Hassas Hayvancılık: Sensörler Sürü Yönetimine Ne Kazandırır?

Bir inek hastalandığını söylemez; ama gevişi, adımları, yatma süresi, içtiği su ve sütünün iletkenliği bunu çoğu zaman gözle fark edilmeden önce gösterir. Hassas hayvancılık (precision livestock farming), bu sinyalleri sensörlerle 24 saat kaydedip sürü yöneticisinin önüne düzenli bir uyarı listesi olarak koyma yaklaşımıdır. Soru artık “sensör işe yarar mı?” değil; hangi sensör, hangi sorun için ve verinin karara nasıl çevrileceği.

Sahada kullanılan başlıca sensörler

Rutten ve arkadaşlarının derlemesi, 126 yayındaki 139 sensör sistemini incelemiş; en çok çalışılan alanların mastitis, döl verimi ve hareket (topallık) olduğunu, metabolik sorunların ise daha az çalışıldığını bildirmiştir [1].

Kanıtlanmış faydalar

Kızgınlık tespiti: göz kaçırır, sensör kaçırmaz

Mayo ve arkadaşlarının senkronize Holstein ineklerde yaptığı çalışmada, günde 4 kez 30’ar dakikalık gözlemle ovulasyon yapan ineklerin yalnızca %56’sı durarak kızgınlık gösterirken izlenebildi. Kızgınlık günü adım ve boyun hareketine dayalı aktivite ölçümleri başlangıç düzeyinin %69–170 üzerine çıktı, geviş süresi ise %2–16 düştü. Uyarı veren altı cihazdan dördü, görsel gözleme göre %15–35 daha fazla ineği tespit etti [2]. Pratikteki anlamı açık: gözleme ayrılan insan saatini azaltırken kaçan kızgınlık sayısını düşürmek.

Geviş süresi: hastalıktan önce düşen erken uyarı

Bu alandaki en çok atıf alan seri, Stangaferro ve arkadaşlarının 2016’da Journal of Dairy Science’ta yayımladığı üç makaledir. Boyuna takılı geviş ve aktivite sensörleriyle 1.121 Holstein inek doğumdan 21 gün önceden 80. laktasyon gününe kadar izlendi; geviş ve aktiviteden günlük bir sağlık skoru hesaplandı [3–5].

• Metabolik ve sindirim sorunları: Sistem abomazum deplasmanı olan ineklerin %98’ini, ketozisli ineklerin %91’ini, sindirim bozukluğu olanların %89’unu yakaladı. Uyarı, veteriner hekimin teşhisinden ortalama abomazum deplasmanında 3 gün, ketoziste 1,6 gün önce geldi [3].
• Mastitis: Duyarlılık tüm vakalarda %58’de kaldı; E. coli kaynaklı vakalarda %80,7’ye çıktı. Uyarı teşhisten ortalama yalnızca 0,6 gün önceydi [4].
• Metritis: Duyarlılık %55; metritise başka bir sorun eşlik ettiğinde %78, tek başına metritiste %53 idi [5].

Bu tablo dürüst bir mesaj veriyor: geviş/aktivite izleme, işkembeyi ve iştahı doğrudan etkileyen sorunlarda güçlü bir erken uyarı aracıdır; hafif seyirli meme ve rahim sorunlarında ise tek başına yeterli değildir. Sensör, taze inek muayenesinin yerini almaz; hangi ineğe önce bakılacağını söyler.

Topallık: umut verici ama henüz olgunlaşmamış

Van Nuffel ve arkadaşlarının derlemesine göre çiftçiler sürüdeki topallık yaygınlığını sıklıkla dört kat veya daha fazla düşük tahmin ediyor. Mevcut çiftlik verilerinin (süt verimi, boyun aktivitesi, geviş) birlikte kullanıldığı bir modelde %89 duyarlılık ve %85 özgüllük bildirilmiş; ancak yazarlar otomatik topallık tespit sistemlerinin ticari olarak yaygın olmadığını ve az sayıda çiftlikte kullanıldığını vurguluyor [6].

Vücut kondisyonu: kamera tutarlı, uçlarda dikkat

Ticari bir çiftlikte 343 inekte yapılan doğrulamada otomatik kamera skoru ile elle verilen VKS arasındaki korelasyon 0,78, ortalama hata −0,1 puan oldu; sistem en doğru sonuçları 3,00–3,75 VKS aralığında verdi [7]. Yani kamera, kuruya çıkış ve geçiş dönemi kondisyon takibi için düzenli bir trend sağlar; çok zayıf veya çok yağlı ineklerde göz kontrolüyle teyit gerekir.

Sıcaklık stresi: THI ve bolus birlikte okunmalı

Arizona Üniversitesi verilerine göre günde 35 kg’ın üzerinde süt veren ineklerde THI eşiği 68’dir; ortalama THI 68’de günde 17 saati aşan maruziyetten sonra süt kaybı anlamlı hale gelir ve en düşük THI 65–73 aralığında ortalama kayıp günde 2,2 kg olarak bildirilmiştir [8]. Ahır içi THI sensörü bu yüzden serinletmenin ne zaman başlaması gerektiğini sezgiye değil ölçüme bağlar.

Rumen bolusu ise ineğin iç sıcaklığını izler; ama yorumlarken dikkat ister. Cantor ve arkadaşları, su içme olaylarının retikulorumen sıcaklığını ortalama 2,29 °C düşürdüğünü, soğuk ve bol su verildiğinde sıcaklığın normal aralığa dönmesinin 103 dakikaya kadar uzadığını gösterdi [9]. Doğru algoritma olmadan her su içme bir “ateş düşüşü” gibi görünebilir.

Sınırlamalar: sensör satıcısının pek anlatmadığı taraf

• Yanlış ve kaçan alarm: Yukarıdaki metritis ve mastitis rakamları, sensörün bir kısım vakayı kaçırdığını gösteriyor. Van Nuffel ve arkadaşları, çiftçilerin sık yanlış alarmdan hoşlanmadığını ve uyarılara güvenini kaybedebildiğini not ediyor [6].
• Veri yığını: Her sensör ayrı bir ekran, ayrı bir alarm listesi demek. Kimse bakmıyorsa veri yalnızca maliyettir.
• Maliyet ve geri dönüş: Yatırımın geri dönüşü sürü büyüklüğüne, mevcut kızgınlık tespit performansına ve işçilik maliyetine bağlıdır. Kızgınlık tespiti zaten iyi olan bir işletmede kazanç sınırlı kalabilir.
• Verinin karara çevrilmesi: Rutten ve arkadaşları incelenen sistemlerin büyük kısmının yalnızca ölçüm ve değişimi yorumlama düzeyinde kaldığını, entegre karar destek modeline sahip bir sisteme rastlamadıklarını yazdı [1]. Sensör “geviş düştü” der; “rasyonda ne değişmeli?” sorusunu cevaplamaz.

Küçük ve orta ölçekli işletmeler nereden başlamalı?

Türkiye’deki küçük ve orta ölçekli işletmelerin çoğu için tüm paketi bir anda kurmak gerekmez. Mantıklı bir sıralama:

1. Ölçmeden önce kaydet: Doğum, tohumlama, hastalık ve tedavi kayıtları düzenli değilse sensör verisini karşılaştıracak zemin yoktur.
2. Ucuz ve hızlı geri dönenle başla: Ahır içi THI sensörü ve su sayacı düşük maliyetlidir; yaz aylarında serinletme kararını doğrudan iyileştirir.
3. Kızgınlık sorunu varsa geviş/aktivite tasması: Tohumlama aralıkları uzunsa, aynı tasma geçiş dönemi sağlık uyarısı da verdiği için çift fayda sağlar.
4. TMR tartısını ihmal etme: Kâğıttaki rasyon ile yemliğe giden rasyon aynı değilse, en iyi sensör verisi bile yanlış yorumlanır.
5. Bolus ve kamera sonra: Temel süreçler oturduktan sonra, belirli bir soruyu cevaplamak için eklenmeli.

Sahada kontrol listesi

• Her sabah uyarı listesine kim bakıyor ve kaç dakika içinde ineği görüyor?
• Uyarı alan ineğin muayene sonucu sisteme geri kaydediliyor mu?
• Geviş düşüşleri grup düzeyinde mi (rasyon, yem değişimi, sıcaklık) yoksa tek inekte mi (sağlık) izleniyor?
• THI 68’i geçtiğinde serinletme otomatik mi, yoksa birinin hatırlamasına mı bağlı?
• Yemlikte artık yem ve TMR tartı kayıtları haftalık olarak rasyonla karşılaştırılıyor mu?
• Şüpheli sağlık uyarılarında veteriner hekiminize danışıyor musunuz?

Veri tek başına yetmez

Sensörün değeri, ürettiği alarmın sayısında değil, değiştirdiği kararın kalitesindedir. Gruptaki ortalama geviş süresi düşüyorsa sebep fiber yapısı, yem itme sıklığı, sıcaklık stresi ya da rasyondaki bir değişiklik olabilir; bu ayrımı yapmak için sensör verisini rasyon, süt analizi ve ahır gözlemiyle birlikte okumak gerekir. Hassas hayvancılığın eksik halkası çoğu zaman teknoloji değil, bu yorumlama ve takip disiplinidir.

SmartPlus ile

SmartPlus, sensör ve sürü kayıtlarını Sürü yönetimi danışmanlığı kapsamında besleme ve yönetim kararlarına çevirir. Geviş ve tüketim verisindeki değişimleri Dinamik rasyon yaklaşımıyla rasyona yansıtır, Süt analizi sonuçlarıyla birlikte değerlendirir. Danışmanlığımızda kullandığımız sürü karar destek sistemi SmartCheck, bu farklı veri kaynaklarını tek bir tabloda toplar. İşletmenize uygun başlangıç noktasını konuşmak için İletişim sayfamızdan ya da 0 850 840 33 49 numarasından bize ulaşabilirsiniz.

Kaynaklar

1. Rutten CJ, Velthuis AGJ, Steeneveld W, Hogeveen H. (2013). Invited review: Sensors to support health management on dairy farms. Journal of Dairy Science, 96(4), 1928–1952. https://doi.org/10.3168/jds.2012-6107
2. Mayo LM, Silvia WJ, Ray DL, Jones BW, Stone AE, Tsai IC, Clark JD, Bewley JM, Heersche G Jr. (2019). Automated estrous detection using multiple commercial precision dairy monitoring technologies in synchronized dairy cows. Journal of Dairy Science, 102(3), 2645–2656. https://doi.org/10.3168/jds.2018-14738
3. Stangaferro ML, Wijma R, Caixeta LS, Al-Abri MA, Giordano JO. (2016). Use of rumination and activity monitoring for the identification of dairy cows with health disorders: Part I. Metabolic and digestive disorders. Journal of Dairy Science, 99(9), 7395–7410. https://doi.org/10.3168/jds.2016-10907
4. Stangaferro ML, Wijma R, Caixeta LS, Al-Abri MA, Giordano JO. (2016). Use of rumination and activity monitoring for the identification of dairy cows with health disorders: Part II. Mastitis. Journal of Dairy Science, 99(9), 7411–7421. https://doi.org/10.3168/jds.2016-10908
5. Stangaferro ML, Wijma R, Caixeta LS, Al-Abri MA, Giordano JO. (2016). Use of rumination and activity monitoring for the identification of dairy cows with health disorders: Part III. Metritis. Journal of Dairy Science, 99(9), 7422–7433. https://doi.org/10.3168/jds.2016-11352
6. Van Nuffel A, Zwertvaegher I, Van Weyenberg S, Pastell M, Thorup VM, Bahr C, Sonck B, Saeys W. (2015). Lameness detection in dairy cows: Part 2. Use of sensors to automatically register changes in locomotion or behavior. Animals, 5(3), 861–885. https://doi.org/10.3390/ani5030388
7. Mullins IL, Truman CM, Campler MR, Bewley JM, Costa JHC. (2019). Validation of a commercial automated body condition scoring system on a commercial dairy farm. Animals, 9(6), 287. https://doi.org/10.3390/ani9060287
8. Collier RJ, Hall LW, Rungruang S, Zimbelman RB. (2012). Quantifying heat stress and its impact on metabolism and performance. University of Arizona, Department of Animal Sciences Florida Ruminant Nutrition Symposium bildirisi. https://animal.ifas.ufl.edu/apps/dairymedia/rns/2012/6CollierRNS2012a.pdf
9. Cantor MC, Costa JHC, Bewley JM. (2018). Impact of observed and controlled water intake on reticulorumen temperature in lactating dairy cattle. Animals, 8(11), 194. https://doi.org/10.3390/ani8110194