown Swiss cows grazed in two groups and half-days in six-day grazing cycles where the allocated grazing areas were restricted. Behaviors of individual cows were recorded by using noseband sensors and pedometers that monitored the head, jaw, and leg activity. A generalized linear model and a random forest model predicted daily herbage availability on pasture based on eight feeding behaviors. The predictions (binary classifications) were compared to two individual-animal and day-specific reference indicators for feed scarcity: reduced milk yields and rumen fill scores that undercut normal variation. It was found that the predictive performance of the models in identifying herbage scarcity was low. However, two out of eight behavioral variables were confirmed as suitable predictors: “daily rumination chews” and “bite frequency,” the latter being particularly sensitive when new feed allocation is present in the grazing setup within 24 h. Several steps for further development are needed before the predictions can be applied on commercial farms. In the second study, a grassland study, herbage mass and nutritional quality were estimated using the three tools mentioned above, but NIRS was combined with destructive sampling to determine herbage mass. Surveys were undertaken on 18 multi species grasslands located on six farms in Switzerland throughout the vegetation period in 2018. The sampled plots represented two phenological growth stages. The estimates of the tools were compared with laboratory measurements as a reference. The tools showed unsatisfactory performance for use on multi-species grasslands. Environmental characteristics of the 18 studied plots presented a great challenge for the MSI-based model. An increase in standing herbage mass on the plots was related to the higher error in estimating herbage mass and crude protein, respectively. The on-site NIRS determined fresh herbage quality with a systematic and correctable error. After corrections, its performance (relative prediction error ≤7.7 %) was better than that of the visual observation using look-up tables. In the third study, the labor study, a modeling approach that included time measurements based on video footage was used to study the workflow and the labor input of each tool. The labor time requirement was modeled when tools were applied in different farm sizes (i.e., 6–100 ha) and paddock setups (i.e., 4–45 paddocks on a given pasture area). In addition, we studied the optimization potential in workflows by identifying work elements where time can be saved by outsourcing or replacing them. The labor time requirement differed between the RPM, the on-site NIRS and the UAV (i.e., MSI-based tool) depending on the farm size and paddock setup (0.7–5.9 h per operation). It increased for all tools with an increase in farm size, but labor time requirement was lowest for the RPM. For the UAV, it did not increase noticeably when the division of the grazing area changed. Nevertheless, the potential to save time was identified for the UAV and the NIRS (34.4 min and 10.6 min, respectively). Further development of the behavior- and MSI-based approaches is needed, including the variable selection and expansion (i.e., which cow behaviors and which spectral indices are most relevant; which additional data can improve the prediction). In conclusion, the on-site NIRS has great potential for decision support on pasture allocation and supplementary feeding when looking at its measurement accuracy. However, instead of destructive sampling to determine herbage mass, using an alternative approach such as RPM would contribute to a more sociotechnologically sustainable grazing management using the NIRS.

Abstract (German)

Grünland birgt als Futterressource für Weidevieh ungenutztes Potenzial für eine ökologisch nachhaltige und wirtschaftlich lohnende Milchproduktion. Der Einsatz automatisierter Instrumente kann die Ressourcennutzung von Fütterungssystemen effizienter machen, insbesondere solche die Weidehaltung beinhalten, weil die räumliche und zeitliche Variabilität von Weiden hoch ist. Die entsprechenden Instrumente schätzen die verfügbare Grasmenge, ihre Nährstoffqualität und den aktuellen Stand der Futteraufnahme eines Tieres auf der Weide nahezu in Echtzeit und ermöglichen es den Landwirten, durch Interpretation und Visualisierung der Sensordaten fundierte Entscheidungen über die Weidezuteilung zu treffen. Die angewandten Instrumente und die dazugehörigen Algorithmen müssen jedoch genau und so zeitsparend wie möglich sein. In der vorliegenden Thesis wurden diese Anforderungen in drei Studien unter On-Farm-Bedingungen auf gemäßigtem Dauergrünland untersucht. Ziel der ersten Studie war die Bewertung bestehender Vorhersagemodelle, die auf der Grundlage von Veränderungen im Verhalten der Milchkühe die Futterknappheit auf der Weide bestimmen. In einer zweiten Studie wurde die Genauigkeit von drei Instrumenten zur Bestimmung der Frischgrasmenge und der Nährstoffqualität von artenreichem Grünland bewertet: ein Analysemodell für multispektrale Bilddaten (MSI), ein tragbares Nahinfrarot-Reflexionsspektroskopie Instrument (NIRS) und visuelle Beobachtungen von Landwirten, die Nachschlagetabellen verwendeten. Die MSI wurden mit einer an einer Drohne (UAV) montierten Kamera gesammelt. In der dritten Studie wurde der Arbeitszeitbedarf aller Instrumente und eines vierten Instruments—ein halbautomatisches Plattenherbometer (RPM)—für einen exemplarischen Milchviehbetrieb modelliert, um die Zeiteffizienz zwischen diesen Arbeitsverfahren zu vergleichen und Optimierungspotenziale in den Arbeitsabläufen zu identifizieren. Obwohl einige der untersuchten Ansätze kommerziell verfügbar und einsatzbereit waren, wurden ihre Genauigkeit und Anwendbarkeit unter landwirtschaftlichen Bedingungen bisher nicht wissenschaftlich evaluiert. In der ersten Studie, einer Weidestudie, weideten zwanzig laktierende Braunviehkühe in zwei Gruppen und halbtags in sechstägigen Weidezyklen, wobei die zugewiesenen Weideflächen begrenzt waren. Das Verhalten der einzelnen Kühe wurde mit Hilfe von Nasenbandsensoren und Pedometern aufgezeichnet, welche die Kopf-, Kiefer- und Beinaktivität überwachten. Ein generalisiertes lineares Modell und ein Random-Forest-Modell sagten die tägliche Verfügbarkeit von Futter auf der Weide auf der Grundlage von acht Fressverhaltensmerkmalen voraus. Die Vorhersagen (binäre Klassifizierungen) wurden mit zwei tierindividuellen und tagesspezifischen Referenzindikatoren für Futterknappheit verglichen: eine verringerte Milchleistung und Pansenfüllwerte, die normale Schwankungen unterschreiten. Es zeigte sich, dass die Vorhersageleistung der Modelle bei der Erkennung von Futterknappheit gering war. Allerdings wurden zwei der acht Verhaltensmerkmale als geeignete Prädiktoren bestätigt: «die tägliche Anzahl Wiederkäuschläge» und «die Fressbissfrequenz», wobei letztere besonders empfindlich ist, wenn innerhalb von 24 Stunden eine neue Futterzuteilung stattfindet. In der zweiten Studie, einer Grünlandstudie, wurden die Grasmenge und die Nährstoffqualität mithilfe der drei oben genannten Instrumente geschätzt, wobei NIRS mit einer destruktiven Probenahme zur Bestimmung der Grasmenge kombiniert wurde. Die Erhebungen wurden auf 18 artenreichen Grünlandflächen auf sechs landwirtschaftlichen Betrieben in der Schweiz während der gesamten Vegetationsperiode 2018 durchgeführt. Die beprobten Parzellen repräsentierten zwei phänologische Wachstumsstadien. Die Schätzungen der Instrumente wurden mit Labormessungen als Referenz verglichen. Die Instrumente erwiesen sich als unzureichend für den Einsatz auf artenreichem Grünland. Die Umweltmerkmale der 18 untersuchten Parzellen stellten eine große Herausforderung für das MSI-basierte Modell dar. Eine Zunahme der stehenden Grasmenge auf den Parzellen war mit einem höheren Fehler bei der Schätzung der Grasmenge bzw. des Rohproteingehalts verbunden. Das NIRS ermittelte die Frischgrasqualität mit einem systematischen und korrigierbaren Fehler. Nach Korrekturen war seine Leistung (relativer Vorhersagefehler ≤7,7 %) besser als die der visuellen Beobachtung unter Verwendung von Nachschlagetabellen. In der dritten Studie, der Arbeitsstudie, wurde ein Modellierungsansatz verwendet, der Zeitmessungen auf der Grundlage von Videoaufnahmen umfasste, um den Arbeitsablauf und den Arbeitszeitbedarf für jedes Werkzeug zu untersuchen. Der Arbeitszeitbedarf wurde modelliert, wenn die Werkzeuge in verschiedenen Betriebsgrößen (z. B. 6–100 ha) und Koppelaufteilungen (z. B. 4–45 Koppeln auf einer bestimmten Weidefläche) eingesetzt wurden. Darüber hinaus untersuchten wir das Optimierungspotenzial in den Arbeitsabläufen, indem wir die Arbeitselemente identifizierten, bei denen durch Auslagerung oder Ersetzen Zeit eingespart werden kann. Der Arbeitszeitbedarf unterschied sich zwischen dem RPM, dem NIRS und dem UAV (d. h. dem Instrument mit MSI) je nach Betriebsgröße und Koppelaufteilung (0,7–5,9 h pro Vorgang). Mit zunehmender Betriebsgröße nahm der Arbeitszeitbedarf für alle Instrumente zu, am geringsten war er jedoch für das RPM. Beim UAV nahm er nicht merklich zu, wenn sich die Aufteilung der Weidefläche änderte. Dennoch wurde für das UAV und das NIRS ein Potenzial zur Zeiteinsparung festgestellt (34,4 min bzw. 10,6 min). Die verhaltens- und MSI-basierten Ansätze müssen weiterentwickelt werden, einschließlich der Variablenauswahl und -erweiterung (d.h. welche Kuhverhaltensmerkmale und welche Spektralindizes sind am relevantesten; welche zusätzlichen Daten können die Vorhersage verbessern). Zusammenfassend lässt sich sagen, dass das NIRS ein großes Potenzial für die Entscheidungsfindung bei der Weidezuteilung und der Zufütterung hat, wenn man dessen Schätzgenauigkeit betrachtet. Anstelle der destruktiven Probenahme zur Bestimmung der Grasmenge würde jedoch ein alternativer Ansatz wie das RPM zu einem soziotechnologisch nachhaltigeren Weidemanagement unter Verwendung des NIRS beitragen.

File is subject to an embargo until

This is a correction to:

A correction to this entry is available:

This is a new version of:

Notes

Publication license

Publication series

Published in

Other version

Faculty

Faculty of Agricultural Sciences

Institute

Institute of Agricultural Sciences in the Tropics (Hans-Ruthenberg-Institute)

Examination date

2023-06-26

Edition / version

Citation

DOI

ISSN

ISBN

Language

English

Publisher

Publisher place

Classification (DDC)

630 Agriculture

Original object

Free keywords

Standardized keywords (GND)

Sustainable Development Goals

BibTeX

@phdthesis{Hart2022, url = {https://hohpublica.uni-hohenheim.de/handle/123456789/15851}, author = {Hart, Leonie Sophia}, title = {Precision Grazing: Investigating the Potential and Limits of Smart Tools and Algorithms to Support Pasture Allocation Decisions in Dairy Cattle Farming}, year = {2022}, }

Share this publication