Улучшает или ухудшает «умное» земледелие благополучие животных? Технологии и то, чего хотят животные

«Умное» или «точное» земледелие произвело революцию в растениеводстве, однако его применение в животноводстве вызывает этические опасения из-за возможных негативных последствий для благополучия животных. В условиях растущей обеспокоенности общества по поводу благополучия животных во всем мире одни люди видят в повышении эффективности, которое дают новые технологии, прямую угрозу самим животным, позволяя производителям получать «больше за меньшее» в интересах прибыли. Другие же усматривают в них серьезные преимущества для благополучия благодаря пожизненному мониторингу здоровья, индивидуальному уходу и оптимизации условий содержания.

Ответ на вопрос, улучшает или ухудшает «умное» земледелие благополучие животных, скорее всего, будет зависеть от трех основных факторов.

Во-первых, многое будет зависеть от того, как определяется само благополучие, и от того, в какой степени политики, ученые, фермеры и широкая общественность смогут договориться о его значении и, следовательно, прийти к единому мнению о том, как оценивать влияние на него технологий. Определение благополучия как сочетания хорошего здоровья и того, чего хотят сами животные, представляет собой объединяющий и ориентированный на животных подход. Его также можно напрямую адаптировать для компьютерного распознавания состояния благополучия.

Вторым ключевым фактором станет то, будет ли высокий уровень благополучия животных сделан приоритетом в системах «умного» земледелия. Для достижения этого необходимо как разработать компьютерные алгоритмы, способные распознавать состояние благополучия так, чтобы это устраивало и общественность, и фермеров, так и встроить обеспечение благополучия в управление и процесс принятия решений «умными» системами.

Однако в конечном счете самое важное — это третий фактор: сможет ли «умное» земледелие действительно обеспечить обещанное улучшение благополучия животных при применении в реальных условиях. Этическая оценка станет возможна только тогда, когда новые технологии будут шире внедрены на коммерческих фермах и станут очевидны все их социальные, экологические, финансовые последствия, а также последствия для благополучия животных.

Умное или точное земледелие предполагает использование технологий для мониторинга и управления содержанием сельскохозяйственных животных (Banhazi и др., 2012; Berckmans, 2017). Оно включает датчики для измерения ряда переменных, связанных с окружающей средой и самими животными, а также механизмы управления для принятия решений — как с участием человека, так и без него. Возможность непрерывно отслеживать животных в режиме реального времени на протяжении всей их жизни и контролировать условия их содержания означает, что как продуктивность, так и благополучие потенциально могут быть улучшены за счет раннего выявления проблем со здоровьем (Wathes и др., 2008; Banhazi и др., 2012; Berckmans, 2017; Veissier и др., 2019), что ведет к целенаправленному (и, следовательно, сокращенному) применению лекарственных средств, снижению смертности и улучшению здоровья. Эти результаты, в свою очередь, дают другие социальные выгоды, такие как уменьшение отходов, повышение эффективности и снижение воздействия на окружающую среду (Clark и Tilman, 2017; Perakis и др., 2020).

Кроме того, интеллектуальные данные, собранные с тысяч ферм, могут быть проанализированы для поиска решений проблем управления, заболеваний, благополучия, продуктивности и даже экологических вопросов, которые ранее основывались только на опыте одной компании или мелкомасштабных исследовательских проектах. Интеллектуальное использование больших массивов данных, которые делает возможным умное земледелие, может быть применено для дальнейшего улучшения результатов самого умного земледелия.

С другой стороны, однако, точное земледелие вызывает и этические опасения, прежде всего из-за возможных неблагоприятных последствий для благополучия животных (Wathes и др., 2008; Werkheiser, 2020). Опасение заключается в том, что рост производства и эффективности приведет к ухудшению благополучия животных за счет стимулирования более интенсивных методов ведения хозяйства (Stevenson, 2017), акцента на групповом, а не индивидуальном благополучии (Winckler, 2019) и замены квалифицированных животноводов анонимными алгоритмами.

Хотя улучшение благополучия животных часто декларируется как одна из целей умного земледелия (Rowe и др., 2019), далеко не очевидно, что это достигается на практике. Одна из причин такой неопределенности заключается в том, что большая часть технологий все еще находится в стадии разработки и еще не получила достаточно широкого применения на практике, чтобы стали ясны все их последствия. Таким образом, точное земледелие в животноводстве находится на критическом этапе, когда его влияние на благополучие животных может стать либо положительным, либо отрицательным. В этой статье я утверждаю, что существуют три фактора, которые в значительной степени определят окончательный этический вердикт в отношении умного земледелия. Это: (i) принимает ли умное земледелие определение «благополучия животных», приемлемое для общественности, и, в частности, включает ли это определение точку зрения самих животных; (ii) будет ли компьютерное распознавание благополучия животных достаточно успешным и будет ли ему придан достаточно высокий приоритет, чтобы соответствовать этическим стандартам, которых требует общество, и действительно улучшать благополучие; (iii) сможет ли умное земледелие реально обеспечить обещанные улучшения благополучия животных при применении на практике.

Первый фактор, который определит, будет ли умное земледелие восприниматься как улучшающее или ухудшающее благополучие животных, — это возможность достичь определения «благополучия», с которым согласятся все — включая ученых, фермеров, благотворительные организации по защите животных и представителей общественности. Это может показаться тривиальной проблемой, но на самом деле это серьезное препятствие для достижения консенсуса по этике умного земледелия, поскольку в настоящее время не существует согласованного определения «благополучия» ни в каком контексте (Green и Mellor, 2011; Thompson, 2017; Ede и др., 2019; Weary и Robbins, 2019). Для одних людей «хорошее благополучие» должно включать обеспечение максимально «естественной» среды обитания животного (Nussbaum, 2004; Yeates, 2018), в то время как для других естественная жизнь не гарантирует хорошего благополучия (Bracke и Hopster, 2006), и потребности животных могут быть лучше удовлетворены в контролируемой, пусть и искусственной, среде, где значительную роль играют технологии (Gygax и Hillmann, 2018). Перечень предлагаемых показателей благополучия теперь включает долголетие (Hurnik, 1993), репродуктивный успех (Broom, 1991), поведенческое разнообразие (Rabin, 2003; Cronin и Ross, 2019), вариабельность сердечного ритма (von Borell и др., 2007; Kovacs и др., 2015), температуру глаз (Gomez и др., 2018), температуру кожи (Herborn и др., 2015) и уровень гормонов (Ralph и Tilbrook, 2016; Palme, 2019), а также многие другие. Такое изобилие различных «показателей» благополучия означает, что то, что для одного человека является этичным способом содержания животных, для другого неэтично. Без определения благополучия животных, которое каждый мог бы поддержать и которое действительно улучшало бы благополучие животных, точное земледелие может столкнуться со значительным противодействием на том основании, что оно не соответствует стандартам конкретного определения и не оправдывает своего обещания улучшить жизнь животных. При всем потенциале машинного обучения для определения условий, обеспечивающих наилучшие результаты в отношении благополучия, нам все еще необходимо указание на то, что является «хорошим» или желательным результатом с точки зрения благополучия (Morota и др., 2018).

Возможное объединяющее определение хорошего благополучия заключается в том, что животное (i) находится в состоянии хорошего физического здоровья и (ii) имеет то, что оно хочет (Dawkins, 2008, 2012, 2021). Это дистилляция многих других широко используемых подходов, таких как Десять общих принципов (OIE, 2012; Fraser и др., 2013), Пять свобод (FAWC, 2009), Пять положений или областей (Mellor, 2016), Четыре принципа, выдвинутые проектом Welfare Quality® (Welfare Quality®, 2018), и Три круга благополучия (Fraser, 2008), и поэтому отражает то, что многие люди с разных позиций вкладывают в понятие благополучия (Dawkins, 2021). Все эти схемы подчеркивают фундаментальную важность физического здоровья для хорошего благополучия, а «то, чего хотят животные», отводит видное место собственной оценке животными своих условий содержания (Welfare Quality®, 2018; Franks, 2019). Это также соответствует современным тенденциям перехода от негативного определения благополучия как отсутствия страданий к более позитивному его определению, когда животные имеют жизнь, которую стоит жить (LWL), или, что еще лучше, по-настоящему хорошую жизнь (Broom, 2007; FAWC, 2009; Wathes, 2010; Green и Mellor, 2011; Webb и др., 2019). «То, чего хотят животные», обсуждалось в научной литературе как наличие у животных «положительных эмоций» (Boissy и др., 2007) или нахождение в «положительном аффективном состоянии» (Mendl и др., 2010; Gygax, 2017), но более простая формулировка более понятна неспециалистам и более прямо указывает на данные, которые необходимо собирать.

Определение благополучия явным образом через здоровье и то, чего хотят животные, имеет дополнительное преимущество, заключающееся в том, что оно напрямую применимо для компьютерного распознавания благополучия животных. Это важно, поскольку этическая состоятельность умного земледелия будет в очень большой степени зависеть от того, убеждены ли люди в том, что компьютеры способны распознавать и оценивать благополучие животных, а затем запрограммированы на то, чтобы обеспечить высокий приоритет хорошего благополучия. Определение благополучия, используемое в умном земледелии, должно быть непосредственно переводимо в термины, которые компьютер может быть запрограммирован распознавать и применять на практике. Доступные в настоящее время технологии для умного земледелия включают «интеллектуальные датчики», которые собирают информацию в реальном времени от животных и/или из окружающей среды (Neethirajan, 2017; Fogarty и др., 2018), интеграцию различных видов информации в большие массивы данных, которые могут быть использованы для машинного обучения для достижения наилучших результатов в продуктивности и благополучии (Liakos и др., 2018; Bahlo и др., 2019), и системы, обеспечивающие точный контроль условий содержания и рациона животных (Astill и др., 2020). Однако перевод всех этих данных в практические улучшения благополучия решающим образом зависит от того, насколько хорошо компьютеры интерпретируют собираемые данные в терминах благополучия. Насколько хорошо компьютеры способны распознавать два элемента хорошего благополучия?

Ветеринарная медицина до сих пор использовала компьютеры для оценки здоровья в гораздо более ограниченных масштабах, чем медицина человека, но в настоящее время появляется все больше автоматизированных методов обнаружения признаков болезней или травм у сельскохозяйственных животных (Fournel и др., 2017; Awaysheh и др., 2019). Наиболее продвинуто это в молочном животноводстве, где изменения в состоянии здоровья каждой отдельной коровы имеют ощутимое экономическое влияние, и поэтому фермеры считают инвестиции в технологии, дающие детальную информацию о каждом животном, важными для всего их бизнеса (Lovarelli и др., 2020). Например, хромота у молочных коров теперь может быть автоматически выявлена различными способами, включая визуальные изображения, данные акселерометров с устройств, закрепленных на ногах коров, чувствительные к давлению датчики, регистрирующие распределение веса коров, и даже по звуку их шагов (Alsaaod и др., 2019; Eckelkamp, 2019; Volkmann и др., 2019; Pilette и др., 2020). Изменения в поведении, такие как более длительные периоды лежания, более короткие периоды кормления или жвачки, могут быть автоматически зафиксированы с помощью визуальных изображений и акселерометров и служить ранними предупреждениями как о хромоте, так и о других проблемах со здоровьем (Beer и др., 2016; Alsaaod и др., 2019; Eckelkamp, 2019; Grinter и др., 2019). У свиней изменения положения хвоста могут быть автоматически обнаружены камерами и использованы как предупреждение о вспышках кусания хвостов — серьезного источника травм (D'Eath и др., 2018). Технология цифровой визуализации также может быть использована для анализа различных поз, указывающих на больных или травмированных птиц (Zhuang и др., 2018), или для выявления хромых бройлеров по аномалиям колебаний тела, частоты и длины шага (Aydin, 2017).

Крупные животные, такие как коровы или свиноматки, могут отслеживаться индивидуально либо с помощью меток, трекеров или измерительных устройств, размещаемых на каждом животном или даже внутри него, либо путем визуального распознавания отдельных животных по данным камер (Jorquera-Chavez и др., 2019; Sun и др., 2019; Baxter и O'Connell, 2020). Такие устройства могут способствовать благополучию животных, позволяя каждому животному получать индивидуально подобранный рацион и медицинское лечение (Caja и др., 2016). Компьютерное зрение и машинное обучение в настоящее время могут распознавать мимические выражения боли у овец, давая раннее предупреждение о таких заболеваниях, как футинга и мастит, и позволяя лечить пораженное животное до того, как болезнь распространится на остальное стадо (McLennan и Mahmoud, 2019).

Однако там, где содержатся тысячи более мелких животных, индивидуальное распознавание в настоящее время затруднено, и вся группа оценивается и рассматривается как единое целое. Например, у коммерчески разводимой птицы корм, вакцинация, лекарства, высота поилок, освещение и другие факторы не регулируются для каждого отдельного животного, а устанавливаются в соответствии со средними потребностями всей группы. Оценка благополучия аналогичным образом основана на групповых результатах, таких как процент птицы с дефектами походки, процент смертности, звуки или движения всего стада (Dawkins и др., 2012, 2017). Это одна из областей, где точное земледелие в настоящее время ограничено, но в будущем может внести реальный вклад в благополучие животных, содержащихся группами. «Точность» в точном земледелии растений относится к измерению свойств почвы, уровня влажности, сорняков и болезней на конкретных участках поля и внесению таких средств, как удобрения и гербициды, именно туда, где они действительно необходимы, а не на все поле в целом (Yufeng и др., 2011; Yost и др., 2017). Благополучие кур аналогичным образом может выиграть от технологий, позволяющих фермерам выявлять травмированных птиц и лечить их индивидуально или получать предупреждения о конкретных участках птичника, где начинает возникать потенциальная проблема, такая как задавливание или перенаселенность. Птичники, содержащие тысячи птиц, больше не будут рассматриваться как единое целое, а как стада множества особей, испытывающих различные условия и имеющих разные показатели благополучия. Это позволило бы уделять больше внимания благополучию отдельных животных, чем это могут делать в настоящее время как фермеры, так и машины.

Однако даже с современными технологиями ценная информация о здоровье может быть получена при мониторинге всей группы без различения особей. Например, звук кашля использовался для автоматического выявления ранних признаков респираторной болезни крупного рогатого скота, несмотря на трудности различения звука кашля и других фоновых шумов (Vandermeulen и др., 2016; Carpentier и др., 2018). Звуки кашля у свиней (Silva и др., 2008) и чихания у кур (Carpentier и др., 2019) также использовались для выявления респираторных заболеваний. С использованием визуальных изображений стада бройлеров с высоким уровнем повреждения ног и хромоты могут быть автоматически выявлены по аномалиям в движении стада (Fernandez и др., 2018), даже до того, как они станут заметны невооруженному глазу (Dawkins и др., 2012, 2017, 2021; Zhuang и др., 2018).

Таким образом, очевидно, что технология уже способна измерять по крайней мере один элемент хорошего благополучия — здоровье животных — как на индивидуальном, так и на групповом уровне. Новые автоматизированные способы этого быстро разрабатываются, и их использование, вероятно, значительно возрастет в ближайшем будущем, поскольку диагностические инструменты становятся все более способными фокусироваться на отдельных животных и давать раннее предупреждение о зарождающихся проблемах со здоровьем (Eckelkamp, 2019; Wurtz и др., 2019; Li и др., 2020; Rios и др., 2020).

Хотя признаки плохого здоровья сравнительно легко распознаются компьютерами, хорошее благополучие не сводится только к отсутствию травм и болезней, поэтому ключевым вопросом является то, способны ли компьютеры также обеспечить второй компонент благополучия животных — то, чего хотят животные.

Успех алгоритма выявления того, когда животные имеют то, что они хотят, будет зависеть от способности компьютера различать поведение или физиологическое состояние животных, которые имеют то, что они хотят, и поведение или физиологическое состояние животных, которые не имеют того, что они хотят. Ученые, изучающие благополучие животных, уже достигли большого прогресса в составлении таких списков «языка тела» для разных видов, и действительно, они часто используются как показатели положительного или отрицательного благополучия. Многие из них теперь могут быть автоматически обнаружены с помощью датчиков, включая уровень гормонов, уровень активности, вокализацию, температуру кожи, температуру глаз, размер зрачка, вариабельность сердечного ритма и многие другие.

При таком большом количестве доступных показателей, казалось бы, существует прочная эмпирическая база для разработки алгоритмов благополучия, пригодных для включения в системы умного земледелия. К сожалению, оказывается, что многие из этих показателей проблематичны, поскольку они не позволяют различить животных, имеющих то, что они хотят, и полную противоположность — животных, не имеющих того, что они хотят, или вынужденных оставаться в условиях, которых они хотят избежать или из которых они хотят выбраться. Например, у коров наблюдалось снижение температуры глаз как при фиксации в станке для обрезки копыт, так и при предоставлении им высоковкусного корма (Gomez и др., 2018). Значительное повышение уровня глюкокортикоидов (часто называемых «гормонами стресса») демонстрируют как животные, имеющие то, что они хотят (например, пищу, добровольные физические упражнения или полового партнера), так и животные, которые хотят избежать чего-то или спастись от чего-то (Rushen, 1986; Koolhaas и др., 2011; Ralph и Tilbrook, 2016).

Эта неоднозначность многих используемых в настоящее время показателей благополучия — тот факт, что многие из них могут интерпретироваться в равной степени как проявления возбужденного животного, имеющего то, что оно хочет, так и возбужденного животного, пытающегося избежать того, что оно не хочет, — означает, что необходим дополнительный тест, прежде чем какой-либо из них следует использовать в алгоритме благополучия. Этим тестом является эмпирическое доказательство того, что используемый показатель действительно диагностирует, рассматривают ли сами животные данную ситуацию как то, что они хотят продолжить/повторить (то есть находят ее положительной или вознаграждающей) или как то, чего они хотят избежать (отрицательной или наказывающей) (Dawkins, 1990, 2021; Guesgen и Bench, 2017; Gygax, 2017; Franks, 2019). Эта классификация на положительное/отрицательное также называется валентностью (Mendl и др., 2010).

В настоящее время существует ряд хорошо апробированных и проверенных способов выяснения того, чего хотят животные, включая инструментальное обусловливание (Kilgour и др., 1991; Patterson-Kane и др., 2008), различные виды тестов выбора, пространственное распределение и другие более косвенные методы (Dawkins, 2021). Простейшие из них включают предоставление животным выбора между различными вариантами и наблюдение за тем, что они выбирают изначально или куда они направляются в течение более длительного периода. Например, когда бройлерам предлагают выбор между традиционными жердочками и платформенными насестами, они проводят значительно больше времени на платформах, чем на жердочках, особенно по мере взросления, увеличения веса и возникновения трудностей с удержанием равновесия на жердочках (Baxter и др., 2020). Их точка зрения выражается в том, где они предпочитают проводить время.

Доказательства того, чего хотят животные, становятся еще более убедительными, если можно показать, что животные действительно «работают», чтобы получить желаемое, или платят цену за получение вознаграждения. Например, молочные коровы могут научиться включать выключатель для приведения в действие моторов вращающихся щеток, о которые они затем трутся для ухода за собой (Westerath и др., 2014). Кроме того, они будут прилагать большие усилия, чтобы добраться до этих щеток, если это будет затруднено, например, если им придется открывать тяжелые ворота (McConnachie и др., 2018). Коровы явно хотят физического ухода, обеспечиваемого щетками.

Традиционно исследования выбора животных и использования ресурсов проводятся путем непосредственного наблюдения человека или утомительного анализа видео, что значительно ограничивает их масштаб. Долгосрочный компьютерный анализ того, где животные проводят время, как часто и сколько они готовы работать за различные ресурсы, предоставляет гораздо больше количественных данных. Он показывает, как выбор меняется в течение суток и по мере старения животных (Kashiha и др., 2014). Это помогает преодолеть возражения, высказываемые против использования тестов выбора в оценке благополучия (Fraser и Nicol, 2011), такие как незнакомство животных с доступными вариантами, изменение выбора с опытом или первоначальное «желание» животным чего-то, но затем отсутствие «симпатии» к этому при получении (Berridge и др., 2009).

Хотя установление того, чего хотят животные, является необходимым первым этапом в разработке алгоритмов благополучия, именно знание того, как животные выражают себя, когда они имеют (или не имеют) то, что они хотят, позволяет правильно интерпретировать часто неоднозначные данные с датчиков в терминах благополучия (Guesgen и Bench, 2017). Как только становится известно, чего хотят животные, появляется возможность наблюдать за ними как в присутствии вещей или условий, которые, как показано, они хотят, так и в присутствии ситуаций, которых, как показано, они хотят избегать. Если существуют диагностические различия между их поведением и физиологией в этих двух ситуациях — то есть надежные индикаторы валентности, — то именно их можно с уверенностью использовать в составе алгоритма благополучия. Это могут быть характерные звуки, паттерны поведения или гормональные профили, которые позволяют машине (или животноводу) провести оценку благополучия и принять необходимые управленческие решения. Например, растущие цыплята издают громкие высокочастотные крики «бедствия», когда им холодно, голодно, они хотят пить или изолированы (то есть не имеют того, чего хотят), и мягкие «щебечущие» звуки, когда они находятся с матерью или другими цыплятами, при правильной температуре и в остальном имеют то, что хотят (Collias и Joos, 1953; Wood-Gush, 1971). Эти звуки отчетливы и легко различимы как для людей, так и для компьютеров. Текущее благополучие цыплят может быть оценено путем мониторинга этих звуков (Herborn и др., 2020), поскольку их ценность как диагностических индикаторов валентности уже установлена.

Компьютеры, с их огромной способностью обучаться на больших массивах данных, могли бы значительно повысить точность алгоритмов распознавания благополучия и их способность различать поведение разной валентности. Например, хрюканье, издаваемое свиньями, различается в зависимости от того, находятся ли свиньи в ситуациях, которые они находят вознаграждающими или наказывающими (Leliveld и др., 2016), но существует значительное перекрытие между двумя категориями хрюканья, что делает их в настоящее время ненадежными индикаторами того, имеют ли свиньи то, что они хотят (Friel и др., 2019). Однако то, что мы сейчас считаем ненадежными признаками того, чего хотят свиньи, может стать гораздо более надежным благодаря возможностям машинного обучения интерпретировать их, либо потому, что компьютеры обнаруживают различия, ускользающие от нас, либо потому, что они способны комбинировать их с другими видами поведения и интерпретировать их в контексте. Машинное обучение, использующее очень большие массивы данных для обучения и тестирования моделей глубокого обучения, почти наверняка обнаружит пока неизвестные корреляции и идеи о том, как достичь лучших результатов в области благополучия, чем те, которые доступны нам в настоящее время (Liakos и др., 2018; Morota и др., 2018; Li и др., 2020).

Однако автоматизированный анализ поведения создает особые проблемы из-за его разнообразия. Животное, которое хочет еды, будет вести себя иначе, чем то же самое животное, когда оно хочет партнера или тепла. Даже желание одной и той же вещи, например еды, иногда может проявляться в поиске на большой территории, в других случаях — в вокализации, а в третьих — в неподвижном сидении для сохранения энергии. «Поиск», в свою очередь, может состоять из бега, преследования, рытья, переворачивания камней или любого другого количества действий, которые сами по себе могут различаться в разных случаях даже у одной и той же особи. Дополнительным усложнением является то, что когда животное находит пищу, оно переключается с «желания» пищи на ее «симпатию» (Berridge и др., 2009; Gygax, 2017) и демонстрирует целый новый набор видов поведения, связанных с едой и постпрандиальным пищеварением. Список языка тела для распознавания того, когда животные имеют то, что они хотят, должен быть обширным для каждого вида и включать это разнообразие различных видов поведения.

Список, вероятно, будет еще длиннее для того, как животные выражают себя, когда они не имеют того, чего хотят, потому что существует так много различных ситуаций, которых животные могут хотеть избежать или из которых они могут хотеть вырваться, и каждая из них порождает разное поведение. Животное, которое не имеет, но видит то, что хочет (испытывает «препятствие» или «фрустрацию»), будет вести себя иначе, чем животное в обедненной среде (испытывающее «депривацию» или «скуку»). Животное, которое хочет избежать опасности (испытывает «страх»), будет демонстрировать ряд видов поведения от настороженности до полномасштабного бегства в зависимости от степени опасности. Агрессия может принимать многие формы, и настоящая драка может выглядеть очень похоже на игровую драку. Единственное, что могло бы объединить эти разнообразные виды поведения и поместить их в один и тот же отрицательный список, — это то, что с точки зрения животного все они являются указанием на то, что нежелательно и не вызывает симпатии.

Обратите внимание, что эти ориентированные на животных списки могут не совпадать со списками, которые могли бы составить благонамеренные люди, не имеющие преимущества такого исследовательского фона. Например, не все «естественные» виды поведения попадут в положительный список того, чего хотят животные. Некоторые виды поведения, естественно встречающиеся в дикой природе, такие как преследование хищником, могут быть противоположностью тому, чего хочет животное, и рассматриваться как показатель плохого благополучия (Bracke и Hopster, 2006; Dawkins, 2021).

Однако после составления этих списков они могут быть использованы для разработки валидированных алгоритмов благополучия, необходимых умному земледелию для практического применения фермерами. Потребители могут быть уверены, что используемые алгоритмы благополучия основаны на том, что поддерживает здоровье животных, а также на собственной оценке животными того, что они хотят или не хотят.

Более активно компьютеры могут использоваться не только для измерения того, чего хотят животные, но и для фактического предоставления им того, что они хотят. Добровольное доение коров (Munksgaard и др., 2011; Rodenberg, 2017), например, или системы, в которых животные могут контролировать собственный уровень освещения (Taylor и др., 1996), показывают, как умное земледелие могло бы даже привести к созданию ориентированной на животных среды, в которой животные регулируют условия содержания по своему вкусу. Все последствия этого для благополучия еще предстоит понять.

Подчеркнув роль, которую компьютеры могли бы играть в распознавании и оценке благополучия животных, важно также выявить проблемы, которые все еще остаются. Со звуком может быть трудно отличить вокализацию от фонового шума, или может существовать реальное перекрытие между вокализациями, указывающими на положительное или отрицательное благополучие.

С технологией машинного зрения существует еще более широкий круг технических проблем, которые предстоит преодолеть (Dominiak и Kristensen, 2017; Liakos и др., 2018; Wurtz и др., 2019). Человеческий мозг настолько хорошо распознает людей, тонкие выражения лиц, буквы алфавита, написанные разными шрифтами, и объекты, которые видны лишь частично, что иногда вызывает удивление, что мы все еще превосходим любой компьютер во многих из этих визуальных задач (Rolls, 2021). Мы превосходны в инвариантности к виду — то есть в способности распознавать один и тот же объект, даже если его внешний вид может сильно различаться в зависимости от угла, расстояния или ориентации, под которыми мы его видим. Ручка выглядит длинной и тонкой, когда ее держат одним способом, но как маленькая круглая монета, если смотреть на нее с торца, но мы все равно знаем, что это ручка. Автобус остается для нас автобусом, даже если он наполовину скрыт стеной, так что он больше не имеет типичной формы автобуса. Такие задачи сложны для компьютеров даже со статичными объектами, представленными единообразно (именно поэтому работают тесты на то, являетесь ли вы роботом, на веб-сайтах). При столкновении с активными последовательностями поведения движущихся животных, видимых под разными углами, с разных расстояний от камеры, в разных условиях освещения и часто скрытых другими животными, задача становится еще сложнее. Если эти проблемы не будут удовлетворительно решены, компьютерное распознавание будет давать ложноположительные или ложноотрицательные результаты, что снижает его полезность на практике (Dominiak и Kristensen, 2017; Liakos и др., 2018).

Следовательно, еще предстоит пройти долгий путь, прежде чем алгоритмы благополучия будут делать то, что от них требуется, в качестве надежной части систем умного земледелия, работающих в коммерческих фермерских условиях (Wurtz и др., 2019). Однако прогресс достигается постоянно. Широкое использование видеонаблюдения стимулировало потребность в инвариантном к виду компьютерном распознавании различных видов человеческой деятельности, которое может работать независимо от уровня освещения, угла обзора камеры, фона или других переменных, встречающихся в реальной жизни (Ramanathan и др., 2019; Singh и др., 2019). Такие разработки имеют прямое отношение к проблемам машинного распознавания поведения животных в фермерских условиях (Li и др., 2021).

Умное или точное животноводство обещает как большую эффективность для фермеров, так и более высокие стандарты благополучия для животных, но, цитируя знаковую статью Wathes и др. (2008), до сих пор неясно, является ли умное земледелие для животных «другом или врагом», а для фермеров — «панацеей или ловушкой». Несмотря на значительный прогресс, достигнутый с момента публикации этой статьи, точное животноводство все еще отстает от растениеводства в применении точных технологий во многих секторах (молочное животноводство является исключением). Многие из его самых амбициозных функций — такие как автоматизированная оценка благополучия — все еще находятся на стадии разработки (Rowe и др., 2019) и еще должны доказать свою ценность при применении в реальных условиях ведения хозяйства. В результате многие фермеры, особенно в птицеводстве, еще не убеждены в том, что технологии умного земледелия подходят им или что они дают лучшие результаты, чем можно достичь без помощи дорогостоящих технологий. Только при широком коммерческом применении и наличии доказательств результатов умного земледелия на практике мы сможем судить о его истинных результатах. Эти результаты должны будут включать, приводит ли он к сокращению отходов, снижает ли он заболеваемость и, следовательно, уменьшает или увеличивает использование лекарств, каково его влияние на окружающую среду и людей, работающих с животными, и позволяет ли он фермерам зарабатывать на жизнь.

Экономические факторы будут иметь решающее значение. Только если фермеры увидят коммерческие выгоды, они сделают необходимые инвестиции в оборудование для умного земледелия, и именно этот акцент на прибыли и эффективности вызывает наибольшую озабоченность в отношении благополучия животных. Существует распространенное мнение, что благополучие животных противоречит эффективному ведению хозяйства, поскольку его выгоды нематериальны и проистекают из этики и моральных ценностей или того, что общественность считает «благом» (Christensen и др., 2012). Однако благополучие животных также дает прямые финансовые выгоды, и как только они будут оценены, благополучие животных с меньшей вероятностью будет рассматриваться как противоречащее эффективному ведению хозяйства (Guy и др., 2012; Dawkins, 2016). Поэтому стоит рассмотреть возможные последствия умного земледелия для двух компонентов благополучия животных, обсуждаемых в этой статье, в свете их финансовых последствий.

Влияние точного земледелия на первый компонент благополучия животных — хорошее здоровье — вероятно, будет положительным, а также финансово выгодным. Благодаря большему контролю над условиями окружающей среды, который предлагает умное земледелие, животные могут содержаться в условиях, оптимальных для их здоровья, что снижает вероятность их гибели, необходимости в лечении или источника болезней друг для друга или для людей. Содержание бройлеров в рекомендуемых пределах температуры и влажности, особенно в первую неделю жизни, снижает не только смертность, но и другие ключевые показатели здоровья, такие как ожоги скакательных суставов, пододерматит и хромота (Dawkins и др., 2004; Jones и др., 2005). Бройлерная ферма с 10 птичниками может производить до 3 миллионов птиц в год, так что даже 1% экономии смертности может иметь решающее финансовое значение для производителей птицы. Если контролируемая среда, достижимая с помощью точного земледелия, также снизит количество выбраковок из-за поражений ног и лап, грудных волдырей и других признаков плохого здоровья, это может стать дополнительным финансовым преимуществом. Обеспечение равномерного роста всех птиц — еще одно соображение, имеющее экономическое значение, поскольку супермаркеты часто требуют птиц одинакового веса. Это также важно для благополучия птиц, поскольку птицы с недостаточным весом могут испытывать трудности с доступом к корму и воде. Если точное земледелие приведет к более высокому проценту товарных, здоровых птиц с равномерным весом, фермеры выиграют финансово, и благополучие птиц улучшится одновременно.

Со вторым компонентом хорошего благополучия — животные имеют то, что они хотят — точное земледелие также имеет потенциал обеспечивать эффективность и прибыль наряду с лучшим благополучием. Растет количество доказательств, связывающих «стресс» с нарушением иммунной системы (Hoerr, 2010; Inbaraj и др., 2019; Pratelli и др., 2021). У людей хорошая иммунная функция тесно связана с субъективными сообщениями о счастье и удовлетворенности жизнью (Nakata и др., 2010; Takao и др., 2018), что является многообещающей моделью для связи иммунитета с наличием у нечеловеческих животных того, что они хотят (Dawkins, 2019). Это область, где необходимы срочные исследования, в частности для проверки гипотезы о том, что содержание животных в условиях высокого благополучия (где они здоровы и имеют то, что хотят) укрепляет их иммунную систему, делает их более устойчивыми к болезням и приводит к появлению более здоровых и довольных животных. Если умное земледелие может обеспечить условия, которые, как показывают животные своим поведением, они хотят и которые им нравятся, и при этом они также здоровее, то это даст прямое и немедленное коммерческое преимущество. Если мониторинг поведения животных может быть полезен для указания на то, когда условия не являются оптимальными с точки зрения животного, то дополнительные технологии будут иметь собственное финансовое обоснование.

Помимо прямых финансовых выгод от приоритета благополучия животных, существуют также косвенные выгоды, такие как благосклонное отношение общественности к фермерам и выбор продуктов точного земледелия, потому что они считаются «дружественными к благополучию». Это, вероятно, станет все более важным по мере того, как новые торговые соглашения приведут к усилению конкуренции, а благополучие животных станет ключевым аргументом для производителей, которые могут его обеспечить. Розничный продавец или торговая точка, которая может заверить своих клиентов в постоянном мониторинге благополучия на фермах, у которых она закупает продукцию, и может объяснить, что это значит и даже как измеряется благополучие, будет иметь (коммерческое) преимущество.

Мы еще не знаем, будут ли эти обещания умного животноводства выполнены на практике. Это станет ясно только по мере более широкого использования систем и по мере того, как сами умные системы будут более полно развиваться. Большие массивы данных, которые могут быть проанализированы с помощью методов глубокого обучения, будут иметь решающее значение как для оценки последствий умного земледелия, так и для улучшения того, чего оно может достичь. Среди этих последствий благополучие животных будет ключевым для будущего умного земледелия — как в качестве основного фактора его финансового успеха или неудачи, но, что более важно, в качестве его этического судьи. Умное земледелие может быть принято или отвергнуто в зависимости от того, действительно ли оно может улучшить жизнь животных.

Умное или точное земледелие представляет собой совокупность относительно новых технологий, влияние которых на благополучие животных еще предстоит выяснить. Этический вердикт в отношении умного земледелия, вероятно, будет зависеть от того, как технология будет развиваться в ближайшие несколько лет и какой приоритет будет придан благополучию животных. Три направления развития будут иметь решающее значение для этической оценки умного земледелия в его обращении с животными: определение «благополучия», которое оно принимает, компьютерное распознавание благополучия и, что важнее всего, действительно ли благополучие сельскохозяйственных животных улучшается благодаря применению технологий умного земледелия.

1.    Alsaaod M., Fadui M., Steiner A. (2019). Automated lameness detection in cattle. Vet. J. 246, 35–44. doi: 10.1016/j.tvjl.2019.01.005. CrossRef. Google Scholar.

2.    Astill J., Dara R. A., Fraser E. D. G., Roberts B., Sharif S. (2020). Smart poultry management: smart sensors, big data, and the internet of things. Comput. Electron. Agr. 170:105291. doi: 10.1016/j.compag.2020.105291. CrossRef. Google Scholar.

3.    Awaysheh A., Wilcke J., Elvinger F., Rees L., Fan W., Zimmerman K. L. (2019). Review of medical decision support and machine-learning methods. Vet. Pathol. 56, 512–525. doi: 10.1177/0300985819829524. CrossRef. Google Scholar.

4.    Aydin A. (2017). Development of an early-detection system for lameness in broilers using computer vision. Comp. Electron. Agr. 136, 140–145. doi: 10.1016/j.compag.2017.02.019. CrossRef. Google Scholar.

5.    Bahlo C., Dahlhaus P., Thompson H., Trotter N. (2019). The role of interoperative data standards in precision livestock farming in external livestock systems: a review. Comput. Electron. Agr. 156:459–466. doi: 10.1016/j.compag.2018.12.007. CrossRef. Google Scholar.

6.    Banhazi T. M., Lehr H., Black J. L., Crabtree H., Schofield P., Tscharke M. (2012). Precision Livestock Farming: an international review of scientific and commercial aspects. Int. J. Agr. Biol. Eng. 5, 1–9. doi: 10.3965/j.ijabe.20120503.001. CrossRef. Google Scholar.

7.    Baxter M., O'Connell N. (2020). Testing ultra-wideband technology as a method of tracking growing broilers under commercial conditions. Appl. Anim. Behav. Sci. 233:105150. doi: 10.1016/j.applanim.2020.105150. CrossRef. Google Scholar.

8.    Baxter M., Richmond A., Lavery U., O'Connell N. E. (2020). Investigating optimal levels of perch provision for windowed broiler housing. Appl. Anim. Behav. Sci. 225:104967. doi: 10.1016/j.applanim.2020.104967. CrossRef. Google Scholar.

9.    Beer G., Alsaaod M., Starke A., Schuepbach-Regula G., Müller H., Kohler P., Steiner A. (2016). Use of extended characteristics of locomotion and feeding behavior for automated identification of lame dairy cows. PLoS ONE 11:e0155796. doi: 10.1371/journal.pone.0155796. CrossRef. Google Scholar.

10. Berckmans D. (2017). General introduction to precision livestock farming. Anim. Front. 7:6–11. doi: 10.2527/af.2017.0102. CrossRef. Google Scholar.

11. Berridge K. C., Robinson T. E., Aldridge J. W. (2009). Dissecting components of reward: "liking", "wanting" and learning. Curr. Opin. Pharmacol. 9, 65–73. doi: 10.1016/j.coph.2008.12.014. CrossRef. Google Scholar.

12. Boissy A., Manteuffel G., Jensen M. B., Moe R. O., Spruijt B., Keeling L. J., et al. (2007). Assessment of positive emotions to improve their welfare. Physiol. Behav. 92, 375–397. doi: 10.1016/j.physbeh.2007.02.003. CrossRef. Google Scholar.

13. Bracke M. B. M., Hopster H. (2006). Assessing the importance of natural behaviour for animal welfare. J. Agric. Environ. Ethic. 19, 77–89. doi: 10.1007/s10806-005-4493-7. CrossRef. Google Scholar.

14. Broom D. M. (1991). Animal welfare—concepts and measurement. J. Anim. Sci. 69:4167–4175. doi: 10.2527/1991.69104167x. CrossRef. Google Scholar.

15. Broom D. M. (2007). Quality of Life means welfare: how is it related to other concepts and assessed? Anim. Welfare 16, 43–53. doi: 10.1016/0376-6357(91)90014-Q. CrossRef. Google Scholar.

16. Caja G., Castro-Costa A., Knight C. H. (2016). Engineering to support wellbeing of dairy animals. J. Dairy Res. 83, 136–147. doi: 10.1017/S0022029916000261. CrossRef. Google Scholar.

17. Carpentier L., Berckmans D., Youssef A., Berckmans D., van Watertschoot T., Johnston D., et al. (2018). Automatic cough detection for bovin respiratory disease in a calf house. Biosyst. Eng. 173, S45–56. doi: 10.1016/j.biosystemseng.2018.06.018. CrossRef. Google Scholar.

18. Carpentier L., Vranken E., Berckmans D., Paeshuyse J., Norton T. (2019). Development of sound-based poultry health monitoring tool for automated sneeze detection. Comput. Electron. Agr. 162, 573–581. doi: 10.1016/j.compag.2019.05.013. CrossRef. Google Scholar.

19. Christensen T., Lawrence A., Lund M., Stott A., Sandøe P. (2012). How can economists help to improve animal welfare? Anim. Welfare 21, 1–10. doi: 10.7120/096272812X13345905673449. CrossRef. Google Scholar.

20. Clark M., Tilman D. (2017). Comparative analysis of environmental impacts of agricultural, input efficiency and food choice. Environ. Res. Lett. 12:064016. doi: 10.1088/1748-9326/aa6cd5. CrossRef. Google Scholar.

21. Collias N. E., Joos M. (1953). The spectrographic analysis of sound signals of the domestic fowl. Behaviour 5, 175–188. doi: 10.1163/156853953X00104. CrossRef. Google Scholar.

22. Cronin K. A., Ross S. R. (2019). Technical contribution: a cautionary keynote on the use of behavioural diversity (H-index) in animal welfare science. Anim. Welfare 28, 157–164. doi: 10.7120/09627286.28.2.157. CrossRef. Google Scholar.

23. Dawkins M. S. (1990). From an animal's point of view: motivation, fitness and animal welfare. Behav. Brain Sci. 13, 1–6. doi: 10.1017/S0140525X00077104. CrossRef. Google Scholar.

24. Dawkins M. S. (2008). The science of animal suffering. Ethology 114, 937–945. doi: 10.1111/j.1439-0310.2008.01557.x. CrossRef. Google Scholar.

25. Dawkins M. S. (2012). Why Animals Matter: Animal Consciousness, Animal Welfare and Human Well-being. Oxford: Oxford University Press. Google Scholar.

26. Dawkins M. S. (2016). Animal welfare and efficient farming: is conflict inevitable? Anim Prod. Sci. 57, 201–208. doi: 10.1071/AN15383. CrossRef. Google Scholar.

27. Dawkins M. S. (2019). Animal welfare as preventative medicine. Anim. Welfare 28, 137–141. doi: 10.7120/09627286.28.2.137. CrossRef. Google Scholar.

28. Dawkins M. S. (2021). The Science of Animal Welfare: Understanding What Animals Want. Oxford: Oxford University Press. Google Scholar.

29. Dawkins M. S., Cain R., Roberts S. J. (2012). Optical flow, flock behaviour and chicken welfare. Anim. Behav. 84, 219–222. doi: 10.1016/j.anbehav.2012.04.036. CrossRef. Google Scholar.

30. Dawkins M. S., Donnelly C. A., Jones T. A. (2004). Chicken welfare is influenced more by housing conditions than by stocking density. Nature 427, 342–344. doi: 10.1038/nature02226. CrossRef. Google Scholar.

31. Dawkins M. S., Roberts S. J., Cain R. J., Nickson T., Donnelly C. A. (2017). Early warning of footpad dermatitis and hock burn in broiler chicken flocks using optical flow, body weight and water consumption. Vet. Rec. 180, 448–452. doi: 10.1136/vr.104066. CrossRef. Google Scholar.

32. Dawkins M. S., Wang L., Ellwood S. A., Roberts S. J., Gebhardt-Henrich S. G. (2021). Optical flow, flock behaviour and broiler chicken welfare in the UK and Switzerland. Appl. Anim. Behav. Sci. 234:105180. doi: 10.1016/j.applanim.2020.105180. CrossRef. Google Scholar.

33. D'Eath R. B., Jack M., Futro A., Talbot D., Zhu Q., Barclay D., Baxter E. M. (2018). Automatic early warning of tail biting in pigs: 3D cameras can detect lowered tail posture before an outbreak. PLOS One 13:e0194524. doi: 10.1371/journal.pone.0194524. CrossRef. Google Scholar.

34. Dominiak K. N., Kristensen A. R. (2017). Prioritizing alarms from sensor-based detection models in livestock production: a review on model performance and alarm-reducing methods. Comp. Electron. Agr. 133, 46–67. doi: 10.1016/j.compag.2016.12.008. CrossRef. Google Scholar.

35. Eckelkamp E. A. (2019). Invited review: current state of wearable precision dairy technologies in disease detection. Appl. Anim. Sci. 35, 209–220. doi: 10.15232/aas.2018-01801. CrossRef. Google Scholar.

36. Ede T., Lecorps B., von Keyserlingk M. A. G., Weary D. M. (2019). Scientific assessment of affective states in dairy cattle. J. Dairy Sci. 102, 10677–10694. doi: 10.3168/jds.2019-16325. CrossRef. Google Scholar.

37. FAWC (Farm Animal Welfare Council) (2009). Farm Animal Welfare in Great Britain: Past, Present and Future. FAWC, London. Google Scholar.

38. Fernandez A. P., Norton T., Tullo E., van Hertem T., Youssef A., Exxadaktylos V., et al. (2018). Real-time monitoring of broiler flock's welfare status using camera-based technology. Biosyst. Eng. 173, 103–114. doi: 10.1016/j.biosystemseng.2018.05.008. CrossRef. Google Scholar.

39. Fogarty E. S., Swain D. L., Cronin G., Trotter M. (2018). Autonomous on-animal sensors in sheep research: a systematic review. Comp. Electron. Agr. 150, 245–256. doi: 10.1016/j.compag.2018.04.017. CrossRef. Google Scholar.

40. Fournel S., Rousseau A. N., Laberge B. (2017). Rethinking environmental control strategy of confined animal housing systems through precision livestock farming. Biosyst. Eng. 155, 96–123. doi: 10.1016/j.biosystemseng.2016.12.005. CrossRef. Google Scholar.

41. Franks B. (2019). What animals want. Anim. Welfare 28, 1–10. doi: 10.7120/09627286.28.1.001. CrossRef. Google Scholar.

42. Fraser D. (2008). Understanding Animal Welfare: the Science in its Cultural Context. Universities Federation for Animal Welfare, Wiley-Blackwell, Chichester, UK. Google Scholar.

43. Fraser D., Duncan I. J. H., Edwards S. A., Grandin T., Gregory N. G., et al. (2013). General Principles for the welfare of animals in production systems: the underlying science and its application. Vet. J. 198, 19–27. doi: 10.1016/j.tvjl.2013.06.028. CrossRef. Google Scholar.

44. Fraser D., Nicol C. J. (2011). Preference and motivation research, in Animal Welfare, 2nd ed, eds Appleby M. C., Mench J. A., Olsson I. A., Hughes B. O. (Wallingford, Oxfordshire: CABI), 183–199. doi: 10.1079/9781845936594.0183. CrossRef. Google Scholar.

45. Friel M., Kunc H. P., Griffin K., Asher L., Collins L. M. (2019). Positive and negative contexts predict duration of pig vocalisations. Sci. Rep. 9:2062. doi: 10.1038/s41598-019-38514-w. CrossRef. Google Scholar.

46. Gomez Y., Bieler R., Hankele R., Zähner M., Savary P., Hillmann E. (2018). Evaluation of visible eye white and maximum eye temperature as non-invasive indicators of stress in dairy cows. Appl. Anim. Behav. Sci. 198, 1–8. doi: 10.1016/j.applanim.2017.10.001. CrossRef. Google Scholar.

47. Green T. C., Mellor D. J. (2011). Extending ideas about animal welfare assessment to include 'quality of life' and related concepts. New Zeal. Vet. J. 59, 263–271. doi: 10.1080/00480169.2011.610283. CrossRef. Google Scholar.

48. Grinter L. N., Campler M. R., Costa J. H. C. (2019). Technical note: validation of a behavior-monitoring collar's precision and accuracy to measure rumination, feeding, and resting time of lactating dairy cows. J. Dairy Sci. 102:3487–3494. doi: 10.3168/jds.2018-15563. CrossRef. Google Scholar.

49. Guesgen M. J., Bench C. J. (2017). What can kinematics tell us about the affective states of animals? Anim. Welfare 25, 383–387. doi: 10.7120/09627286.26.4.383. CrossRef. Google Scholar.

50. Guy J. H., Cain P. J., Seddon Y. M., Baxter E. M., Edwards S. A. (2012). Economic evaluation of high welfare indoor farrowing systems for pigs. Anim. Welfare 21, 19–24. doi: 10.7120/096272812X13345905673520. CrossRef. Google Scholar.

51. Gygax L. (2017). Wanting, liking and welfare: the role of affective states in proximate control of behaviour in vertebrates. Ethology 123, 689–704. doi: 10.1111/eth.12655. CrossRef. Google Scholar.

52. Gygax L., Hillmann E. (2018). "Naturalness" and its relation to animal welfare from an ethological perspective. Agriculture 8:136. doi: 10.3390/agriculture8090136. CrossRef. Google Scholar.

53. Herborn K. A., McElligott A. G., Mitchell M. A., Sandilands V., Bradshaw B., Asher L. (2020). Spectral entropy of early-life distress calls as an iceberg indicator of chicken welfare. J. R. Soc. Interface 17:167. doi: 10.1098/rsif.2020.0086. CrossRef. Google Scholar.

54. Herborn K. A., Graves J. L., Jerem P., Evans N. P., Nager R., McCafferty D. J., et al. (2015). Skin temperature reveals the intensity of acute stress. Physiol. Behav. 15, 225–230. doi: 10.1016/j.physbeh.2015.09.032. CrossRef. Google Scholar.

55. Hoerr F. J. (2010). Clinical signs of immunosuppression in poultry. Avian Dis. 54, 2–15. doi: 10.1637/8909-043009-Review.1. CrossRef. Google Scholar.

56. Hurnik J. F. (1993). Ethics and animal agriculture. J. Agric. Environ. Ethic. 6, 21–35. Google Scholar.

57. Inbaraj S., Sejian V., Ramasamy S. (2019). Role of environmental stressor-host immune system-pathogen interactions in development of infectious disease in farm animals. Biol. Rhythm Res. 2019, 1–18. doi: 10.1080/09291016.2019.1695084. CrossRef. Google Scholar.

58. Jones T. A., Donnelly C. A., Dawkims M. S. (2005). Environmental and management factors affecting the welfare of chickens on commercial farms in the United Kingdom and Denmark stocked at five densities. Poult. Sci. 84, 1155–1165. doi: 10.1093/ps/84.8.1155. CrossRef. Google Scholar.

59. Jorquera-Chavez M., Fuentes S., Dunshea F. R., Warner R. D., Poblete T., Jogman E. C. (2019). Modelling and validation of computer vision techniques to assess heart0rate, eye temperature, ear-base temperature and respiration rate in cattle. Animals 9:1089. doi: 10.3390/ani9121089. CrossRef. Google Scholar.

60. Kashiha M. A., Green A. R., Sales T. G., Bahr C., Berckmans D., Gates R. (2014). Performance of an image processing system for hen tracking in an environmental preference chamber. Poult. Sci. 93, 2439–2445. doi: 10.3382/ps.2014-04078. CrossRef. Google Scholar.

61. Kilgour R., Foster T. M., Temple W., Matthews L. R., Bremner K. J. (1991). Operant technology applied to solving farm animal problems. An assessment. Appl. Anim. Behav. Sci. 30, 141–166. doi: 10.1016/0168-1591(91)90092-C. CrossRef. Google Scholar.

62. Koolhaas J. M., Bartomolomucci A., Buwalda B., de Boer S. F., Flugge G., Korte S. M., et al. (2011). Stress revisited: a critical evaluation of the stress concept. Neurosci. Biobehav. Rev. 35, 1291–1301. doi: 10.1016/j.neubiorev.2011.02.003. CrossRef. Google Scholar.

63. Kovacs L., Kezer L., Kezer F. L., Jurkovich V., Kulcsar-Huszenicza M., Tozser J. (2015). Heart rate varisability as an indicator of chronic stress caused by lameness in dairy cows. PLoS ONE 1:e0134792. doi: 10.1371/journal.pone.0134792. CrossRef. Google Scholar.

64. Leliveld L. M. C., Dupjan S., Tuchscherer A., Puppe B. (2016). Behavioural and physiological measures indicate subtle variations in the emotional valence of young pigs. Physiol. Behav. 157, 116–124. doi: 10.1016/j.physbeh.2016.02.002. CrossRef. Google Scholar.

65. Li G. M., Hueng Y. B., Chen Z. Q., Chesser G. D., Purswell J., et al. (2021). Practices and applications of convolutional neural network-based computer vision systems in animal farming: a review. Sensors 21:1492. doi: 10.3390/s21041492. CrossRef. Google Scholar.

66. Li N., Ren Z., Li D., Zeng L. (2020). Review: automated techniques for monitoring the behaviour and welfare of broilers and laying hens: towards the goal of precision livestock farming. Animal 14, 617–625. doi: 10.1017/S1751731119002155. CrossRef. Google Scholar.

67. Liakos K. G., Busato P., Moshou D., Pearson S., Bochtids D. (2018). Machine learning in agriculture: a review. Sensors 18:2674. doi: 10.3390/s18082674. CrossRef. Google Scholar.

68. Lovarelli D., Becenetti J., Guarino M. (2020). A review of cattle farming: is precision livestock farming the compromise for an environmental, economic and social sustainable production. J. Clean. Prod. 262:121409. doi: 10.1016/j.jclepro.2020.121409. CrossRef. Google Scholar.

69. McConnachie E., Smid A. M. C., Thompson A. J., Weary D. M., Gaworski M. A., von Keyserlingk M. A. G. (2018). Cows are highly motivated to access a grooming substrate. Biol. Lett. 14:20180303. doi: 10.1098/rsbl.2018.0303. CrossRef. Google Scholar.

70. McLennan K., Mahmoud M. (2019). Development of an automated pain facial expression detection systems for sheep (Ovis aries). Animals 9:196. doi: 10.3390/ani9040196. CrossRef. Google Scholar.

71. Mellor D. J. (2016). Updating animal welfare thinking: moving beyond the 'Five Freedoms' towards 'a life worth living'. Animals 6:21. doi: 10.3390/ani6030021. CrossRef. Google Scholar.

72. Mendl M., Burman O. H. P., Paul E. S. (2010). An integrative and functional framework for the study of animal emotions and mood. Proc.R. Soc. B 277, 2895–2904. doi: 10.1098/rspb.2010.0303. CrossRef. Google Scholar.

73. Morota G., Ventura R. V., Silva F. F., Koyama M., Fernandez S. C. (2018). Machine learning and data mining advance predictive big data analytics in precision animal agriculture. J. Anim. Sci. 96, 1540–1550. doi: 10.1093/jas/sky014. CrossRef. Google Scholar.

74. Munksgaard L., Rushen J., de Passillé A. M., Krohn C. C. (2011). Forced versus free traffic in an automated milking system. Livest. Sci. 138, 244–250. doi: 10.1016/j.livsci.2010.12.023. CrossRef. Google Scholar.

75. Nakata A., Takahashi M., Irie M., Swanson N. G. (2010). Job satisfaction is associated with elevated natural killer cell immunity among healthy white-collar employees. Brain Behav. Immun. 24, 1268–1275. doi: 10.1016/j.bbi.2010.05.004. CrossRef. Google Scholar.

76. Neethirajan S. (2017). Recent advances in wearable sensors for animal health management. Sensing Bio-sens. Res. 12, 16–29. doi: 10.1016/j.sbsr.2016.11.004. CrossRef. Google Scholar.

77. Nussbaum M. C. (2004). Beyond compassion and humanity. Justice for nonhuman animals, in Animal Rights: Current Debates and New Directions, eds Sunstein C. S., Nussbaum M. C. (Oxford: Oxford University Press), Chapter 14, 299–320. doi: 10.1093/acprof:oso/9780195305104.003.0015. CrossRef. Google Scholar.

78. OIE (World Organization for Animal Health) (2012). Global Animal Welfare Strategy. OIE, Paris, France. Available online at: http://www.oie.int/fileadmin/Home/eng/Animal_Welfare/docs/pdf/Others/EN_OIE_AW_Strategy.pdf (accessed May 8, 2020). Google Scholar.

79. Palme R. (2019). Non-invasive measurement of glucocorticoids: advances and problems. Physiol. Behav. 199, 229–243. doi: 10.1016/j.physbeh.2018.11.021. CrossRef. Google Scholar.

80. Patterson-Kane E. G., Pittman M., Pajor E. A. (2008). Operant animal welfare: productive approaches and persistent difficulties. Anim. Welfare. 17, 139–148. Google Scholar.

81. Perakis K., Lampathaki F., Fenareti L., Nikas K., Georgiou Y., Marko O., et al. (2020). CYBELE-Fostering precision agriculture and livestock farming through secure access to large-scale HPC-enabled virtual industrial experimentation environments fostering scaleable big data analytics. Comput. Netw. 168:107035. doi: 10.1016/j.comnet.2019.107035. CrossRef. Google Scholar.

82. Pilette D., Norton T., Exadaktylos V., Berckmans D. (2020). Individualized automated lameness detection in dairy cows and he impact of historical window length on algorithm performance. Animal 1, 409–417. doi: 10.1017/S1751731119001642. CrossRef. Google Scholar.

83. Pratelli A., Cirone F., Capozza P., Trotta A., Corrente M., Balestrieri A., Buonavoglia C. (2021). Bovine respiratory disease in beef calves supported long transport stress: an epidemiological study and strategies for control and prevention. Res. Vet. Sci. 35, 450–455. doi: 10.1016/j.rvsc.2020.11.002. CrossRef. Google Scholar.

84. Rabin L. A. (2003). Maintaining behavioural diversity in captivity for conservation: natural behaviour management. Anim. Welfare 12, 85–94. Google Scholar.

85. Ralph C. R., Tilbrook A. J. (2016). The usefulness of measuring glucocorticoids for assessing animal welfare. J. Anim. Sci. 34, 457–470. doi: 10.2527/jas.2015-9645. CrossRef. Google Scholar.

86. Ramanathan M., Yau W. Y., Thalmann N. M., Teoh E. K. (2019). Mutually reinforcing notion-pose for invariant action recognition. Int. J. Biomet. 11, 113–147. doi: 10.1504/IJBM.2019.099014. CrossRef. Google Scholar.

87. Rios H. V., Waquil P. D., de Carvalho P. S., Norton T. (2020). How are information technologies addressing broiler welfare? A systematic review based on the Welfare Quality (R) Assessment. Sustainability 12:1413. doi: 10.3390/su12041413. CrossRef. Google Scholar.

88. Rodenberg J. (2017). Robotic milking: technology, farm design and effects on work flow. J. Dairy Sci. 100, 7729–38. doi: 10.3168/jds.2016-11715. CrossRef. Google Scholar.

89. Rolls E. T. (2021). Learning invariant object and spatial view representations in the brain using slow unsupervised learning. Front. Comput. Neurosci. 15:686239. doi: 10.3389/fncom.2021.686239. CrossRef. Google Scholar.

90. Rowe E., Dawkins M. S., Gebhardt-Henrich. (2019). A systematic review of precision livestock farming in the poultry sector: is technology focused on improving bird welfare? Animals 9:614. doi: 10.3390/ani9090614. CrossRef. Google Scholar.

91. Rushen J. (1986). Some problems with the physiological concept of 'stress'. Aust. Vet. J. 63, 359–361. doi: 10.1111/j.1751-0813.1986.tb02896.x. CrossRef. Google Scholar.

92. Silva M., Ferrari S., Costa A., Aerts J. M., Guarino M., Berckmans D. (2008). Cough localization for the detection of respiratory diseases in pig houses. Comput. Electron. Agr. 64, 286–292. doi: 10.1016/j.compag.2008.05.024. CrossRef. Google Scholar.

93. Singh R., Kushwaha A. K. S., Srivastava R. (2019). Multi-view recognition system for human activity based on multiple features for video surveillance system. Multimed. Tools Appl. 78, 17165–17198. doi: 10.1007/s11042-018-7108-9. CrossRef. Google Scholar.

94. Stevenson P. (2017). Precision Livestock Farming: Could it Drive the Livestock Sector in the Wrong Direction. Available online at: https://www.ciwf.org/research/animal-welfare/precision-livestock-farming-could-it-drive-the-livestock-sector-in-the-wrong-direction/ (accessed August 18, 2020). Google Scholar.

95. Sun Y. K., Huo P. J., Wang Y. J., Cui Z. Q., Li Y., Dai B. S., et al. (2019). Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identificatiob via body parts and estimation of body condition score. J. Dairy Sci. 102, 10140–10151. doi: 10.3168/jds.2018-16164. CrossRef. Google Scholar.

96. Takao Y., Okuno Y., Mori Y., Asada M., Yamanishi K., Iso H. (2018). Associations of perceived mental stress, sense of purpose in life, and negative life events with the risk of incidental Herpes zost a and post herpetic neuralgia. Am. J. Epidemiol. 187, 251–259. doi: 10.1093/aje/kwx249. CrossRef. Google Scholar.

97. Taylor N., Prescott N., Perry G., Potter M., Le Sueur C., Wathes C. (1996). Preference of growing pigs for illuminance. Appl. Anim. Behav. Sci. 96, 19–31. doi: 10.1016/j.applanim.2005.04.016. CrossRef. Google Scholar.

98. Thompson P. B. (2017). From Field to Fork: Food Ethics for Everyone, 2nd ed. Oxford: Oxford University Press. Google Scholar.

99. Vandermeulen J., Bahr C., Johnston D., Earley B., Tullo E., et al. (2016). Early recognition of bovine respiratory disease in calves using continuous monitoring of cough sounds. Comp. Electron. Agr. 129, 15–26. doi: 10.1016/j.compag.2016.07.014. CrossRef. Google Scholar.

100.                Veissier I., Kling-Eveillard F., Mialon M. M., Silberberg M., De Boyer Des Roches A., et al. (2019). Precision livestock farming and animal welfare: is the numerical revolution in agriculture able to take into account animals' and farmers' needs? INRA Prod. Anim. 32, 281–290. doi: 10.20870/productions-animales.2019.32.2.2478. CrossRef. Google Scholar.

101.                Volkmann N., Kulig B., Kemper N. (2019). Using the foortfall sound of dairy cows for detecting claw lesions. Animals 9:78. doi: 10.3390/ani9030078. CrossRef. Google Scholar.

102.                von Borell E., Langbein J., Desprès G., Hansen S., Leterrier C., Marchent-Forde J., et al. (2007). Heart rate variability as a measure of autonomic regulation of cardiac activity for assessing stress and welfare in farm animals—a review. Physiol. Behav. 92, 293–316. doi: 10.1016/j.physbeh.2007.01.007. CrossRef. Google Scholar.

103.                Wathes C. M. (2010). Lives worth living? Vet. Rec. 166, 468–9. doi: 10.1136/vr.c849. CrossRef. Google Scholar.

104.                Wathes C. M., Kristensen H. H., Aerts J.-M., Berckmans D. (2008). Is precision livestock farming an engineer's daydream or nightmare, an animal's friend or foe, a farmer's panacea or pitfall? Comp. Electron. Agr. 64, 2–10. doi: 10.1016/j.compag.2008.05.005. CrossRef. Google Scholar.

105.                Weary D. M., Robbins J. A. (2019). Understanding the multiple conceptions of animal welfare. Anim. Welfare 28, 33–40. doi: 10.7120/09627286.28.1.033. CrossRef. Google Scholar.

106.                Webb L. E., Veenhoven R., Harfield J. L., Jensen M. B. (2019). What is animal happiness? Ann. NY Acad. Sci. 438, 62–76. doi: 10.1111/nyas.13983. CrossRef. Google Scholar.

107.                Welfare Quality® (2018). Available online at: http://www.EUwelfarequality.net/en-us/home/ (accessed May 25, 2020). Google Scholar.

108.                Werkheiser I. (2020). Technology and responsibility: a discussion of underexamined risks and concerns in Precision Livestock Farming. Anim. Front. 10, 51–56. doi: 10.1093/af/vfz056. CrossRef. Google Scholar.

109.                Westerath H. S., Gygax L., Hillmann E. (2014). Are special feed and being brushed judged positive by calves? Appl. Anim. Behav. Sci. 156, 12–21. doi: 10.1016/j.applanim.2014.04.003. CrossRef. Google Scholar.

110.                Winckler C. (2019). Assessing animal welfare at the farm level: do we care sufficiently about the individual? Anim. Welfare 28, 77–82. doi: 10.7120/09627286.28.1.077. CrossRef. Google Scholar.

111.                Wood-Gush D. G. M. (1971). The Behaviour of the Domestic Fowl. London: Heinemann Educational Books. Google Scholar.

112.                Wurtz K., Camerlink I., D'Eath R. B., Fernandez A. P., Norton T., Steibel J., et al. (2019). Recording behaviour of indoor-housed farm animals automatically using machine vision technology: a systematic review. PLoS ONE 14:e0226669. doi: 10.1371/journal.pone.0226669. CrossRef. Google Scholar.

113.                Yeates J. W. (2018). Naturalness and animal welfare. Animals 8:53. doi: 10.3390/ani8040053. CrossRef. Google Scholar.

114.                Yost M. A., Kitchen N. R., Sudduth K. A., Sadler E. J., Drummond S. T., Volkmann M. R. (2017). Long-term impact of a precision agriculture system on grain crop production. Precis Agric. 18, 823–842. doi: 10.1007/s11119-016-9490-5. CrossRef. Google Scholar.

115.                Yufeng G. E., Thomasson A., Ruixiu S. (2011). Remote sensing of soil properties in precision agriculture: a review. Earth Sci. 5. Google Scholar.

116.                Zhuang X. L., Bi M. N., Guo J. L., Wu S. Y., Zhang T. M. (2018). Development of an early warning algorithm to detect sick broilers. Comp. Electron Agr. 144, 102–113. doi: 10.1016/j.compag.2017.11.032. CrossRef. Google Scholar.

Dawkins MS (2021) Does Smart Farming Improve or Damage Animal Welfare? Technology and What Animals Want. Front. Anim. Sci. 2:736536. doi: 10.3389/fanim.2021.736536

Перевод статьи «Does Smart Farming Improve or Damage Animal Welfare? Technology and What Animals Want» автора Dawkins MS, оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: Designed by Freepik