När sensorer sviker: simulering av fel i PLF-data för nötkreaturs sociala nätverk och hemområden

Bakgrund

Socialt beteende är en grundläggande aspekt av nötkreaturs välbefinnande och produktivitet. I vår forskargrupp har vi visat att mjölkkor bildar komplexa och stabila sociala relationer, med vänskapsband som kan spåras tillbaka till tidig ålder. Till exempel tenderar kalvar som fötts upp tillsammans att tillbringa betydligt mer tid med varandra senare i livet jämfört med resten av besättningen. Dessutom verkar släktskap spela en roll, då släktingar uppvisar starkare sociala band än icke-släktingar (se Marina et al., 2024)

För att undersöka dessa mönster mer ingående och över olika besättningar krävs ofta positionsdata från flera gårdar. Men även när samma realtidspositioneringssystem är installerat kan noggrannheten variera avsevärt beroende på ladugårdens utformning och tekniska förhållanden. När data från olika ladugårdar kombineras uppstår därför frågan hur stora fel som kan tolereras innan analyser av sociala nätverk eller hemområden blir opålitliga. Detta projekt tar itu med denna brist genom att uttryckligen testa hur positionsfel påverkar beteendeanalyser hos nötkreatur.

Syfte

Syftet med detta projekt är att fastställa den minsta noggrannhet som krävs av realtidspositioneringssystem för att på ett tillförlitligt sätt kunna undersöka socialt beteende och hemområde hos mjölkkor. Detta kommer att uppnås genom att simulera olika typer och storlekar av fel i positioneringsdata som genereras av ultrabredbandsteknik (UWB) och bedöma deras inverkan på analyser av sociala nätverk och uppskattningar av hemområde. Genom att fastställa toleransgränser för fel kommer studien att ge riktlinjer för en robust användning av positioneringsdata i forskning om djurs beteende.

Projektbeskrivning

Detta är ett datadrivet projekt som omfattar:

• Rengöring och analys av positionsdata från sensorer utrustade på kor.
• Simulering av olika typer och nivåer av positionsfel.
• Konstruktion och analys av sociala nätverk.
• Statistisk modellering av nätverksstrukturer och hemområden.

Du får med dig

1. Praktiska färdigheter i R-programmering, inklusive datarensning, visualisering och statistisk modellering.
2. Utbildning i nätverksanalys, felsimulering och tolkning av beteendedata.
3. Erfarenhet av att koppla samman teknik för precisionsdjurhållning (PLF) med forskning om djurs beteende.
4. Insikter om beteendemätningars robusthet under varierande datakvalitetsförhållanden.

Specifikationer

• Erfarenhet av R är meriterande, men inte ett krav. Ett specialutvecklat R-paket för datahantering och analys kommer att tillhandahållas, tillsammans med fullständig handledning och vägledning.
• Lämpligt för studenter inom djurvetenskap, veterinärmedicin eller relaterade områden med intresse för djurs beteende och smarta jordbrukstekniker.