La agricultura de precisión (Smart farming) con la ayuda del internet de las cosas (LoT) cada vez gana más fuerza en un contexto donde se quiere mejorar la rentabilidad y eficiencia de un sector cada vez más abandonado a causa del sacrificio y dureza del trabajo. Concretamente en la ganadería extensiva, se está empezando a utilizar nuevas tecnologías como los collares de monitorización y localización de las manadas, que permiten optimizar el manejo de los animales teniendo un mejor control, actuando cuando es necesario, encontrarlos fácilmente y de este modo garantizar su salud y bienestar. Aun así, la aplicación de estas tecnologías dedicadas a monitorizar el ganado sigue en etapa de investigación, puesto que las condiciones de extensivo, especialmente en zonas de alta montaña, tienen sus limitaciones y dificultades. El presente estudio quiere evaluar la fiabilidad de un dispositivo de monitorización que consiste en un collar con acelerómetro capaz de predecir 5 comportamientos diferentes: descansar, pacer, andar, mascullar y jugar, a tiempo real y a la vegada con capacidad de compartir la geolocalización del animal en todo momento a través de una aplicación móvil. Para validar la detección apropiada de los collares de monitorización de estos 5 comportamientos se van realizan muestreos focal sampling de 10 minutos a 15 vacas con los collares de monitorización en 5 días diferentes. Los comportamientos observados fueron comparados con los comportamientos detectados por los collares validando su concordancia con diferentes métodos: Matriz de confusión binomial utilizando la maceta de Kappa de Cohen, matriz de confusión multinomial y el análisis de regresión lineal. Además también se observaron la eficiencia de los collares durante la temporada de pasto y el efecto de llevarlos muy colocados o la presencia de esquella. Los collares mostraron poca fiabilidad en la detección de comportamientos cuando los resultados fueron contrastados con la maceta Kappa, dando valores bajos en la detección de comportamientos en general (20,30%) y para cada comportamiento (descansar: 5,7%, pacer: 31,4, andar: 16,5%, mascullar: 37,4% y jugar: 7,8%). En la matriz *multinomial los comportamientos de andar, mascullar y pacer fueron los que tuvieron una mayor coincidencia (33,8%, 71,1% y 60,9%, respectivamente). El comportamiento jugar presentó ciertas confusiones con el resto de comportamientos, puesto que era lo más generalista en términos de detección por el acelerómetro. Finalmente, en el análisis de la regresión lineal solo el comportamiento de pacer mostró una correlación significativa a pesar de que baja de R2=0,50. En conclusión, los collares demostraron una buena emisividad con una media de 204 señales en el día, pero la detección de los comportamientos continúa siendo poco precisa comparando con diferentes métodos. Por lo tanto, a estos collares todavía se los queda cierta mejora para predecir con precisión el comportamiento de los animales, sobre todo en zonas de régimen extensivo de alta montaña.

L'agricultura de precisió (Smart farming) amb l'ajuda de la internet de les coses (LoT) cada vegada guanya més força en un context on es vol millorar la rendibilitat i eficiència d'un sector cada cop més abandonat a causa del sacrifici i duresa de la feina. Concretament en la ramaderia extensiva, s'està començant a utilitzar noves tecnologies com els collars de monitoratge i localització dels ramats, que permeten optimitzar el maneig dels animals tenint un millor control, actuant quan és necessari, trobar-los fàcilment i d'aquesta manera garantir la seva salut i benestar. Tanmateix, l'aplicació d'aquestes tecnologies dedicades a monitorar el bestiar segueix en etapa de recerca, ja que les condicions d'extensiu, especialment en zones d'alta muntanya, tenen les seves limitacions i dificultats. El present estudi vol avaluar la fiabilitat d'un dispositiu de monitoratge que consisteix en un collar amb acceleròmetre capaç de predir 5 comportaments diferents: descansar, pasturar, caminar, remugar i jugar, a temps real i a la vegada amb capacitat de compartir la geolocalització de l'animal en tot moment a través d'una aplicació mòbil. Per validar la detecció apropiada dels collars de monitoratge d'aquests 5 comportaments es varen realitzen mostrejos focal sampling de 10 minuts a 15 vaques amb els collars de monitoratge en 5 dies diferents. Els comportaments observats van ser comparats amb els comportaments detectats pels collars validant la seva concordança amb diferents mètodes: Matriu de confusió binomial utilitzant el test de Kappa de Cohen, matriu de confusió multinomial i l'anàlisi de regressió lineal. A més també es van observar l'eficiència dels collars durant la temporada de pastura i l'efecte de portar-los ben col·locats o la presència d'esquella. Els collars van mostrar poca fiabilitat en la detecció de comportaments quan els resultats van ser contrastats amb el test Kappa, donant valors baixos en la detecció de comportaments en general (20,30%) i per a cada comportament (descansar: 5,7%, pasturar: 31,4, caminar: 16,5%, remugar: 37,4% i jugar: 7,8%). En la matriu multinomial els comportaments de caminar, remugar i pasturar van ser els que van tenir una major coincidència (33,8%, 71,1% i 60,9%, respectivament). El comportament jugar va presentar certes confusions amb la resta de comportaments, ja que era el més generalista en termes de detecció per l'acceleròmetre. Finalment, en l'anàlisi de la regressió lineal només el comportament de pasturar va mostrar una correlació significativa malgrat que baixa de R2=0,50. En conclusió, els collars van demostrar una bona emissivitat amb una mitjana de 204 senyals al dia, però la detecció dels comportaments continua sent poc precisa comparant amb diferents mètodes. Per tant, a aquests collars encara els hi queda certa millora per predir amb precisió el comportament dels animals, sobretot en zones de règim extensiu d'alta muntanya.

Objectius de Desenvolupament Sostenible::15 - Vida d'Ecosistemes Terrestres