Le condizioni psicofisiche delle vacche da latte esposte ad ondate di calore rischiano di diventare sempre più critiche e, in uno scenario di cambiamento climatico, le soluzioni gestionali per evitare shock e stress sono vieppiù importanti nella conduzione di un allevamento. Inoltre, grazie alla ricerca scientifica, sono disponibili informazioni sempre più dettagliate sulle reazioni delle bovine allo stress da caldo in termini di fisiologia, comportamento e produttività.
Diversi studi hanno evidenziato che le vacche in una fase avanzata della lattazione mostrano maggiore suscettibilità allo stress da caldo, con marcate risposte in termini di attività, rispetto a quelle in uno stadio iniziale di lattazione. Inoltre le vacche multipare esprimono risposte in termini di attività e produzione meno pronunciate rispetto a quelle primipare.
Machine learning
In effetti, l’accumulo nel tempo dell’esposizione allo stress da caldo e le informazioni su produzione e comportamento delle singole vacche si sono rivelati fattori significativi per lo sviluppo di modelli predittivi basati sulla suscettibilità individuale degli animali allo stress.
I metodi statistici utilizzati in letteratura hanno mostrato che la frequenza di mungitura, il numero di parti, la progressione della lattazione e le caratteristiche delle cuccette e del sistema di stabulazione rappresentano importanti fattori responsabili degli andamenti della produzione lattifera negli allevamenti.
In questo contesto, sono già stati applicati algoritmi di machine learning in diversi ambiti della ricerca sulla zootecnia di precisione, in particolare per prevedere i dati di produzione e i parametri di benessere animale. Tali approcci rappresentano uno strumento promettente, utile per sviluppare e migliorare il supporto decisionale per gli allevatori al fine di incrementare la produzione di latte e il benessere animale, da un lato e, dall’altro, per ridurre le risorse necessarie, aumentando così la sostenibilità del settore.
Una piattaforma informatica
In questo contesto è in fase di completamento il progetto europeo “Eit Food DairySust”, operante nel biennio 2021-2022, che si concentra su “Big data e analisi avanzate per la gestione sostenibile dell’allevamento di bovine da latte” (vedi Informatore Zootecnico n. 12.2022, pagine 28-31, Per il latte big data e analisi avanzate).
Il progetto viene portato avanti da un consorzio coordinato dal gruppo di ricerca in Costruzioni rurali dell’Università di Bologna e comprendente il laboratorio di tecnologie per la zootecnia della divisione di ingegneria della salute animale e umana del Dipartimento di Biosistemi della Katholieke University di Leuven (Belgio), la startup innovativa Agricolus, le società belghe Flanders’ Food e Innovatiesteunpunt.
Il principale risultato del progetto è una piattaforma digitale in grado di supportare i processi decisionali degli allevatori e dei professionisti coinvolti nel processo produttivo, migliorando il triangolo sostenibilità - benessere animale - produttività.
La raccolta dei dati per realizzare un database
I dati raccolti in un campione di stalle italiane e belghe sono stati organizzati con l’obiettivo di definire un database di parametri comuni tra tutti quelli disponibili e utili per sviluppare modelli di elaborazione.
I dati vengono importati in un server accessibile ai partner del progetto e, attraverso questo sistema, i partner sono in grado di scambiare, integrare e consolidare i dati. Le strategie di consolidamento usano le informazioni di diverse fonti per migliorare la qualità generale dei dati.
I dati sono poi organizzati in un database PostgreSQL usato per alimentare gli algoritmi previsionali.
Nello specifico, il modulo sullo stress da caldo fa uso prioritariamente dei dati sul riposo dei singoli animali, dati di produzione di latte e dati ambientali (temperatura e umidità relativa). I dati ambientali costituiscono un aspetto fondamentale e per questo devono essere raccolti nel modo più accurato possibile.
La piattaforma DairySust e il modulo stress da caldo
Come accennato, il software DairySust rappresenta un sistema di supporto alle decisioni che può indirizzare il lavoro di diversi attori della filiera lattiero-casearia, in primo luogo tecnici e allevatori.
Un tale sistema è oggi indispensabile prima di tutto per evidenziare i fattori chiave per una corretta gestione della mandria: sulla base dell’analisi della situazione, anche in caso di modifiche rispetto ai piani prestabiliti, viene identificata chiaramente la migliore decisione per fornire una risposta immediata e per garantire una corretta allocazione delle risorse.
In questo contesto, i dati costituiscono la risorsa principale e la loro acquisizione e interpretazione rappresentano passaggi fondamentali.
Le informazioni raccolte e generate nella piattaforma DairySust includono set di dati di grandi dimensioni riguardanti la mandria, i parametri gestionali, i parametri ambientali produttivi delle singole bovine, la qualità del latte, il livello di benessere e salute degli animali. DairySust è sviluppato con linguaggi di programmazione standard e utilizzando strumenti di installazione e controllo delle versioni consentiti nella piattaforma Agricolus.
I dati vengono raccolti e poi trasferiti in organigrammi di cartelle organizzati che consentono la tracciabilità e la riproducibilità delle elaborazioni svolte.
Le principali caratteristiche del sistema, in termini di preferenze degli utenti finali, sono state definite sulla base di consultazioni degli allevatori, svolte mediante un approccio partecipativo di co-creation. La piattaforma presenta così le seguenti funzionalità:
- dashboard intuitivo moderno su desktop e app;
- interfaccia user-friendly e intuitiva ad elevata accessibilità;
- possibilità di visualizzare i dati aggiornati attraverso una varietà di report;
- condivisione dei dati grazie alle opzioni di scambio di informazioni;
- generazione di liste di attività giornaliere/settimanali;
- configurazione personalizzata e dati sulla mandria precaricati;
- creazione automatica di report;
- backup dei dati.
Nel complesso, il software è strutturato per fornire i seguenti risultati:
- previsione della produzione di latte in relazione a parametri ambientali e stress da caldo;
- rilevamento di vacche che soffrono di stress da caldo;
- misura della resa e la qualità del latte per ogni vacca e monitoraggio della composizione del latte;
- rilevamento preciso dei calori e monitoraggio della fertilità delle vacche;
- monitoraggio del benessere animale.
Criteri di analisi dei dati ed algoritmi
L’algoritmo per l’identificazione dello stress termico si basa su tre indicatori. Il primo è la differenza nella produzione relativa, il secondo si basa sul tempo di riposo giornaliero mentre il terzo è un indice di disagio (o discomfort). Questi tre indici sono stati sviluppati e messi a punto durante il progetto e forniscono, quando usati in maniera contemporanea e integrata, una indicazione dello stato di stress da caldo o meno per la singola bovina da latte.
Il modulo stress da caldo fa uso di due modelli principali: il primo (a) è usato per la stima della produzione di latte, il secondo (b) per l’identificazione degli animali in stress da caldo.
a) Modello numerico per la valutazione dell’impatto dello stress da caldo: previsione della produzione di latte in relazione a parametri ambientali
L’algoritmo utilizzato per valutare una previsione della produzione giornaliera di latte di una singola vacca, considerando le condizioni ambientali, elabora i dati disponibili utilizzando l’algoritmo Random Forest, un metodo di apprendimento automatico d’insieme che effettua previsioni calcolando la media delle previsioni fornite da diversi modelli casuali indipendenti.
L’algoritmo è concepito come un metodo per combinare diversi alberi di classificazione e regressione, come suggerisce il nome, con ciascun albero che dipende da una raccolta di variabili casuali. Nel presente caso, l’algoritmo è stato adottato a fini di regressione per stabilire il modello numerico che meglio si adatta ai dati di ciascuna vacca.
L’algoritmo permette di valutare la resa di latte giornaliera attesa in presenza di effetti di stress termico, per ogni singola vacca. Consente inoltre di quantificare gli effetti dei livelli critici di THI sulla produzione di latte e, infine, di valutare le conseguenze degli scenari di cambiamento climatico sulla produzione sulla base di proiezioni dei parametri termo-igrometrici calcolati a partire dai dati climatici.
b) Modello numerico per la valutazione degli animali in stress da caldo
L’algoritmo utilizzato per valutare gli animali in stress da caldo usa il rilevamento delle anomalie dei dati di produzione di un singolo animale, con riferimento alle condizioni climatiche, rispetto ai dati medi ottenuti per la mandria, assunti come riferimento.
La baseline è definita come il miglior adattamento ai dati di produzione di una funzione che descrive numericamente il tipico andamento della curva di lattazione. L’indice di discomfort è una misura dello stress termico cumulato nei vari giorni dagli animali.
Viene quindi determinata una situazione di anomalia, per una singola vacca per un giorno specifico, quando vengono rilevate contemporaneamente le tre condizioni: calo di produzione, calo del tempo di riposo giornaliero della bovina al di sotto di un limite di riferimento, basato sui valori di sintesi della mandria; indice di discomfort elevato. I parametri utilizzati per definire i valori soglia vengono impostati dagli sviluppatori sulla base di dati di validità generale, ma possono essere personalizzati dagli utenti (allevatori, veterinari, tecnici ecc.).
Il verificarsi di una condizione di anomalia per una generica vacca sta ad indicare che quel giorno l’animale ha subito uno stress da caldo. Il numero totale di giorni in cui sono state rilevate deviazioni e la loro distribuzione temporale possono aiutare l’allevatore ad identificare le vacche maggiormente suscettibili allo stress e a comprendere gli effetti delle condizioni microclimatiche della stalla e quindi l’efficacia dei sistemi di raffrescamento adottati. Gli output della piattaforma forniscono così supporto per migliorare sia la gestione del controllo ambientale che quella della mandria stessa.
Esempio di applicazione della piattaforma
Sula base degli algoritmi descritti, la piattaforma restituisce una panoramica delle condizioni di stress da caldo rilevate o meno per ciascuna vacca (Figura 4).
Per ciascuna vacca è quindi possibile accedere ad una scheda specifica (Figura 5). In tale pagina viene fornita una panoramica delle condizioni di stress da caldo degli ultimi cinque giorni, utile per avere una sintesi delle dinamiche in corso relativamente alle condizioni dell’animale. Una restituzione più dettagliata dei fenomeni è offerta dalla rappresentazione grafica dei dati storici degli andamenti del THI della stalla e della produzione giornaliera della bovina in esame nella lattazione in corso, riportata in basso nella scheda.
Infine, utilizzando il modello di Random Forest sopra descritto, viene riportato il valore di produzione giornaliera di latte attesa per il giorno successivo, unitamente al livello di affidabilità della previsione.
La piattaforma DairySust consente pertanto di svolgere elaborazioni che, avvalendosi di sofisticati modelli numerici, elevano il livello informativo disponibile grazie ai dati acquisiti dai dispositivi elettronici presenti in una moderna stalla. Il modulo sullo stress da caldo, in particolare, permette di avere sotto controllo la situazione di tutte le bovine, oltre a quella complessiva dei parametri climatici.
Un approccio analogo, basato sull’applicazione di modelli numerici innovativi per l’elaborazione di dati disponibili, che preventivamente vengono adeguatamente organizzati, caratterizzano anche gli altri moduli della piattaforma informatica, che saranno descritti in prossimi articoli.
Gli autori sono dell’Università di Bologna, Dipartimento di Scienze e Tecnologie Agro-alimentari (Distal) – Ingegneria agraria.
