Оценка эффективности мониторинга рH и руминации при контроле кормления коров
https://doi.org/10.32634/0869-8155-2025-399-10-174-181
Аннотация
В исследовании сравниваются две технологии точного животноводства — ошейник SCR Heatime (Allflex Livestock Intelligence, Израиль) и рубцовый болюс «Агробиотест» (ООО «Агробиотест», Россия) — для мониторинга физиологического состояния молочных коров. Эксперимент проводили на 10 коровах голштинской породы на базе фермы КубГАУ. Рубцовый болюс продемонстрировал высокую точность (97,8%) в измерении pH рубца, что критически важно для оценки кислотности и здоровья ЖКТ. Ошейник SCR Heatime (Allflex Livestock Intelligence, Израиль) оказался более эффективным для отслеживания руминации (89,4%), что позволяет контролировать пищевое поведение. Комбинированное использование устройств повысило общую точность диагностики метаболического статуса коров до 98,5%, обеспечивая более полную картину состояния животных. Выявлена умеренная корреляция (r = 0,73) между активностью руминации и уровнем pH, что подтверждает взаимосвязь пищевого поведения и метаболических процессов. Исследование подтверждает, что интеграция данных от разных сенсоров (ошейников и болюсов) позволяет повысить эффективность ранней диагностики метаболических нарушений и оптимизировать рационы. Полученные результаты открывают перспективы для создания цифровых двойников животных, что способствует развитию точного животноводства.
Об авторах
Ф. Е. Владимиров
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Фёдор Евгеньевич Владимиров - кандидат технических наук, старший научный сотрудник,
1-й Институтский проезд, 5, Москва, 109428
А. Р. Хакимов
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Артём Рустамович Хакимов - кандидат технических наук, старший научный сотрудник,
1-й Институтский проезд, 5, Москва, 109428
С. С. Юрочка
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Сергей Сергеевич Юрочка - кандидат технических наук, старший научный сотрудник,
1-й Институтский проезд, 5, Москва, 109428
Д. Ю. Павкин
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Дмитрий Юрьевич Павкин - кандидат технических наук, старший научный сотрудник,
1-й Институтский проезд, 5, Москва, 109428
С. О. Базаев
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Савр Олегович Базаев - кандидат сельскохозяйственных наук, научный сотрудник,
1-й Институтский проезд, 5, Москва, 109428
Список литературы
1. Simitzis P., Tzanidakis C., Tzamaloukas O., Sossidou E. Contribution of Precision Livestock Farming Systems to the Improvement of Welfare Status and Productivity of Dairy Animals. Dairy. 2022; 3(1): 12–28. https://doi.org/10.3390/dairy3010002
2. Norton T., Chen C., Larsen M.L.V., Berckmans D. Review: Precision livestock farming: building ‘digital representations’ to bring the animals closer to the farmer. Animal. 2019; 13(12): 3009–3017. https://doi.org/10.1017/S175173111900199X
3. Головина Ю.И. Цифровизация в агропромышленном секторе России. Цифровые технологии в развитии современных экономических систем: Материалы II Всероссийской научно-исследовательской конференции с международным участием. Липецк: Липецкий государственный технический университет. 2024; 29–32. https://elibrary.ru/wbqlab
4. Дышекова А.А., Иванов З.А., Шабатуков И.А., Балкарова А.Р. Развитие цифровых технологий в агропромышленном комплексе России. Экономика, управление и финансы АПК: современные перспективы и инновации. Материалы Международной научно-практической конференции, посвященной 95-летию со дня рождения Ш.М. Мамедова. Махачкала: Дагестанский государственный аграрный университет им. М.М. Джамбулатова. 2024; 230–233. https://elibrary.ru/jamffs
5. Баккуев Э.С., Сарбашева Е.М. Влияние цифровой трансформации на динамику агроэкономического развития региона. Наука, образование и бизнес: новый взгляд или стратегия интеграционного взаимодействия. Материалы IV Международной научно-практической конференции, посвященной памяти первого президента Кабардино-Балкарской Республики В.М. Кокова. Нальчик: Кабардино-Балкарский государственный аграрный университет им. В.М. Кокова. 2024; 261–263. https://elibrary.ru/uzugih
6. Панина О.В. Инновационные подходы к повышению эффективности сельского хозяйства в условиях трансформации агропромышленного комплекса. Аграрная наука. 2025; 393(04): 180–184. https://doi.org/10.32634/0869-8155-2025-393-04-180-184
7. Улыбина Л.В. Тенденции развития животноводческого комплекса России в контексте обеспечения продовольственной безопасности. Аграрная.наука. 2025; 392(03): 144–149. https://doi.org/10.32634/0869-8155-2025-392-03-144-149
8. Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства. Сельскохозяйственные машины и технологии. 2021; 15(4): 6–10. https://doi.org/10.22314/2073-7599-2021-15-4-6-10
9. Ценч Ю.С. Научно-технический потенциал как главный фактор развития механизации сельского хозяйства. Сельскохозяйственные машины и технологии. 2022; 16(2): 4–13. https://doi.org/10.22314/2073-7599-2022-16-2-4-13
10. Аванесян Д.Н. Цифровая трансформация в агропромышленном комплексе. Сборник статей по материалам ежегодной научно-практической конференции преподавателей по итогам НИР за 2024 год. Сборник трудов конференции. Краснодар: Кубанский государственный аграрный университет им. И.Т. Трубилина. 2025; 538–540. https://elibrary.ru/cfdjgl
11. Спешилов Е.А., Богач Е.В. Информационные технологии и искусственный интеллект в агропроизводстве в условиях трансформации управленческих процессов. Искусственный и естественный интеллект: алгоритмы, мышление и образовательные технологии. Материалы XXI Международного конгресса с элементами научной школы для молодых ученых. М.: Московский университет им. С.Ю. Витте. 2025; 447–456. https://elibrary.ru/igbisq
12. Галкин А.И. Применение нейросетей и технологий больших данных в сельском хозяйстве: повышение эффективности и устойчивости агропроизводства. Аграрная наука. 2025; 393(04): 167–171. https://doi.org/10.32634/0869-8155-2025-393-04-167-171
13. Petrovski K.R., Cusack P., Malmo J., Cockcroft P. The Value of ‘Cow Signs’ in the Assessment of the Quality of Nutrition on Dairy Farms. Animals. 2022; 12(11): 1352. https://doi.org/10.3390/ani12111352
14. Лемеш Е.А. Повышение уровня молочной продуктивности дойных коров и улучшение качественных показателей молока при использовании разного состава рациона. Современные тенденции развития аграрной науки. Сборник научных трудов III Международной научно-практической конференции. Брянск: Брянский государственный аграрный университет. 2024; 206–209. https://elibrary.ru/kitiri
15. Крупин Е.О. и. др. Качественные показатели молока и кисломолочных продуктов при включении в состав рациона коров активированного цеолита и пробиотиков. Аграрная наука. 2024; 387(10): 72–79. https://doi.org/10.32634/0869-8155-2024-387-10-72-79
16. Головин А.В. Эффективность применения кальциевых солей жирных кислот при оптимизации энергетического питания молочных коров. Аграрная наука. 2025; 392(03): 76–82. https://doi.org/10.32634/0869-8155-2025-392-03-76-82
17. Pereira G.M., Sharpe K.T., Heins B.J. Evaluation of the RumiWatch system as a benchmark to monitor feeding and locomotion behaviors of grazing dairy cows. Journal of Dairy Science. 2021; 104(3): 3736–3750. https://doi.org/10.3168/jds.2020-18952
18. Rahmawati D., Ms A.U., Faradhilah N., Alfita R., Nahari R.V., Setiawan H. Design of a Real Time Cow Smart Collar Health and Position Monitoring System. 2023 IEEE 9th Information Technology International Seminar (ITIS). IEEE. 2023; 1–7. https://doi.org/10.1109/ITIS59651.2023.10420353
19. Džermeikaitė K., Bačėninaitė D., Antanaitis R. Innovations in Cattle Farming: Application of Innovative Technologies and Sensors in the Diagnosis of Diseases. Animals. 2023; 13(5): 780. https://doi.org/10.3390/ani13050780
20. Hajnal É., Kovács L., Vakulya G. Dairy Cattle Rumen Bolus Developments with Special Regard to the Applicable Artificial Intelligence (AI) Methods. Sensors. 2022; 22(18): 6812. https://doi.org/10.3390/s22186812
21. Zhang F. et al. Research Advances and Prospect of Intelligent Monitoring Systems for the Physiological Indicators of Beef Cattle. Smart Agriculture. 2024; 6(4): 1–17 (на кит. яз.). https://doi.org/10.12133/j.smartag.SA202312001
22. Дорохов А.С., Павкин Д.Ю., Юрочка С.С. Технология цифровых двойников в сельском хозяйстве: перспективы применения. Агроинженерия. 2023; 25(4): 14–25. https://doi.org/10.26897/2687-1149-2023-4-14-25
23. Ayadi S., Ben Said A., Jabbar R., Aloulou C., Chabbouh A., Achballah A.B. Dairy Cow Rumination Detection: A Deep Learning Approach. Jemili I., Mosbah M. (eds.). Distributed Computing for Emerging Smart Networks. Second International Workshop (DiCES-N 2020). Cham: Springer. 2020; 123–139. https://doi.org/10.1007/978-3-030-65810-6_7
24. Antanaitis R., Anskienė L., Palubinskas G., Rutkauskas A., Baumgartner W. The Relationship between Reticuloruminal Temperature, Reticuloruminal pH, Cow Activity, and Clinical Mastitis in Dairy Cows. Animals. 2023; 13(13): 2134. https://doi.org/10.3390/ani13132134
25. Bikker J.P. et al. Technical note: Evaluation of an ear-attached movement sensor to record cow feeding behavior and activity. Journal of Dairy Science. 2014; 97(5): 2974–2979. https://doi.org/10.3168/jds.2013-7560
26. Neubauer V., Humer E., Kröger I., Braid T., Wagner M., Zebeli Q. Differences between pH of indwelling sensors and the pH of fluid and solid phase in the rumen of dairy cows fed varying concentrate levels. Journal of Animal Physiology and Animal Nutrition. 2018; 102(1): 343–349. https://doi.org/10.1111/jpn.12675
Рецензия
Для цитирования:
Владимиров Ф.Е., Хакимов А.Р., Юрочка С.С., Павкин Д.Ю., Базаев С.О. Оценка эффективности мониторинга рH и руминации при контроле кормления коров. Аграрная наука. 2025;(10):174-181. https://doi.org/10.32634/0869-8155-2025-399-10-174-181
For citation:
Vladimirov F.E., Khakimov A.R., Yurochka S.S., Pavkin D.Yu., Bazaev S.O. Evaluation of the effectiveness of pH and rumination monitoring in cow feeding control. Agrarian science. 2025;(10):174-181. (In Russ.) https://doi.org/10.32634/0869-8155-2025-399-10-174-181
Просмотров:
11
Послать статью по эл. почте 