Measuring grazing behaviour of dairy cows : validation of sensor technologies and assessing application potential in intensive pasture-based milk production systems

Grazing is the natural feed intake behaviour of a cow. However, in the last century, intensive confinement systems with silage feeding and concentrate supplementation have replaced many extensive pasture-based milk production systems. Grazed grass is now acknowledged as the cheapest feed available as a consequence of rising machinery, labour and feeding costs. Thus there is a renewed interest in intensive pasture-based milking systems. In addition, policy objectives, societal expectations and environmental concerns have all supported reconsiderations for pasture-based milk production. Novel technology to aid measuring and managing grassland and cow grazing behaviour have the potential to facilitate improved performance. Until recently, sensor technologies for dairy farms were mainly developed for measuring feeding behaviour of housed cows. Adapting and calibrating these technologies to grazing context would therefore further support improved pasture-based dairying. In this thesis, two sensor technologies were validated against visual observation. The RumiWatch noseband sensor (Itin+Hoch, Switzerland) is a high precision technology designed for research applications. It can measure detailed grazing behaviour such as grazing bites, rumination chews, time spent grazing and time spent ruminating. The MooMonitor+ (Dairymaster, Ireland) is the second technology assessed in this thesis. It is a collar based accelerometer and is primarily designed for use on commercial farms. The initial development was for oestrus detection. It can now monitor grazing and rumination times. The results of the studies reported in this thesis revealed that both sensors were highly accurate compared to visual observation. The implementation of sensor technology on commercial dairy farms is still slow. This is especially true on pasture-based dairy systems. The management of grazing cows is thus largely not supported by technology. With increasing herd sizes and skilled labour shortages, sensor technology to support grazing management will likely improve some major dairy farm management challenges. A key factor in pasture-based milk production is the correct grass allocation to maximize the grass utilization per cow. Cow behaviour is indicative of the quantity and quality of feed available as well as animal performance, health and welfare. Thus, the measurement of cow grazing behaviour is an important management indicator. A further study of detailed individual grazing behaviour aimed to identify behavioural indicators of restricted versus sufficient availability of grass. Such objective measurement has potential since currently grass allocation is based on subjective eye measurements and calculations per herd. To identify behavioural indicators, a group of 30 cows in total were allocated a restricted pasture allowance of 60 % of their intake capacity. Their behavioural characteristics were compared to those of 10 cows with pasture allowance of 100 % of their intake capacity. The grazing behaviour and activity of cows was measured using the RumiWatchSystem, consisting of the noseband sensor and pedometer. The results showed that bite frequency was continuously higher for cows with a restricted grass allocation, but also rumination behaviour was affected by the restriction. This study contributes vital information towards developing a decision support tool for automated allocation of grass based on feedback from individual cows rather than herd based measurements. Further research activities should focus on identification of significant changes in grazing behaviour of cows at individual animal and herd level. This would allow implementation of specific thresholds to be used in decision support tools. After developing and validating the decision support tools, the application of automated solutions for grazing management can improve efficiency and productivity of pasture-based milk production systems.

Im letzten Jahrhundert entwickelten sich Milchproduktionssysteme von einer extensiven Weidehaltung zu einer intensiven Stallhaltung mit silagebasierter Grundfutterration und Zufütterung von Kraftfutter. Das Interesse an der Weidehaltung wächst heutzutage aber wieder, da Weidegras auf Grund von gestiegenen Kosten für Maschinen, Futter sowie Lohnkosten die billigste Futtergrundlage darstellt. Außerdem ist das natürliche Futteraufnahmeverhalten von Kühen das Grasen auf der Weide. Nicht nur ökonomische Gründe begünstigen die Entwicklung der Weidehaltung, sondern auch im Bereich der Verbraucherakzeptanz, Einflüsse auf die Umwelt und politischen Anpassungen birgt die weidebasierte Milchproduktion im Vergleich zur intensiven Stallhaltung Vorteile. Außerdem begünstigt die digitale Revolution mit der Integration von sensorbasierten Technologien für das Betriebsmanagement die mögliche Intensivierung im Bereich weideland-basierter Milchproduktion. Ein effizientes und profitables Betriebsmanagement lässt sich nicht nur durch eine technisierte Unterstützung in der Erfassung des Grasaufwuchses und des Weidemanagements umsetzen, sondern auch durch die Überwachung des tierindividuellen Weideverhaltens. Ursprünglich wurden die sensorbasierten Technologien zur Erfassung des Fressverhaltens im Stall entwickelt. Jedoch unterscheidet sich das Futteraufnahmeverhalten der Kühe auf der Weide deutlich vom Stall. Deshalb müssen die Technologien an das spezifische Fressverhalten auf der Weide angepasst und kalibriert werden. In dieser Arbeit werden zwei unterschiedliche Sensoren mit verschiedenen Anwendungspotentialen im Vergleich zu visueller Beobachtung validiert. Der Nasenbandsensor von RumiWatch ist ein höchstpräzises Messinstrument für wissenschaftliche Fragestellungen. Der Sensor kann detaillierte Parameter des Weideverhaltens erfassen, z.B. Fressbisse oder Wiederkauschläge sowie Fress- und Wiederkauzeit. Der zweite Sensor, der MooMonitor+ (Dairymaster, Irland) beinhaltet eine praxisorientierte Aktivitätsmessung, die ursprünglich zur Brunsterkennung entwickelt wurde. Durch eine Weiterentwicklung der Rohdatenauswertung mittels Algorithmen ist es nun möglich auch Fress- und Wiederkaudauern aufzuzeichnen. Beide Validierungsstudien resultierten in einer hohen Übereinstimmung der automatischen Messung mit der Direktbeobachtung. Die erfolgreiche Integration von softwareunterstützten Technologien auf der Betriebsebene sollte verbessert werden. Speziell im Bereich der Weidehaltung und des Weidemanagements sind wenig Technologien vorhanden. Steigende Tierzahlen und fehlende Arbeitskräfte könnten den Bedarf nach sensorbasierten Technologien zur Unterstützung des Weidemanagements begünstigen. Ein Hauptfaktor in der weidebasierten Milchproduktion ist die passende Zuteilung von bedarfsgerechter Weidefläche, um die Nutzung der Weide zu maximieren, sowie die Tierleistung zu optimieren. Das Fressverhalten der Kühe stellt hierbei eine wichtige Größe für Tierleistung, Gesundheit sowie Tierwohl dar. Ebenso kann das Weideverhalten die Futterqualität und Futterverfügbarkeit repräsentieren. Die dritte Studie dieser Arbeit untersuchte deshalb, ob es mögliche Indikatoren im Fressverhalten von Kühen gibt, die eine unzureichende Futterverfügbarkeit aufzeigen. Die Zuteilung der Weidefläche basiert momentan auf subjektiven Erfahrungswerten der Betriebsleiter und wird auf Herdenebene kalkuliert. In einer dritten Studie der Arbeit wurden deshalb zur Bestimmung von spezifischen Verhaltensindikatoren insgesamt 30 Kühe mit 60 % ihres Futterbedarfs gefüttert, während 10 Tiere eine 100 %ige Futterzuteilung zur Verfügung hatten. Dabei wurde das RumiWatchSystem, bestehend aus dem Nasenbandsensor und dem Pedometer zur Verhaltensbeobachtung eingesetzt. Die Ergebnisse der Studie zeigten, dass sich vor allem die Bissfrequenz durch eine begrenzte Futterverfügbarkeit erhöht sowie das Wiederkauverhalten beeinflusst wurde. Diese Studie stellt einen ersten Entwicklungsschritt in Richtung sensorunterstützte Entscheidungsgrundlage für die automatische Zuteilung von Weideflächen dar. Es wäre von Vorteil, wenn diese Zuteilung in Zukunft auf tierindividuellen Messungen im Vergleich zur Herdenebene basieren würde. Weitere Forschungsansätze sollten sich auf der Identifizierung aussagekräftiger Schwellenwerte für das tierindividuelle Weideverhalten fokussieren, die dann in sensorgestützte Entscheidungshilfen implementiert werden können. Nach der Entwicklung und Validierung solcher Systeme könnte die Anwendung im Bereich Weidemanagement die Effizienz und Resilienz von weidebasierten Milchproduktionssystemen verbessern.