Коли ріст курчат неоптимальний, фермери схильні досліджувати основні причини. Одним з ефективних підходів є порівняння поточних показників росту з історичними даними, щоб виявити закономірності, що повторюються. На ріст курчат у період відгодівлі впливають численні фактори, але значну роль відіграють також фактори батьківського стада та етапи інкубації. Сезонні коливання є добре задокументованим впливом на ріст, а розбіжності в рості можуть відображати фізіологічні реакції на різні пори року. Порівняння даних про ріст у різних стадах, батьківських стадах, інкубаторах, умовах навколишнього середовища та погодних умовах може надати фермерам критично важливу інформацію про фактори, що впливають на ріст.

Важливість реєстрації даних про ріст підкреслили Ван Лімберген та ін. (2020), які оцінили фактори, що впливають на європейський виробничий індекс (EPI) протягом періоду відгодівлі. Їхнє дослідження показало, що фермери, які порівнювали дані про продуктивність свого стада - такі як жива маса, споживання корму та води - з попередніми партіями або стандартизованими схемами, досягали значно вищих показників EPI, ніж ті, хто цього не робив. Таке порівняння дає змогу точніше коригувати виробничі цикли, що в кінцевому підсумку підвищує продуктивність ферми. Таким чином, ефективне управління даними є невід'ємною складовою сучасного управління пташиним стадом.

Фактори, що впливають на ріст курей: Висновки з аналізу даних

Розбіжності в рості курчат можуть бути наслідком широкого спектру факторів, таких як неоптимальні умови утримання або зміни в практиці годівлі. Однак аналіз історичних даних може виявити закономірності росту, що повторюються з плином часу, дозволяючи фермерам виявити потенційні причини на різних етапах виробничого циклу. Дані, зібрані з племінних господарств (наприклад, вік стада, несучість, вага яєць, показники росту, смертність), інкубаторів (наприклад, виводимість, час зберігання яєць, температура) та забійних підприємств (наприклад, однорідність тушок, відсоток забракування тушок, однорідність ваги, показник дерматиту кормових майданчиків), є багатим джерелом інформації для кращого розуміння варіацій росту (Iqbal та ін., 2017; Melo та ін., 2021; Junghans та ін., 2022).

Де Йонг і ван Ріел (2020) провели шестирічне польове дослідження, щоб оцінити вплив різних факторів на показники росту бройлерів. Дані з 2 174 стад бройлерів на 74 бройлерних фермах були пов'язані з 88 племінними фермами бройлерів та 209 племінними стадами. Дослідники виявили значні кореляції між ростом бройлерів та різними параметрами, такими як вік батьківського стада. Наприклад, зі збільшенням віку батьківського стада збільшується вага інкубаційних яєць, що призводить до зростання курчат з підвищеним потенціалом росту та швидшого досягнення забійної ваги (Nangsuay et al., 2011; Jacobs et al., 2017).

Рисунок 1. Вплив віку батьківського поголів'я на ріст нащадків. Горизонтальна вісь на Рисунку 1 відображає вік батьківського поголів'я в тижнях, тоді як вісь Y відображає варіацію по відношенню до середнього впливу віку батьківського поголів'я, встановленого на рівні 100%. PS: Батьківське поголів'я (De Jong and van Riel, 2020).

Як показано на рисунку 1, збільшення віку батьківського стада чітко пов'язане з покращенням росту їхніх нащадків. Це можна пояснити відповідним збільшенням ваги інкубаційних яєць зі старінням батьківського стада (Nangsuay et al., 2011). З важчих яєць вилуплюються більші курчата, які демонструють підвищений потенціал росту і швидше досягають забійної ваги (Jacobs et al., 2017). Отже, забійна вага також суттєво корелює з віком батьківського поголів'я, як показано на рисунку 2.


Рисунок 2. Вплив віку батьківського поголів'я на забійну масу нащадків. Вісь X на рисунку 2 представляє вік батьківського поголів'я у тижнях, а вісь Y показує варіацію відносно середнього впливу віку батьківського поголів'я, встановленого на рівні 100%. PS: Батьківське поголів'я (De Jong and van Riel, 2020).

Іншим ключовим фактором, що впливає на виробництво, є сезонний ефект. Junghans та ін. (2022) проаналізували дані з шести корівників у Німеччині, охопивши 107 періодів відгодівлі з січня 2019 року по червень 2020 року. Сезони були класифіковані наступним чином: зима (грудень-лютий), весна (березень-травень), літо (червень-серпень) та осінь (вересень-листопад). У всіх стадах середня вага бройлерів наприкінці відгодівлі становила 2,30 кг. Найважчі птахи спостерігалися восени (середня вага 2,38 кг), а найлегші - навесні (2,27 кг).

Крім того, на однорідність ваги туші суттєво впливають сезонні коливання. De Jong та van Riel (2020) підкреслили вплив сезонності на однорідність туші, як показано на рисунку 3.


Рисунок 3. Вплив сезону на однорідність маси тушки. Вісь X на рисунку 3 представляє день року, коли одноденні курчата були розміщені в приміщенні, а вісь Y вказує на варіацію по відношенню до середньорічного показника, встановленого на рівні 100% (De Jong and van Riel, 2020).

Однорідність маси тушки була найвищою у курчат, розміщених в середині року. Одноденні курчата, розміщені в корівниках протягом літніх місяців, коли температура вища, мають більш сприятливі умови на початку періоду відгодівлі, що призводить до нижчого рівня смертності та кращого здоров'я стада, що, в свою чергу, сприяє вищій однорідності (Vasdal et al., 2019).

Junghans та ін. (2022) визначили додаткові фактори, що впливають на ріст, такі як використання антибіотиків, розмір стада та щільність поголів'я. Стада, які не оброблялися антибіотиками, мали вищу середню вагу (2,33 кг) порівняно з обробленими стадами (2,24 кг). Вища щільність поголів'я (до 39 кг/м²) також була пов'язана з більшою середньою вагою. Крім того, менші стада (менше 11 000 голів), як правило, мали кращі показники, тоді як найвищі середні показники ваги спостерігалися у стадах від 11 000 до 30 000 голів.

Взаємозв'язок різних факторів, що впливають на виробництво курячого м'яса, є значним, і розуміння цих взаємодій має вирішальне значення для фермерів. Ван Лімберген та ін. (2020) провели комплексний аналіз даних 2 309 стад на 358 бройлерних фермах у семи країнах-членах ЄС. Вони визначили ключові фактори ризику, що впливають на ріст, коефіцієнти конверсії корму, показники засудження до забою, ранню і загальну смертність та EPI.


Рисунок 4. Причинно-наслідкові зв'язки між ключовими факторами у бройлерному господарстві. На рисунку 4 представлено графічне зображення ключових факторів, які впливають на ці параметри (Van Limbergen et al., 2020). Значення p-value вказують на силу асоціацій: P < 0,001 означає сильний зв'язок, P < 0,01 - помірний зв'язок, а P < 0,05 - найнижчий рівень статистичної значущості, але все ще значущий.

Кореляції, виявлені в результаті аналізу даних, дають цінну інформацію про різні сегменти ланцюга виробництва продукції птахівництва, що дозволяє фермерам приймати обґрунтовані рішення на основі даних.

Дані про показники росту як компонент системи управління птахівництвом

Розвиток точного птахівництва має потенціал для значного покращення управління тваринництвом. Використовуючи наявні дані, системи управління птахівництвом можуть включати в себе безліч функцій, включаючи управління персоналом, фінансові операції та вичерпну інформацію про стан здоров'я стада, умови навколишнього середовища, годівлю та продуктивність. Чжен та ін. (2021) розробили систему управління птахівництвом, яка включає ці елементи, щоб допомогти фермерам приймати обґрунтовані рішення. Загальна конфігурація системи показана на рисунку 5.

Основним компонентом системи є хмарна база даних, яка слугує сховищем для всіх даних про продуктивність. Фермери, які використовують пташині ваги BAT1 та BAT2, можуть використовувати BAT Cloud - захищену базу даних для зберігання даних про ріст та порівняння поточної продуктивності стада з попередніми роками. Нижній рівень системи агрегує дані від курей, в той час як основна увага приділяється забезпеченню точного зважування, що є життєво важливим для прибутковості. Неправильні дані про вагу можуть призвести до прийняття неправильних рішень і мати негативний вплив на стадо.

Для ефективної оцінки росту птиці доцільно використовувати ваги, які спрощують збір даних. Ваги для птиці BAT1 і BAT2 дозволяють завантажувати дані на персональний комп'ютер для оцінки, забезпечуючи доступність і порівнянність даних протягом виробничих циклів. Таким чином, ці ваги можуть бути легко інтегровані в системи управління птахівництвом.


Малюнок 5. Приклад можливої системи управління птахівництвом (Zheng et at. 2021).

Верхній рівень системи управління складається з чотирьох окремих модулів. Модуль управління виробництвом контролює температуру, вологість, потік повітря та моніторинг росту, а також інші операційні аспекти роботи пташника. Модуль управління офісом виконує бізнес-завдання, такі як управління персоналом, фінанси та виставлення рахунків. Модуль експертної системи використовує методи штучного інтелекту, такі як інтелектуальний аналіз даних і машинне навчання, щоб надавати рекомендації щодо коригування налаштувань на основі розбіжностей у зростанні. Нарешті, модуль відстеження відстежує всі системні процеси, включаючи закупівлю кормів і ліків, транспортування та дані про простежуваність.

Інтелектуальні датчики, бездротова сенсорна мережа та хмарна база даних посилюють взаємодію між цими модулями, покращуючи комунікацію між фермерами та їхньою худобою. Одночасно система архівує накопичені дані в хмарі, а система управління інформацією спрямовує еволюцію практик птахівництва.

Використання даних зважування для прогнозування росту

Для прогнозування виробничих параметрів у птахівництві можна використовувати значну кількість даних. Точні прогнози результатів росту допомагають фермерам оцінити забійну вагу своїх курей. Для цього було розроблено кілька моделей. Одна з таких моделей, AVINESP, функціонує як інструмент підтримки прийняття рішень як для бройлерів, так і для курей-несучок. Вона моделює вплив змін у харчуванні, різних програм годівлі, проблем зі здоров'ям і стресових факторів навколишнього середовища на споживання корму, живу вагу і потреби в поживних речовинах (Hauschild et al., 2015). Інша модель, INAVI, імітує ріст бройлерів за різних умов годівлі та навколишнього середовища. Удосконалена версія, CENTRAVI, включає додаткові вхідні дані, такі як вміст енергії та амінокислот у раціоні, розмір частинок корму, температура, вологість, швидкість руху повітря та щільність поголів'я (Méda et al., 2015). Однак використання цих систем обмежене непередбачуваністю змін, які можуть відбуватися в процесі відгодівлі, тому ці моделі прогнозування не застосовуються на систематичній основі.

Нові підходи з використанням методів машинного навчання пропонують потенційні рішення для прогнозування виробничих параметрів на основі даних про птицю, отриманих на фермі. Сенсорні технології все частіше застосовуються для вимірювання в режимі реального часу умов навколишнього середовища, таких як температура, вологість і вентиляція, а також параметрів, пов'язаних з курми, таких як поведінка, споживання корму, тепловий стрес, хвороби, продуктивність і ріст (Astill et al., 2020). Штучні нейронні мережі (ШНМ) виявилися особливо корисними для прогнозування різних показників продуктивності птиці, включаючи виводимість (Mehri, 2013), споживання корму і води (Abreu et al., 2020), інкубаційні яйця (You et al., 2021), характеристики тушки (Faridi et al., 2011) і ріст, з особливим акцентом на прогнозування забійної ваги (Jahan et al., 2020).

У контексті прогнозування ваги Jahan та ін. (2020) застосували штучну нейронну мережу для прогнозування забійної ваги перепелів м'ясного напрямку. Вхідні дані включали масу тіла на різних етапах - при вилупленні , а також у п'яти-, десяти-, п'ятнадцяти- та двадцятиденному віці. Найвища точність прогнозу спостерігалася у 20-денному віці, а точність моделі вимірювалася за допомогою коефіцієнта детермінації, який коливається від 0 (відсутність прогнозу) до 1 (ідеальний прогноз). Модель передбачила вагу в 45 днів з коефіцієнтом детермінації 0,9223, що свідчить про високий рівень точності. Однак основним обмеженням цих досліджень є те, що вони, як правило, проводяться в експериментальних умовах, де тварини утримуються в оптимальному середовищі. Це мінімізує вплив стресових факторів, які часто зустрічаються в умовах комерційного виробництва. Отже, точність моделей прогнозування знижується при застосуванні до реального птахівництва через незліченну кількість факторів, що впливають на зростання в комерційних операціях.

Поява інноваційних технологій та сенсорних систем відкриває широкі можливості для збору всебічних даних у птахівництві. Використання аналітики даних дозволить фермерам приймати більш обґрунтовані рішення. Крім того, автоматизація фермерських процедур підвищить ефективність систем птахівництва. Автоматизація також має потенціал для покращення добробуту тварин, посилення моніторингу спалахів інфекційних захворювань та забезпечення більшої прозорості для споживачів щодо процесів виробництва продукції птахівництва.

Цитовані джерела

Абреу, Л. Х., Янагі Джуніор, Т., Бахуті, М., Ернандес-Хуліо, Ю. Ф. и Ферраз, П. Ф. (2020). Штучні нейронні мережі для прогнозування фізіологічних та продуктивних показників бройлерів. Engenharia agrícola, 40, 1-9.

Астілл, Я., Дара, Р. А., Фрейзер, Е. Д., Робертс, Б. та Шаріф, С. (2020). Розумне управління птахівництвом: Розумні датчики, великі дані та інтернет речей. Комп'ютери та електроніка в сільському господарстві, 170, 105291.

de Jong, I. C., & van Riel, J. W. (2020). Відносний внесок фаз виробничого ланцюга у здоров'я та продуктивність курчат-бройлерів: польове дослідження. Птахівництво, 99(1), 179-188. https://doi.org/10.3382/ps/pez562

Фаріді, А., Моттагіталаб, М., Дармані-Кухі, Х., Франс, Ж., та Ахмаді, Х. (2011). Прогнозування енергетичної цінності та складу тушки бройлерів з використанням групового методу обробки даних нейронних мереж. Журнал сільськогосподарської науки, 149(2), 249-254.

Хаушильд, Л., Сакомура, Н. К. та Сілва, Е. П. (2015). AvinespModel: прогнозування росту птиці, потреб в енергії та амінокислотах. У Моделювання харчування для свиней та птиці (с. 188-207). Уоллінгфорд, Великобританія: CABI.

Iqbal, J., Mukhtar, N., Rehman, Z. U., Khan, S. H., Ahmad, T., Anjum, M. S., ... & Umar, S. (2017). Вплив ваги яєць на якість яєць, якість курчат та продуктивність бройлерів на пізніх стадіях виробництва (60-й тиждень) у бройлерів. Журнал прикладних досліджень у птахівництві, 26(2), 183-191.

Jacobs, L., Delezie, E., Duchateau, L., Goethals, K., Ampe, B., Buyse, J., & Tuyttens, F. A. M. (2017). Вплив тривалості транспортування на стресові реакції у добових курчат від молодих та старих птахів. Дослідження у ветеринарній науці, 112, 172-176.

Jahan, M., Maghsoudi, A., Rokouei, M., & Faraji-Arough, H. (2020). Прогнозування та оптимізація забійної ваги перепелів м'ясного напрямку за допомогою моделювання штучних нейронних мереж. Птахівництво, 99(3), 1363-1368.

Junghans, A., Deseniß, L., & Louton, H. (2022). Оцінка даних про вирощування та забій курчат-бройлерів - експериментальне дослідження. Frontiers in Veterinary Science, 9, 957786.

Меда, Б., Квентін, М., Лескот, П., Пікар, М. та Буварель, І. (2015). INAVI: практичний інструмент для вивчення впливу факторів харчування та навколишнього середовища на продуктивність бройлерів. У Моделювання годівлі свиней та птиці (с. 106-124). Уоллінгфорд, Великобританія: Cabi.

Мехрі, М. (2013). Порівняння моделей нейронних мереж, нечіткої логіки та множинної лінійної регресії для прогнозування виводимості. Птахівництво, 92(4), 1138-1142.

Melo, E. F., Araújo, I. C. S., Triginelli, M. V., Castro, F. L. S., Baião, N. C., & Lara, L. J. C. (2021). Вплив тривалості зберігання яєць та перевертання яєць під час зберігання на якість яєць та виводимість інкубаційних яєць бройлерів. Animal, 15(2), 100111.

Nangsuay, A., Ruangpanit, Y., Meijerhof, R., & Attamangkune, S. (2011). Поглинання жовтка та розвиток ембріонів малих та великих яєць, отриманих від молодих та старих племінних курей. Наука про птицю, 90(11), 2648-2655.

Van Limbergen, T., Sarrazin, S., Chantziaras, I., Dewulf, J., Ducatelle, R., Kyriazakis, I., McMullin, P., Méndez, J., Niemi, J. K., Papasolomontos, S., Szeleszczuk, P., Van Erum, J., Maes, D., & PROHEALTH consortium (2020). Фактори ризику поганого здоров'я та продуктивності в європейських системах виробництва бройлерів. Ветеринарні дослідження BMC, 16(1), 287. https://doi.org/10.1186/s12917-020-02484-3

You, J., Lou, E., Afrouziyeh, M., Zukiwsky, N. M., & Zuidhof, M. J. (2021). Використання штучної нейронної мережі для прогнозування ймовірності подій яйцекладки у курей-бройлерів, які отримують прецизійну годівлю. Poultry Science, 100(8), 101187.

Zheng, H., Zhang, T., Fang, C., Zeng, J., & Yang, X. (2021). Розробка та впровадження інформаційної системи управління птахівництвом на основі хмарної бази даних. Тварини: журнал з відкритим доступом від MDPI, 11(3), 900. https://doi.org/10.3390/ani11030900