Jede übersehene Brunst kostet über 60 € – vor allem an Futterkosten. Daher ist es wichtig, dass die Brunsterkennung zuverlässige Daten liefert. Durch die Kombination der erfassten Aktivität der Kühe mit weiteren sensorbasierten Parametern lässt sich die Brunsterkennung noch verbessern. Um zu klären, welche Parameter sich eignen, fand von August 2018 bis Juli 2019 eine Untersuchung auf der Lehr- und Forschungsstation Oberer Hardthof (OH) der Universität Gießen unter Leitung von Prof. Steffen Hoy statt. Die Forschungsstation nutzt die Systeme SCR Heatime HR und BayernWatch (Track a cow, ENGS, Rosh Pina, Israel). Im Untersuchungszeitraum erfasste Heatime das Wiederkauen und die Aktivität. BayernWatch zeichnete die Aktivität, die Aufenthaltsdauer am Futtertisch, die Anzahl der Besuche am Futtertisch, die Anzahl der Liegeperioden, die Liegedauer sowie die Dauer des Stehens auf. Die Melktechnik erfasste zudem die Milchleistung. Eine Brunst wurde dann registriert, wenn die Monitoringsysteme einen Alarm gegeben haben oder wenn das Stallpersonal eine brünstige Kuh entdeckt hatte und anschließend eine Besamung erfolgte – unabhängig davon, ob diese zur Trächtigkeit führte. So ließen sich 76 Brunsten von Jung- und Altkühen auswerten.
Ergebnisse: Die mit BayernWatch gemessene Aktivität stieg ab dem Vortag der Brunst um 78,7%, während die mit Heatime gemessene um 34,7% anstieg. Deutlich reagierte auch der Liegezähler auf das Eintreten einer Brunst. So stieg die Anzahl der Abliegevorgänge von 16 auf ca. 25 an. Dabei überschätzte BayernWatch die Zahl der Abliegevorgänge leicht. Der brunstbedingte Anstieg der Steh- bzw. Rückgang der Liegedauer lag bei 20%. Zudem war die automatisch gemessene Wiederkaudauer der Kühe im Mittel am Brunsttag um 14,1% kürzer (Übersicht 1). Bedingt durch die größere Unruhe und Aktivität am Tag der Brunst kamen die Kühe häufiger, aber mit kürzeren Aufenthaltsdauern, zum Futtertisch (Übersicht 2). Hingegen eignete sich die im Schnitt leichte Veränderung der Milchleistung während der Brunst nicht, um einen Brunstalarm auszulösen.
Nach genauer Prüfung der Sicherheit und der Falschmeldungen einzelner Parameter zeigte sich, dass die gleichzeitige Messung von Aktivität und Wiederkaudauer bzw. von Aktivität und Besuchen am Futtertisch Brunsten mit einer Trefferquote von 96% erkennt.
Werden die Parameter Aktivität, Liegezähler und Liegedauer kombiniert, liegt die Brunsterkennungsquote bei 90%. Eine 100%-ige Sicherheit der automatischen Brunsterkennung ließ sich auch nicht erreichen, wenn vier Messgrößen gleichzeitig berücksichtigt wurden (Aktivität, Liegezähler, Liegedauer, Anzahl Besuche am Futtertisch).
Hinweis:
Bitte aktivieren Sie Javascipt in Ihrem Browser, um diese Seite optimal nutzen zu können
Zum Lesen dieses Artikels benötigen Sie ein top agrar Abonnement
Jede übersehene Brunst kostet über 60 € – vor allem an Futterkosten. Daher ist es wichtig, dass die Brunsterkennung zuverlässige Daten liefert. Durch die Kombination der erfassten Aktivität der Kühe mit weiteren sensorbasierten Parametern lässt sich die Brunsterkennung noch verbessern. Um zu klären, welche Parameter sich eignen, fand von August 2018 bis Juli 2019 eine Untersuchung auf der Lehr- und Forschungsstation Oberer Hardthof (OH) der Universität Gießen unter Leitung von Prof. Steffen Hoy statt. Die Forschungsstation nutzt die Systeme SCR Heatime HR und BayernWatch (Track a cow, ENGS, Rosh Pina, Israel). Im Untersuchungszeitraum erfasste Heatime das Wiederkauen und die Aktivität. BayernWatch zeichnete die Aktivität, die Aufenthaltsdauer am Futtertisch, die Anzahl der Besuche am Futtertisch, die Anzahl der Liegeperioden, die Liegedauer sowie die Dauer des Stehens auf. Die Melktechnik erfasste zudem die Milchleistung. Eine Brunst wurde dann registriert, wenn die Monitoringsysteme einen Alarm gegeben haben oder wenn das Stallpersonal eine brünstige Kuh entdeckt hatte und anschließend eine Besamung erfolgte – unabhängig davon, ob diese zur Trächtigkeit führte. So ließen sich 76 Brunsten von Jung- und Altkühen auswerten.
Ergebnisse: Die mit BayernWatch gemessene Aktivität stieg ab dem Vortag der Brunst um 78,7%, während die mit Heatime gemessene um 34,7% anstieg. Deutlich reagierte auch der Liegezähler auf das Eintreten einer Brunst. So stieg die Anzahl der Abliegevorgänge von 16 auf ca. 25 an. Dabei überschätzte BayernWatch die Zahl der Abliegevorgänge leicht. Der brunstbedingte Anstieg der Steh- bzw. Rückgang der Liegedauer lag bei 20%. Zudem war die automatisch gemessene Wiederkaudauer der Kühe im Mittel am Brunsttag um 14,1% kürzer (Übersicht 1). Bedingt durch die größere Unruhe und Aktivität am Tag der Brunst kamen die Kühe häufiger, aber mit kürzeren Aufenthaltsdauern, zum Futtertisch (Übersicht 2). Hingegen eignete sich die im Schnitt leichte Veränderung der Milchleistung während der Brunst nicht, um einen Brunstalarm auszulösen.
Nach genauer Prüfung der Sicherheit und der Falschmeldungen einzelner Parameter zeigte sich, dass die gleichzeitige Messung von Aktivität und Wiederkaudauer bzw. von Aktivität und Besuchen am Futtertisch Brunsten mit einer Trefferquote von 96% erkennt.
Werden die Parameter Aktivität, Liegezähler und Liegedauer kombiniert, liegt die Brunsterkennungsquote bei 90%. Eine 100%-ige Sicherheit der automatischen Brunsterkennung ließ sich auch nicht erreichen, wenn vier Messgrößen gleichzeitig berücksichtigt wurden (Aktivität, Liegezähler, Liegedauer, Anzahl Besuche am Futtertisch).
