Untersuchungen der Nutzung von Aktivitätsdaten zur Brunsterkennung bei Jungrindern

Abstract

Die Zielstellung vorliegender Untersuchungen bestand darin, basierend auf einer Analyse der Aktivitätsdynamik, eine begründete Aussage darüber zu treffen, auf welchen Vergleichsmaßstab die beobachteten Aktivitätsdaten zu beziehen sind. Als Konsequenz der daraus gewonnenen Erkenntnisse ist ein Entscheidungsalgorithmus zu entwickeln, durch den ein erhöhtes Aktivitätsniveau im brünstigen Zustand für die Brunsterkennung nutzbar ist. Zur Unterstützung der Identifizierung zu prüfender Varianten des Entscheidungsalgorithmus wurde für die Beschreibung der Aktivitätsdynamik ein lineares gemischtes Modell genutzt. Als Referenz für die Brunsterkennung dienten die mit Hilfe der Hormonverläufe von Progesteron und Estradiol-17β nachgewiesenen Brünste. Ergebnis ist eine Erkennungsrate von 86.84 %, eine Fehlerrate von 21.42 % und eine Spezifität von 99.50 %. Die vorliegenden Ergebnisse zeigen eine hohe Effizienz der Brunsterkennung. Bei der Entwicklung eines Entscheidungsalgorithmus kommt der Nutzung der bestandsspezifischen Aktivitätsdynamik eine besondere Bedeutung zu.

The aim of these investigations was to make a well-founded statement about which standard of comparison to use for the observed activity data based on an analysis of activity dynamics. Using the knowledge that was gained, a decision-making algorithm was to be developed to detect estrus based on an increased level of activity during estrus. Supporting different variants of the decision-making algorithm, a linear mixed model was used as an evaluation method to describe the activity dynamics. Estrus periods that were identified by hormone cycles of progesterone and estradiol-17β served as references for estrus detection. This results in a detection rate of 86.84 %, an error rate of 21.42 % and a specificity of 99.50 %. The present results display a high efficiency rate for detecting estrus. At the same time increasing importance is being placed on the population-specific activity dynamics for developing a decision-making algorithm.