Riepilogo

La rivoluzione digitale ci offre la possibilità di utilizzare più sensori, l’infrastruttura di dati e l’analisi dei dati per monitorare gli animali nel loro ambiente 24 ore su 24, 7 giorni su 7. La zootecnia di precisione (Precision Livestock Farming, PLF) offre notevoli opportunità per un approccio olistico e basato sull’evidenza del monitoraggio e della sorveglianza del benessere degli animali d’allevamento. Finora, la priorità del PLF era la salute degli animali e la loro produttività. Se il PLF dovesse svilupparsi ulteriormente lungo queste linee, c’è il rischio che la salute degli animali e la produttività diventino dei determinanti del benessere. Per sviluppare e mettere in atto le garanzie del PLF di un miglioramento innovativo ed efficace del benessere degli animali d’allevamento, tenendo conto non soltanto del loro benessere fisico ma anche di quello mentale, è necessario un approccio combinato multifattoriale che metta insieme il settore dell’allevamento, gli scienziati, i protagonisti della filiera alimentare, i legislatori e le ONG.

Abstract

Sebbene oggi, in Europa e sempre di più anche altrove, esista ormai un’ampia gamma di norme, di metodiche e di regolamenti utili a migliorare e salvaguardare il benessere degli animali d’allevamento, permangono costanti e significative problematiche in materia di benessere in quasi tutte le tipologie di sistemi di allevamento animale, che vanno dall’elevata percentuale di casi di zoppia alle limitate possibilità di esprimere dei comportamenti naturali. Protocolli e indicatori, come quelli forniti da Welfare Quality, fanno sì che oggi il benessere degli animali possa essere misurato e rilevato regolarmente nei sistemi di allevamento. Tuttavia, la rivoluzione digitale nel settore dell’allevamento ci fornisce la possibilità di quantificare il benessere degli animali utilizzando sensori multipli e l’analisi dei dati. Ciò ci consente di monitorare quotidianamente il benessere degli animali a livello sia di gruppo che di singolo animale, ad esempio, andando a misurare le variazioni dei modelli comportamentali o dei parametri fisiologici. Questo documento indaga il potenziale di sviluppo delle innovazioni nelle tecnologie digitali, allo scopo di migliorare la gestione del benessere animale in azienda, durante il trasporto o la macellazione degli animali. Concludiamo che le innovazioni nel Precision Livestock Farming (PLF) ci offrono considerevoli opportunità per un approccio più olistico e basato su prove del monitoraggio e della sorveglianza del benessere degli animali d’allevamento. Finora, molte delle tecnologie PLF ponevano la loro attenzione sulla salute degli animali e sulla loro produttività. Questo documento vuole affermare che tale attenzione non dovrebbe arrivare ad essere determinante per la valutazione del benessere. Ciò che ad oggi è necessario è individuare un punto d’incontro tra il settore dell’allevamento, gli scienziati, i protagonisti della filiera alimentare, i legislatori e le ONG per riuscire a sviluppare e ad utilizzare al meglio quanto promesso dal PLF al fine di ottenere un miglioramento innovativo ed efficace del benessere degli animali d’allevamento.

Parole chiave: benessere animale; Precision Livestock Farming; gestione del benessere; monitoraggio del benessere; garanzia del benessere

Introduzione

L’allevamento moderno del bestiame si è basato per lungo tempo sull’aumento sempre maggiore dei livelli di automazione. Con l’aumento delle dimensioni delle mandrie e dei greggi e con l’intensificazione e la specializzazione dei metodi di produzione, le tecnologie messe a disposizione per l’identificazione automatica, l’alimentazione, la pulizia e la macellazione si sono notevolmente moltiplicate, consentendo alle economie di scala di mantenere o di espandere la redditività della filiera alimentare. Dai sistemi di mungitura automatica, di uso comune nelle aziende da latte dei paesi con più alto reddito, ai sistemi automatizzati per lo stordimento con bagno d’acqua e per il taglio del collo nei macelli per il pollame, l’automazione – che potremmo semplicemente definire come una serie di procedure che avvengono  rapidamente e ripetutamente con un minimo intervento diretto dell’uomo – è sia una conseguenza che la forza trainante della zootecnia contemporanea. Per definizione, la meccanizzazione rappresenta una riduzione dell’intervento diretto dell’uomo (allevatori e personale che si occupa del bestiame) nella vita quotidiana degli animali d’allevamento. Per molti esperti tale meccanizzazione viene ampiamente accolta come una liberazione, per l’allevatore e per il personale che si occupa del bestiame, da almeno una parte del lavoro ripetitivo e, spesso, molto duro che viene svolto all’interno dell’allevamento [1,2], permettendo così guadagni in termini di benessere dell’allevatore e di riduzione dei costi del lavoro. Tuttavia, già nei primi anni Sessanta, l’autore e primo critico dell’allevamento “in fabbrica” Harrison, ha identificato l’automazione come un problema di “unione”, sostenendo che:

“La pulizia meccanica riduce ulteriormente il tempo che l’allevatore trascorre con gli animali e il senso di unione che si instaura con il suo bestiame, che caratterizza l’allevatore tradizionale, viene condannato come antieconomico e sentimentale”. ([3], p. 35)

Recenti analisi suggeriscono che l’attuale diffusione della tecnologia nel settore dell’allevamento richiede nuove e spesso altrettanto impegnative capacità di monitoraggio e gestione dei dati [4], e può anche portare nuove forme di sfruttamento e di emarginazione dei lavoratori [5,6]. Tuttavia, la diffusione generale dell’automazione in questo settore è stato un aspetto chiave dei sistemi di allevamento contemporanei ed ha avuto un impatto importante non solo sulla forza lavoro, ma anche sul ruolo di monitoraggio del benessere animale che svolgono tali addetti e sull’impatto di tale ruolo sugli animali stessi. L’automazione ha anche un impatto sulla natura e sulla percezione del benessere degli animali d’allevamento. Si potrebbe affermare che l’automazione ha contribuito, indirettamente, a fissare i primi parametri per definire il benessere animale negli allevamenti. Accettando la natura essenzialmente artificiale (e sempre più automatizzata) dei sistemi di allevamento emersa negli anni ‘70, il benessere è stato inizialmente definito, da un punto di vista legislativo, come la capacità degli animali di far fronte a questi ambienti intensivi [7]. Per gli allevatori un animale sano è essenzialmente un animale produttivo [8], con la salute – ed indirettamente, con il benessere – che vengono misurati mediante indicatori di performance standardizzati e sempre più automatizzati. Tuttavia, l’automazione, riducendo la frequenza dell’osservazione e dei contatti tra l’allevatore e l’animale allevato è stata accusata di rendere tale rapporto, secondo le parole di Cornou, “distaccato e impoverito” [9] portando, da un lato, a problemi di benessere non considerati o sconosciuti [10,11] e, dall’altro, ad una persistente ed eccessiva semplificazione della comprensione del benessere [8]. Man mano che le definizioni e le strategie correlate al benessere degli animali d’allevamento crescevano (sia nella misurazione che nella sofisticazione), il tempo che gli allevatori e il personale dell’allevamento effettivamente dedicavano all’osservazione degli animali sotto la loro responsabilità costituiva un fattore importante per definire e determinare il loro benessere [12]. Così, nel 2006, il Farm Animal Welfare Council del Regno Unito ha stabilito che “l’addetto che si occupa della mandria” riveste “un ruolo unico all’interno dell’allevamento di bestiame nel garantire elevati standard di benessere animale”, argomentando ulteriormente che, facendo eco a Ruth Harrison, “le caratteristiche di un buon addetto alla mandria prevedono, tra le altre cose, affinità ed empatia con il bestiame, la pazienza ed una spiccata capacità di osservazione” [13]. Analogamente, le attuali norme nazionali e dell’Unione Europea in materia di benessere animale chiedono agli allevatori e agli addetti al bestiame di ispezionare responsabilmente gli animali ad intervalli regolari (di solito, almeno una volta al giorno) per verificarne il benessere [14]; come esempio si veda anche l’UK Government 2000; EU Council Directive 2008/119/CE [15]. Un buon benessere, a quanto pare, dipende in gran parte da buona osservazione. In questo documento, affermiamo che l’attuale rapporto tra “buona osservazione” e “buon benessere” non sia più sufficiente o del tutto appropriato. Abbiamo notato che, ad oggi, nonostante l’ampliamento di una serie di normative, codici e pratiche internazionali e nazionali sul benessere degli animali, la crescente consapevolezza da parte dell’opinione pubblica e l’emergente senso del valore di mercato di quei prodotti ottenuti secondo standard più alti di benessere, permangono notevoli e costanti problematiche di benessere animale in tutti i principali sistemi di produzione zootecnica, che vanno dalla percentuale costantemente elevata dei casi di zoppia nei bovini da latte alle poche possibilità, per tutte le tipologie di animali, di  esprimere dei comportamenti naturali nei sistemi di stabulazione al chiuso. Quindi ci chiediamo, le tecnologie adottate dalla zootecnia di precisione (PLF) possono risolvere questo iato osservazionale? Negli ultimi anni abbiamo assistito ad una serie di importanti passi avanti nelle tecnologie e nei metodi di osservazione e di monitoraggio automatizzato degli animali, che vanno sotto il nome generico di PLF, il cui obiettivo generale è quello di aumentare l’efficienza dei sistemi di allevamento e, nel fare ciò, di tenere conto delle differenze tra i singoli o tra i gruppi di animali [16]. Secondo la nostra opinione le tecnologie adottate nella zootecnia di precisione hanno un potenziale significativo nel supportare la gestione del benessere animale attraverso forme e meccanismi di osservazione del tutto nuovi. Ad oggi, tuttavia, tale potenziale è sia sottosviluppato che non adeguatamente studiato. Le tecnologie del PLF hanno il potenziale di monitorare lo stato di salute e il comportamento degli animali in modi che vanno al di là di quelli convenzionali per il monitoraggio e l’osservazione del benessere. Inoltre, ci offrono la possibilità di osservare il comportamento degli animali senza interferenze. In questo modo, le tecnologie del PLF possono aiutare gli allevatori ad individuare i problemi e a prendere decisioni gestionali per migliorare il benessere degli animali in una fase iniziale. I dati ottenuti mediante le tecnologie PLF possono essere utilizzati per dedurre avvertimenti e per attivare notifiche e allarmi. I dati potrebbero anche essere combinati, per creare degli indicatori di benessere complessi ma pertinenti che potrebbero essere trasmessi ai protagonisti della filiera  alimentare e sviluppati in procedure di controllo della qualità. Infine, le tecnologie PLF offrono la possibilità di effettuare una valutazione del benessere più olistica, continua (per tutta la vita) e standardizzata (comparabile) per gli animali d’allevamento durante l’intera catena di produzione. Detto questo, naturalmente, sorgono numerose preoccupazioni, non ultima quella di ripiegare sul ruolo e sulla competenza dell’allevatore/addetto al bestiame, ad oggi un potenziale minor osservatore di animali che di dati, o sulle forme consolidate di consulenza aziendale e sulle strutture decisionali che guidano le pratiche messe in atto in allevamento. Come sottolineato da un numero sempre maggiore di osservatori, la crescita delle tecnologie PLF negli allevamenti solleva nuove sfide sulla gestione, sulla distribuzione e sulla proprietà dei dati, nonché sulla ricollocazione del ruolo dell’allevatore o del responsabile del bestiame, sia rispetto agli animali che sono sotto la sua responsabilità  sia rispetto ai preziosi e sensibili dati che sempre più spesso li rappresentano [17-19]. In questo documento, esaminiamo come le tecnologie della PLF e i generali sviluppi delle tecnologie d’informazione e della comunicazione potrebbero migliorare l’osservazione, il monitoraggio e la valutazione del benessere degli animali d’allevamento, in particolare in quei settori e in quei sistemi di allevamento dove persistono problemi di benessere. Abbiamo valutato come il PLF potrebbe migliorare la nostra comprensione del benessere e le metodiche per valutarlo.

La promessa del PLF

L’ International Society for Precision Agriculture, fondata all’inizio degli anni ‘90 per promuovere questo settore, ha elaborato una definizione aggiornata per la zootecnia di precisione:

“La zootecnia di precisione è una strategia di gestione che raccoglie, elabora e analizza dati temporali, spaziali ed individuali e li combina con altre informazioni per supportare le decisioni gestionali in base alla variabilità stimata per migliorare l’efficienza di utilizzo delle risorse, la produttività, la qualità, la redditività e la sostenibilità della produzione zootecnica”. [20]

Sebbene l’ “Agricoltura di precisione” sia emersa inizialmente nel settore dei seminativi e delle colture [21], le tecnologie del monitoraggio in tempo reale, della gestione dei dati e quelle per il supporto decisionale vengono applicate sempre più frequentemente anche ai moderni sistemi di allevamento. Wathes la descrive come segue:

“La zootecnia di precisione, PLF, è una tecnologia di nuova nascita che applica i principi dell’ingegneria di processo all’allevamento del bestiame. La PLF richiede un sistema di rilevamento per gli input e per gli output, un modello matematico delle correlazioni input/output, un target e una traiettoria per i processi controllati; ed un controllore basato su modelli con attuatori per gli input di processo. La PLF ha  il grande potenziale di trasformare la produzione zootecnica attraverso un efficiente impiego dei nutrienti, la segnalazione tempestiva delle malattie e la riduzione delle emissioni inquinanti”. [22]

Tuttavia, il PLF deve essere visto come qualcosa di più di un migliore e più tecnologicamente avanzato monitoraggio dei parametri e della pianificazione delle risorse. Infatti, tramite il suo approccio sia ai dati che all’animale, il PLF ha il potenziale di effettuare una rivalutazione più radicale, quasi ontologica, di ciò che è il benessere e di come potrebbe essere valutato. In primo luogo, il PLF, attraverso le tecnologie di osservazione e monitoraggio, porta in primo piano i singoli animali:

“Un punto di partenza nel PLF è il riconoscimento che ogni singolo animale è [ … ] un sistema CIT [complesso, individuale, variabile nel tempo]. Questo contrasta con approcci più classici nei quali gli animali vengono considerati come “una media di una popolazione e, data la loro complessità, come un sistema allo stato stazionario”. [23]

In secondo luogo, il PLF permette di stabilire indicatori di benessere e trigger che non dipendono esclusivamente dall’osservazione e dalla misurazione umana periodica [24]. Negli ultimi 10 anni, le tecnologie del PLF sono state adottate in una serie di sistemi di allevamento diversificati, in particolare in quelli del settore lattiero-caseario [25,26]. Il continuo aumento della domanda di prodotti di origine animale, la richiesta da parte dei consumatori (e dei venditori al dettaglio) di una produzione più rispettosa del benessere, le pressioni economiche e, al contempo, la necessità di ridurre l’impatto ambientale, si sono fusi insieme per chiedere all’allevamento di bestiame di diventare sempre più efficiente, portando ad allevamenti più grandi, alla riduzione della manodopera e ad un aumento della meccanizzazione. Il PLF viene considerato un importante fattore che contribuisce al miglioramento del settore delle produzioni animali contemporaneo ed efficiente andando a rilevare, ad esempio,  l’estro prima dell’inseminazione, adattando l’alimentazione ai tassi individuali di crescita degli animali ed effettuando una diagnosi precoce delle malattie. Una maggiore “efficienza” nella produttività degli animali, nell’impiego di risorse e di manodopera,  di mangimi e farmaci, negli aspetti riproduttivi e così via, è la parola d’ordine del PLF. Circa 35 dei 121 documenti presentati alla Conferenza CE-PLF del 2019 affrontavano esplicitamente come tematica i guadagni in termini di efficienza delle tecnologie PLF [27]. Anche se ancora in fase relativamente iniziale di sviluppo, recenti prove mostrano che gli allevatori e i protagonisti della filiera alimentare stanno acquisendo le tecnologie del PLF per una serie di ragioni, tra cui la facilitazione dei loro ruoli gestionali e il miglioramento del loro stesso benessere, grazie alla diminuzione del carico di lavoro (soprattutto quando si parla di grandi mandrie) e alla limitazione dei compiti ripetitivi [28,29]. In termini pratici, le tecnologie PLF prevedono generalmente l’applicazione di sensori, o di altre forme di tecnologia di osservazione/monitoraggio, ai singoli animali e/o al loro ambiente, che monitorano continuamente una serie di parametri diversi. Gli algoritmi vengono poi impiegati per generare indicatori e rilevare anomalie in queste serie temporali. Ad oggi, un numero crescente di tecnologie per il PLF è disponibile sul mercato. Queste includono:

  • Sistemi di localizzazione in tempo reale (RTLS, Real-Time Locating System) per rilevare la posizione degli animali e dedurne l’attività (ad esempio, CowView (http://www.gea-cowview.com/ ), CowManager ( https://www.cowmanager.com/ en-us/  ) );
  • Accelerometri, per misurare se un animale si trova in piedi, sdraiato, in movimento e persino se sta mangiando o ruminando (ad esempio, Heat’Live, Time’Live e Feed’Live (https://www.cowmanager.com/en-us/), IceQube (https://www.icerobotics.com/researchers/));
  • Telecamere abbinate all’analisi delle immagini (ad esempio, telecamere Kinect per rilevare l’aggressività nei suini [30], RO-MAIN smaRt Cam (http://www.ro-main.com/en/products/details_products.php?no_produit=54 ) e EyeNamic (https://www.fancom.com/solutions/biometrics/eyenamic-behavior-monitorfor-broilers ) per descrivere, rispettivamente, la distribuzione e l’attività dei suini e del pollame o un macchinario prodotto da Meyn per ispezionare i cuscinetti plantari del pollame nel macello);
  • Registrazione dei suoni per rilevare la presenza di tosse o le vocalizzazioni degli animali (ad es. SoundTalks (https://www.soundtalks.com/));
  • Registrazione della temperatura e dell’umidità, ad esempio, all’interno dei veicoli che trasportano gli animali [31], o della temperatura degli animali stessi (ad es. bolo ruminale Moow (http://moow.farm/));
  • Bilance per pesare gli animali o controllare la loro alimentazione;
  • Sensori specifici per il monitoraggio di biomarker come il pH ruminale nelle vacche (ad es. e-Cow FarmBolus (https://ecow.co.uk/the-ebolus-for-researchers/ )), ormoni (ad es. Herd Navigator per il rilevamento del progesterone nel latte) o gas (ad es. ChickenBoy (https://faromatics.com/products/));
  • Identificazione elettronica di animali di grandi dimensioni (bovini, suini) grazie alla tecnologia Radio Frequency Identification (RFID), che consente di rintracciare gli animali nelle varie zone di processazione attraverso cui possono passare.

L’adozione di queste tecnologie può variare notevolmente. L’impiego delle tecnologie RFID e degli accelerometri è ben integrato nei sistemi di allevamento, ma altre tecnologie devono ancora raggiungere una valida quota di mercato. Come abbiamo detto in precedenza, la maggior parte delle tecnologie di PLF attualmente in  commercio sono volte principalmente a migliorare l’efficienza produttiva, sia attraverso un attento monitoraggio di parametri come l’alimentazione e l’estro, sia attraverso il controllo dei dati (individuali) sulla salute degli animali. In effetti, secondo la nostra opinione, il primato (e la crescente abbondanza) dei dati sulla produttività e sulla salute degli animali raccolti tramite tecnologie di PLF potrebbe, in qualche modo, aver distolto l’attenzione dalla continua necessità e dalla possibilità di individuare dati ed indicatori generati dalla zootecnia di precisione sul benessere animale. Inoltre tali tecnologie, laddove applicate, tendevano a concentrarsi principalmente sui sistemi di produzione convenzionali, con una minore attenzione verso quei sistemi di allevamento che pongono maggiore attenzione verso il benessere degli animali [32]. Quindi, sebbene commentatori come Berckmans [24] e Blokhuis [33]), supportino fortemente l’impiego del PLF per monitorare il comportamento degli animali, e quindi per far fronte alle problematiche di benessere nei polli da carne e nei suini, entrambi riconoscono che continuano ad esserci criticità ed aspetti negativi considerevoli.

Il potenziale del PLF nel monitoraggio del benessere animale

Visto il crescente aumento della consapevolezza sociale e della preoccupazione per il benessere degli animali d’allevamento, come dimostrato dalle innumerevoli relazioni e pubblicazioni su questo tema nonché dalla sempre più numerosa legislazione e certificazione riguardante il benessere, le tecnologie di PLF si trovano di fronte ad un particolare dilemma. Necessariamente ed inevitabilmente associato alla crescente automazione, tecnologizzazione ed industrializzazione dell’allevamento di bestiame (sebbene, ironicamente, offra maggiori possibilità di monitorare da vicino gli stati dei singoli animali), il Precision Livestock Farming deve dimostrare la sua importanza ed il suo valido contributo al miglioramento del benessere degli animali d’allevamento. Come abbiamo già detto, è probabile che le tecnologie PLF subiscano una pressione significativa, sia da parte dei protagonisti della filiera alimentare che dei consumatori, per raggiungere validi guadagni in termini di benessere [34,35]. Alcune aziende che adottano il PLF hanno certamente iniziato ad affrontare esplicitamente le tematiche relative al benessere tramite le loro particolari tecnologie (come lo strumento Time’Live, specificamente orientato al benessere). Chickenboy, per esempio, descrive la sua tecnologia come un “robot autonomo ed intelligente per polli da carne che monitora la qualità dell’aria, la salute, il benessere e il funzionamento delle attrezzature” mentre eYeNamic offre “preziosi indicatori del benessere dei polli da carne”. La sfida sta nel fatto che ad oggi il benessere viene ormai riconosciuto come uno stato fisiologico e psicologico complesso, che comprende molteplici aspetti.

Fino ad oggi, le tecnologie PLF si sono concentrate principalmente sugli aspetti fisici della salute e del benessere (crescita, alimentazione e salute). La sfida per il PLF, da un punto di vista del benessere animale, è quella di riuscire a raccogliere e combinare dati potenzialmente molto diversi e provenienti da svariate fonti in indicatori significativi che includano altri aspetti del benessere, come lo stato mentale, la naturalezza e la resilienza. È innegabile che l’allevamento del bestiame in Europa debba ancora far fronte ad una serie di problematiche importanti e persistenti per il benessere animale legate al sistema di allevamento stesso [36-40], come l’incidenza della zoppia nei bovini da latte, il morso della coda nei suini, la scarsa locomozione nei polli da carne, nonché problematiche generiche e di lunga data relative al trasporto e alla macellazione. Inoltre, un’intensa incentivazione dei livelli di benessere positivi ed il miglioramento delle opportunità di esprimere da parte degli animali un comportamento simile a quello naturale, il cui valore in termini di benessere è ampiamente riconosciuto dalla scienza [41-43] e apprezzato dai consumatori [44], rimangono in gran parte incompatibili (o non misurabili) in molti sistemi di produzione contemporanei. Se vuole dare un contributo sostanziale alla risoluzione delle reali preoccupazioni in materia di benessere animale, la tecnologia del PLF deve quindi rivolgere la sua attenzione su queste due aree critiche: valido monitoraggio ed identificazione dei sistematici fallimenti del benessere e  miglioramento attivo delle opportunità di avere delle esperienze positive di benessere. In questo, tuttavia, le tecnologie PLF necessitano di andare oltre la soluzione ad hoc o correttiva messa a punto per problemi di benessere specifici e persistenti. In definitiva, le tecnologie del PLF dovrebbero essere integrate, fin dall’inizio, nella progettazione dei nuovi sistemi di allevamento e delle tecnologie di produzione [45] in modo tale che il benessere animale ne diventi una componente integrante. Il  Welfare Quality Project ha individuato 12 criteri chiave che devono essere affrontati per comprendere tutti gli aspetti del benessere animale [46]. Secondo la nostra opinione, le applicazioni innovative dei vari approcci PLF sopra menzionati, insieme ad altri ancora in fase di sviluppo, potrebbero generare dati fondamentali per un monitoraggio efficace, come  hanno recentemente dimostrato Molina et al. [47] per quanto riguarda le vacche da latte. Le attuali tecnologie PLF ci forniscono già la possibilità di avere informazioni valide e costanti su una serie di misure, identificate dalla ricerca, sulla qualità del benessere come elencato nella Tabella 1. Le soluzioni per gli esiti riportati nella Tabella 1 sono prevalentemente correlate al benessere in allevamento. Il monitoraggio delle condizioni ambientali e la registrazione di parametri fisiologici degli animali (come la frequenza cardiaca e quelle respiratoria) potrebbero contribuire a garantire il fatto che gli animali vengano trasportati in condizioni adeguate. Analogamente sono attualmente in studio tecnologie PLF (da applicare al momento della macellazione) che possono consentire il monitoraggio e l’analisi dei movimenti degli animali, al fine di garantire un certo livello di benessere anche in questo momento critico [60]. 

Tabella 1. Esempi di possibili approcci PLF ai criteri di Welfare Quality per un buon benessere

Per molti di questi problemi di benessere, abbiamo a disposizione la tecnologia del PLF per l’osservazione ed il monitoraggio. Tuttavia, sono necessari appropriati algoritmi ed assemblaggi di dati per consentire lo sviluppo di indicatori di benessere efficaci e per determinare i meccanismi di intervento quando si registrano deviazioni dalle condizioni positive normali o previste. Riteniamo che tali indicatori dovrebbero far si che i dati provenienti da diversi sensori vengano combinati con altre fonti di dati ed interpretati insieme. Così, ad esempio, un valido indicatore del benessere nelle vacche da latte per essere definito tale dovrebbe unire i dati individuali sulle frequenze cardiache e respiratorie (che variano in base ai giorni di lattazione), quelli sulla produzione di latte e sui parametri ambientali (che valutano la temperatura) così come i dati ambientali e quelli comportamentali [61,62]. Nel momento in cui le tecnologie e gli strumenti del PLF si evolveranno, riteniamo che potranno avere un potenziale significativo nel far aumentare la nostra capacità di monitorare e di prenderci cura del benessere degli animali. Ci forniranno i mezzi per monitorare la salute degli animali d’allevamento ed il loro benessere e per individuare eventuali anomalie, riuscendo così a garantire la messa in atto di un trattamento rapido ed accurato per le malattie o per i disturbi comportamentali e per la prevenzione della loro diffusione ad altri animali. Inoltre, le tecnologie PLF faciliteranno la valutazione degli alloggi per gli animali e degli ambienti dell’allevamento (compresi i mezzi di trasporto e i locali per la macellazione). In entrambi i casi le tecnologie PLF consentono un’osservazione continua, piuttosto che “a fotogrammi”, in particolare in quei periodi e in quei luoghi dove l’osservazione da parte dell’uomo risulta essere più problematica o impossibile. Ci sembra essenziale che gli sviluppatori della tecnologia, i biologi, gli etologi e i veterinari lavorino a stretto contatto per riuscire a sviluppare nuovi strumenti per l’osservazione e il monitoraggio che si occupino specificatamente di aspetti del benessere animale nei diversi punti della catena di produzione del bestiame, dall’allevamento fino al macello. Fondamentalmente, ciò richiederà la progettazione di algoritmi appropriati, di data trigger points e la messa a punto di segnalazioni e di sistemi di allarme che, unitamente ad altri meccanismi, consentiranno l’identificazione e la successiva risoluzione di singoli casi e di problematiche di benessere più generiche da parte dei produttori.

Prospettive per il miglioramento del benessere animale in un mondo digitale

Attualmente, l’allevamento del bestiame sta vivendo una sorta di rivoluzione numerica grazie alla moltiplicazione del numero dei sensori ambientali e dei sensori per monitorare la salute degli animali e alla loro integrazione in varie piattaforme di dati e di sistemi informatici di grandi dimensioni. Ad oggi, gli obiettivi primari di queste nuove tecnologie di osservazione sono stati la salute e la produttività degli animali. Tuttavia, c’è anche l’indispensabile esigenza che questi nuovi approcci vengano impiegati sia nel monitoraggio che nel miglioramento di altri aspetti del benessere degli animali d’allevamento, sia nella riqualificazione del benessere al momento della progettazione di nuovi ed innovativi sistemi di produzione. La ricerca e l’innovazione sono particolarmente importanti, in primo luogo, nello sviluppo di validi sistemi di gestione dei dati per consentire la messa a punto di indicatori e di segnali relativi al benessere animale e l’inoltro al personale presente nell’allevamento (o a quello che si occupa dei dei trasporti e del macello) e, in secondo luogo, sono importanti per la realizzazione di tecnologie di archiviazione e di registrazione dei dati valide da consentire la costruzione di valide serie di dati temporali  che possano fornire informazioni durante i  processi di benchmarking, di certificazione e di monitoraggio della conformità. Entrambe hanno il potenziale per monitorare e far crescere il benessere degli animali d’allevamento attraverso l’impiego di metodiche nuove, dinamiche ed innovative. Pertanto, scienziati, etologi e veterinari che si occupano di benessere animale possono apportare un contributo fondamentale a questi processi necessari. Tuttavia, presentano anche alcune problematiche al loro interno. Come hanno sottolineato Klerkx et al. [19] finora, nella letteratura che trattava di zootecnia di precisione, si è fatta relativamente poca attenzione alle complesse questioni sociali riguardanti l’utilizzo, la proprietà e la circolazione dei dati e su come i diversi protagonisti della filiera alimentare, dai trasformatori ai rivenditori di alimenti e dai veterinari agli allevatori, potrebbero impiegare tali tecnologie e tali dati per trasformare, in ultima analisi e secondo le parole da essi riportate, i sistemi di allevamento, il valore della filiera e i sistemi di produzione degli alimenti. Riconosciamo che la crescita del PLF e la sua specifica applicazione al monitoraggio e al miglioramento del benessere degli animali d’allevamento solleva una serie di interrogativi più ampi che devono essere comunque affrontati. Primo tra questi le complesse questioni tecnico-scientifiche intorno alla definizione di benessere, alla messa a punto di validi indicatori di benessere e sulla validità dei dati raccolti grazie alle nuove tecnologie di osservazione e sorveglianza. La realizzazione di indicatori di benessere è un aspetto importante della recente scienza che si occupa di benessere animale, e sempre più protocolli basati sugli indicatori vengono utilizzati dagli operatori della filiera alimentare, sia per compartimentare i mercati che per rassicurare i consumatori interessati. Sebbene la zootecnia di precisione possa fornire dati nuovi e complessi sulla salute e sul comportamento degli animali, lo sviluppo di algoritmi pertinenti per combinare i singoli set di dati in modo tale da realizzare validi indicatori rimane una sfida significativa. Il modo in cui tali dati (e le loro combinazioni) vengono tradotti in spunti per l’azione e l’intervento, è un’altra preoccupazione tecnica che richiederà non solo validi sistemi di segnalazione ma anche un’adeguata formazione per il personale che lavora in allevamento. Un secondo problema sono le difficoltà percepite nell’applicazione delle tecnologie del PLF ai sistemi di allevamento estensivi. Ad oggi, il PLF è stato principalmente adottato nei sistemi di allevamento intensivi, ad alto input e con molta tecnologia, dove spesso gli animali vengono stabulati secondo densità abbastanza elevate. Sebbene questo sia stato senza dubbio il modello predominante di allevamento sviluppato a livello globale negli ultimi decenni, anche le tipologie di allevamento meno intensive e più “sostenibili” (ed i meccanismi di supporto specifici per la loro diffusione) hanno visto un aumento significativo negli ultimi anni, in particolare in Europa. Tuttavia, i sistemi di allevamento di tipo estensivo non hanno visto l’altrettanto rapida adozione delle tecnologie della zootecnia di precisione che invece ha caratterizzato la produzione intensiva [63], per una serie di complesse ragioni strutturali, ambientali e tecnologiche [64]. Tuttavia, mentre abbiamo notato un crescente interesse della ricerca nell’estendere la zootecnia di precisione anche agli animali allevati in maniera estensiva tramite metodiche come il monitoraggio dei gruppi o delle mandrie (tecnologie GPS e RFID [65-67]), tali metodiche, come anche le loro equivalenti adottate nei sistemi di allevamento intensivi, tendevano fino ad oggi a concentrarsi prevalentemente sulla produttività e sulla salute piuttosto che sul benessere degli animali. Una terza questione riguarda la natura, la diffusione e la proprietà dei dati prodotti dalle tecnologie di PLF [18,68]. Attualmente, la maggior parte di questi dati esistenti sono sito-specifici (vale a dire, servono per regolamentare la gestione in un dato allevamento, in una data unità di trasporto o in un dato macello e non vengono scambiati tra gli addetti ai lavori nella filiera alimentare). Inoltre, raramente (se non mai) sono allineati con altri set di dati raccolti in allevamento, come possono essere i dati provenienti dai sistemi di mungitura automatizzata, i dati della sorveglianza veterinaria o i dati post mortem dei macelli. Il raggiungimento del pieno potenziale dei campi di dati integrati è ancora lontano [69], sebbene molti protagonisti della filiera alimentare stiano iniziando a sviluppare dei sistemi di gestione dei dati integrati lungo le loro catene di approvvigionamento allo scopo di garantire una certa qualità e che sono rivolti sia ai consumatori che ai produttori a contratto. Esempi di questo cambiamento sono De Hoeve Innovatie (KDV) nei Paesi Bassi e Carrefour in Francia che utilizzano sofisticate tecnologie di tracciamento per i loro prodotti di origine animale. Sebbene, almeno per il momento, tali set di dati siano generalmente privati, ci sarebbero notevoli vantaggi se i dati su larga scala sul monitoraggio e sulla sorveglianza commerciale venissero condivisi con i produttori e con i veterinari per effettuare delle analisi comparative, per l’allerta precoce di malattie e di problemi comportamentali, per la valutazione dell’idoneità al trasporto e così via. In breve, sono necessari nuovi modelli di business per la distribuzione e l’utilizzo dei dati di monitoraggio provenienti dal PLF se si vuole ottenere una maggiore trasparenza e se si vuole migliorare in maniera duratura, in quanto bene pubblico, il benessere degli animali d’allevamento. Un’ultima preoccupazione ci riporta agli allevatori e agli addetti che si occupano del bestiame con i quali abbiamo iniziato questo articolo. Nel PLF i loro ruoli e le loro competenze, oltre al loro rapporto con gli animali di cui si occupano, cambiano e anche questo richiede una certa gestione e un certo adattamento. La visita quotidiana del capannone dei polli broiler potrebbe essere sostituita dalla lettura periodica dei dati presenti su uno schermo o dalla ricezione di avvisi telefonici. Come [9] sottolineato, i contatti effettivi con gli animali presenti in allevamento potrebbero ridursi ad interventi fisici di natura meno favorevole per il benessere animale, esacerbando così le potenziali risposte negative degli animali dovute alla presenza dell’uomo. Così, come cambia la natura del lavoro di allevamento, cambia anche la natura della cura degli animali. D’altra parte, quando le tecnologie alleggeriscono il carico di lavoro gli allevatori possono trascorrere più tempo insieme ai loro animali, come è stato osservato in alcuni allevamenti che acquistano un sistema di mungitura automatizzato [70]. Date le possibili correlazioni identificate in precedenza tra la zootecnia di precisione e le preoccupazioni dei consumatori per l’automazione dell’allevamento, anche questo è un aspetto che deve essere attentamente studiato. Mentre alcuni potrebbero sostenere che gli animali d’allevamento avrebbero maggiori probabilità di esibire comportamenti “naturali” quando gli esseri umani sono assenti, gli ambienti in cui essi vivono sono, in misura maggiore o minore, molto lontani dall’essere come quelli presenti in natura quindi le nostre responsabilità verso la loro cura non sono certamente inferiori.

Conclusioni

Il PLF offre opportunità significative per un approccio più olistico e basato sulle evidenze del monitoraggio e della sorveglianza del benessere degli animali d’allevamento. Ad oggi, l’attenzione delle tecnologie di PLF esistenti era indirizzata prevalentemente sulla salute e sulla produttività degli animali e, poiché tali tecnologie si stanno sviluppando ulteriormente lungo questa direzione, dobbiamo garantire che queste, da sole, non vadano a determinare il benessere. Per raggiungere questo obiettivo, gli sviluppatori del PLF, gli studiosi che si occupano di benessere animale e i protagonisti della filiera alimentare devono riuscire a collaborare insieme ad allevatori e veterinari nell’allargare le competenze del PLF per poter far fronte alle problematiche di benessere in maniera più olistica e, da un punto di vista tecnologico, più innovativa. Ciò deve avvenire su tre fronti correlati tra di loro: primo, estendendo la capacità delle tecnologie di PLF nell’identificare e nel misurare gli aspetti del benessere più idonei, suggerendo la necessità di una collaborazione tra studiosi del benessere animale e sviluppatori di tecnologia PLF; secondo, affrontando la complessa questione della costruzione dei dati e della loro traduzione in validi meccanismi di segnalazione e di risposta, suggerendo un ruolo importante della dimostrazione e della formazione svolte in allevamento; e terzo, ricercando dei metodi per convalidare l’efficace monitoraggio tramite PLF del benessere all’interno di  meccanismi di garanzia della qualità e nella catena del valore, che implica una più ampia collaborazione tra scienza del benessere, ONG, protagonisti della filiera alimentare e interessi dei consumatori. Nel portare avanti tutto ciò, crediamo che l’attuale ramo della scienza che si occupa del benessere degli animali rivesta un ruolo di primo piano.

Contributi degli Autori

Concettualizzazione, H.B. (Henry Buller), H.B. (Harry Blokhuis), K.L., M.S. e I.V .; scrittura – preparazione della bozza originale, H.B. (Henry Buller), H.B. (Harry Blokhuis), K.L., M.S. e I.V .; scrittura: revisione e modifica, H.B. (Henry Buller), H.B. (Harry Blokhuis), K.L., M.S. e I.V. Tutti gli autori hanno letto ed accettato la versione pubblicata del manoscritto.

Finanziamento: questa ricerca non ha ricevuto finanziamenti esterni.

Conflitti di interesse: gli autori dichiarano l’assenza di conflitto di interessi.

Riferimenti

  1. Puckett, H.B. Mechanization of Livestock Production in the United States. BSAP Occas. Publ. 1980, 2, 191–204. [CrossRef]
  2. Lunner-Kolstrup, C.; Hörndahl, T.; Karttunen, J.P. Farm operators’ experiences of advanced technology and automation in Swedish agriculture: A pilot study. J. Agromed. 2018, 23, 215–226. [CrossRef]
  3. Harrison, R. Animal Machines: The New Factory Farming Industry; Vincent Stuart Publishers: London, UK, 1964.
  4. Hostiou, N.; Fagon, J.; Chauvat, S.; Turlot, A.; Kling-Eveillard, F.; Boivin, X.; Allain, C. Impact of precision livestock farming on work and human-animal interactions on dairy farms. A review. Biotechnol. Agron. Soc. 2017, 21, 268–275.
  5. Rotz, S.; Gravely, E.; Mosby, I.; Duncan, E.; Finnis, E.; Horgan, M.; LeBlanc, J.; Martin, R.; Neufeld, H.T.; Nixon, A.; et al. Automated pastures and the digital divide: How agricultural technologies are shaping labour and rural communities. J. Rural Stud. 2019, 68, 112–122. [CrossRef]
  6. Vik, J.; Stræte, E.P.; Hansen, B.G.; Nærland, T. The political robot—The structural consequences of automated milking systems (AMS) in Norway. NJAS-Wagen. J. Life Sci. 2019, 90–91, 100305. [CrossRef]
  7. Broom, D.M. Indicators of poor welfare. Br. Vet. J. 1986, 142, 524–526. [CrossRef]
  8. Fraser, D. Understanding Animal Welfare: The Science in its Cultural Context; Wiley-Blackwell: Oxford, UK, 2008; p. 324.
  9. Cornou, C. Automation Systems for Farm Animals: Potential Impacts on the Human-Animal Relationship and on Animal Welfare. Anthrozoös 2009, 22, 213–220. [CrossRef]
  10. Rushen, J.; Taylor, A.A.; de Passille, A.M. Domestic animals: Fear of humans and its eect on their welfare. Appl. Anim. Behav. Sci. 1999, 65, 285–303. [CrossRef]
  11. Zulkifli, I. Review of human-animal interactions and their impact on animal productivity and welfare. J. Anim. Sci. Biotechnol. 2013, 4. [CrossRef]
  12. Waiblinger, S.; Boivin, X.; Pedersen, V.; Tosi, M.V.; Janczak, A.M.; Visser, E.K.; Jones, R.B. Assessing the human-animal relationship in farmed species: A critical review. Appl. Anim. Behav. Sci. 2006, 101, 185–242. [CrossRef]
  13. Farm Animal Welfare Council. FAWC Report on Stockmanship and Farm. Animal Welfare; Farm Animal Welfare Council: London, UK, 2007; p. 35.
  14. European Commission. Council Directive 98/58/EC of 20 July 1998 concerning the protection of animals kept for farming purposes. O. J. Eur. Comm. 1998, 8.8.1998, 221–223.
  15. European Council. Council Directive 2008/119/EC of 18 December 2008 laying down minimum standards for the protection of calves. O. J. Eur. Union 2009, 15.1.2009, 7–13.
  16. Guarino, M.; Berckmans, D. Precision Livestock Farming ‘15; Milano University: Milano, Italy, 2015; p. 868.
  17. Ingram, J.; Maye, D. What Are the Implications of Digitalisation for Agricultural Knowledge? Front. Sustain. Food Syst. 2020, 4. [CrossRef]
  18. Rotz, S.; Duncan, E.; Small, M.; Botschner, J.; Dara, R.; Mosby, I.; Reed, M.; Fraser, E.D.G. The Politics of Digital Agricultural Technologies: A Preliminary Review. Rural. Sociol. 2019, 59, 203–229. [CrossRef]
  19. Klerkx, L.; Jakku, E.; Labarthe, P. A review of social science on digital agriculture, smart farming and agriculture 4.0: New contributions and a future research agenda. NJAS-Wagen. J. Life Sci. 2019, 90–91, 100315. [CrossRef]
  20. International Society for Precision Agriculture. ISPA Forms Ocial Definition of ‘Precision Agriculture’. 2019. Available online: https://www.precisionag.com/market-watch/ispa-forms-ocial-definition-of-precisionagriculture/ (accessed on 29 September 2020).
  21. Mulla, D.; Khosla, R. Historical evolution and recent advances in precision farming. In Soil Specific Farming: Prcision Agriculture; Lal, R., Stewart, B.A., Eds.; CRS Press: Boca Raton, FL, USA, 2016; pp. 1–35.
  22. Wathes, C.M. Precision Livestock Farming for Animal Health,Welfare and Production. In Proceedings of the XIII Iinternational Congress in Animal Hygiene-ISAH, Tartu, Estonia, 17–21 June 2007; pp. 397–404.
  23. Berckmans, D. Automatic On-line Monitoring of Animal Health and Welfare by Precision Livestock Farming. In Proceedings of the X International congress in animal hygiene-ISAH 2004, Saint-Malo, France, 11–13 October 2004; pp. 27–30.
  24. Berckmans, D. Precision livestock farming technologies for welfare management in intensive livestock systems. Rev. Sci. Tech. Int. Des. Epizoot. 2014, 33, 189–196. [CrossRef]
  25. Lokhorst, C. An Introduction to Smart Dairy Farming; Van Hall Larenstein, University of Applied Sciences: Leeuwarden, The Netherlands, 2018; p. 106. Available online: https://www.greeni.nl/iguana/www.main.cls?surl=greenisearch#RecordId=2.144032 (accessed on 29 September 2020).
  26. Caja, G.; Castro-Costa, A.; Knight, C.H. Engineering to support wellbeing of dairy animals. J. Dairy Res. 2016, 83, 136–147. [CrossRef]
  27. O’Brien, B.; Hennessy, D.; Shalloo, L. Precision Livestock Farming ’19. In Proceedings of the 9th European Conference on Precision Livestock Farming, Cork, Ireland, 26–29 August 2019; Teagasc: Cork, Ireland, 2019; p. 912.
  28. Hostiou, N.; Allain, C.; Chauvat, S.; Turlot, A.; Pineau, C.; Fagon, J. Precision livestock farming: Which consequences for farmers’ work? INRA Prod. Anim. 2014, 27, 113–122. [CrossRef]
  29. Carolan, M. Automated agrifood futures: Robotics, labor and the distributive politics of digital agriculture. J. Peasant Stud. 2019, 47, 184–207. [CrossRef]
  30. Lee, J.; Jin, L.; Park, D.; Chung, Y. Automatic recognition of aggressive behavior in pigs using a kinect depth sensor. Sensors 2016, 16, 631. [CrossRef]
  31. Mitchell, M.A.; Kettlewell, P.J. Engineering and design of vehicles for long distance road transport of livestock (ruminants, pigs and poultry). Vet. Ital. 2008, 44, 201–213. [PubMed]
  32. Rios, H.V.; Waquil, P.D.; de Carvalho, P.S.; Norton, T. How Are Information Technologies Addressing Broiler Welfare? A Systematic Review Based on the Welfare Quality® Assessment. Sustainability 2020, 12, 1413. [CrossRef]
  33. Blokhuis, H.J.; Veissier, I.; Miele, M.; Jones, R.B. Safeguarding farm animal welfare. In Sustainability Certification Schemes in the Agricultural and Natural Resource Sectors. Outcomes for Society and the Environment; Vogt, M., Ed.; Routledge: London, UK, 2019; pp. 137–153.
  34. Blokhuis, H.J. Animal Welfare information in a changing world. In Animal Welfare Challenges: Dilemmas in a Changing World; Butterworth, A., Ed.; CABI:Wallingford, UK, 2018; pp. 208–216.
  35. Veissier, I.; Kling-Eveillard, F.; Richard, M.M.; Silberberg, M.; De Boyer Des Roches, A.; Terlouw, C.; Ledoux, D.; Meunier, B.; Hostiou, N. Élevage de précision et bien-être en élevage: La révolution numérique de l’agriculture permettra-t-elle de prendre en compte les besoins des animaux et des éleveurs? INRA Prod. Anim. 2019, 32, 281–290. (In French) [CrossRef]
  36. European Animal Welfare Platform. Pork Production—Strategic Approach Documents; EU Commission: Brussels, Belgium, 2012; p. 50. Available online: http://www.animalwelfareplatform.eu/documents/ (accessed on 29 September 2020).
  37. European AnimalWelfare Platform. Broiler Chicken Production—Strategic Approach Documents; EUCommission: Brussels, Belgium, 2012; p. 58. Available online: http://www.animalwelfareplatform.eu/documents/ (accessed on 29 September 2020).
  38. European Animal Welfare Platform. Beef & Dairy Production—Strategic Approach Documents; EU Commission: Brussels, Belgium, 2012; p. 91. Available online: http://www.animalwelfareplatform.eu/documents/ (accessed on 29 September 2020).
  39. EFSA (European Food Safety Authority). Hazard identification for pigs at slaughter and during on-farm killing. EFSA Support. Publ. 2019, 16. [CrossRef]
  40. EFSA (European Food Safety Authority). Hazard identification and ranking for poultry at slaughter. EFSA Support. Publ. 2018, 15. [CrossRef]
  41. Boissy, A.; Manteuel, G.; Jensen, M.B.; Moe, R.O.; Spruijt, B.; Keeling, L.; Winckler, C.; Forkman, B.; Dimitrov, I.; Langbein, J.; et al. Assessment of positive emotions in animals to improve their welfare. Physiol. Behav. 2007, 92, 375–397. [CrossRef]
  42. Lee, C.; Fisher, A.D.; Colditz, I.G.; Lea, J.M.; Ferguson, D.M. Preference of beef cattle for feedlot or pasture environments. Appl. Anim. Behav. Sci. 2013, 145, 53–59. [CrossRef]
  43. Phillips, C.J.C.; Beerda, B.; Knierim, U.;Waiblinger, S.; Lidfors, L.; Krohn, C.C.; Canali, E.; Valk, H.; Veissier, I.; Hopster, H. A review of the impact of housing on dairy cow behaviour, health and welfare. In Livestock Housing: Modern Management to Ensure Optimal Health and Welfare of Farm Animals; Aland, A., Banhazi, T., Eds.;Wageningen Academic Publishers: Wageningen, The Netherlands, 2013; pp. 37–54.
  44. Miele, M. The taste of happiness: Free-range chicken. Environ. Plan. A 2011, 43, 2073–2090. [CrossRef]
  45. Phillips, P.W.B.; Relf-Eckstein, J.-A.; Jobe, G.;Wixted, B. Configuring the new digital landscape in western Canadian agriculture. NJAS-Wagen. J. Life Sci. 2019, 90–91, 100295. [CrossRef]
  46. Christoph,W.; Bosse, A.; Kees, V.R.; Hélène, L.; Isabelle, V.; Linda, K.Welfare Quality. In Welfare Quality® Assessment Protocol for Cattle (Fattening Cattle, Dairy Cows, Veal Calves);Welfare Quality®Consortium: Lelystad, The Netherlands, 2009; p. 182.
  47. Maroto-Molina, F.; Perez-Marin, C.C.; Moreno, L.; Buendía, E.; Marín, D.Welfare Quality® for dairy cows: Towards a sensor-based assessment. J. Dairy Res. 2020, 87, 28–33. [CrossRef]
  48. Allain, C.; Caillot, A.; Depuille, L.; Faverdin, P.; Delouard, J.M.; Delattre, L.; Luginbuhl, T.; Lassalas, J.; Le Cozler, Y. Use of a 3D imaging device to model the complete shape of dairy cattle and measure new morphological phenotypes. In Proceedings of the EC-PLF, Cork, Ireland, 26–29 August 2019; pp. 128–134.
  49. De Mol, R.M.; Hogewerf, P.H.; Verheijen, R.G.J.A.; Dirx, N.C.P.M.M.; van der Fels, J.B. Monitoring pig behaviour by RFID registrations. In Proceedings of the EC-PLF, Cork, Ireland, 26–29 August 2019; pp. 315–321.
  50. Labrecque, J.; Gouineau, F.; Rivest, J. Real-time Individual Pig Tracking And behavioural Metrics Collection with Aordable Security Cameras. In Proceedings of the EC-PLF, Cork, Ireland, 26–29 August 2019; pp. 460–466.
  51. Van Harn, J.; De Jong, I.C. Validation Meyn Footpad Inspection System; Wageningen Livestock Research Report 1044B;Wageningen University & Research: Wageningen, The Netherlands, 2017; Available online: https://edepot.wur.nl/429581 (accessed on 29 September 2020).
  52. Aubert, A. Sickness and behaviour in animals: A motivational perspective. Neurosci. Biobehav. Rev. 1999, 23, 1029–1036. [CrossRef]
  53. Mintline, E.M.; Stewart, M.; Rogers, A.R.; Cox, N.R.; Verkerk, G.A.; Stookey, J.M.; Webster, J.R.; Tucker, C.B. Play behavior as an indicator of animal welfare: Disbudding in dairy calves. Appl. Anim. Behav. Sci. 2013, 144, 22–30. [CrossRef]
  54. Mandel, R.; Nicol, C.J.; Whay, H.R.; Klement, E. Detection and monitoring of metritis in dairy cows using an automated grooming device. J. Dairy Sci. 2017, 100, 5724–5728. [CrossRef] [PubMed]
  55. Veissier, I.; Mialon, M.-M.; Sloth, K.H. Short communication: Early modification of the circadian organization of cow activity in relation to disease or estrus. J. Dairy Sci. 2017, 100, 3969–3974. [CrossRef] [PubMed]
  56. Vandermeulen, J.; Bahr, C.; Johnston, D.; Earley, B.; Tullo, E.; Fontana, I.; Guarino, M.; Exadaktylos, V.; Berckmans, D. Early recognition of bovine respiratory disease in calves using automated continuous monitoring of cough sounds. Comput. Electron. Agric. 2016, 129, 15–26. [CrossRef] [PubMed]
  57. Lu, Y.; Mahmoud, M.; Robinson, P. Estimating sheep pain level using facial action unit detection. In Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition,Washington, DC, USA, 30 May–3 June 2017.
  58. Rocha, L.E.C.; Terenius, O.; Veissier, I.; Meunier, B.; Nielsen, P.P. Persistence of sociality in group dynamics of dairy cattle. Appl. Anim. Behav. Sci. 2020, 223, 104921. [CrossRef]
  59. Meunier, B.; Pradel, P.; Sloth, K.H.; Cirié, C.; Delval, E.; Mialon, M.M.; Veissier, I. Image analysis to refine measurements of dairy cow behaviour from a real-time location system. Biosyst. Eng. 2018, 173, 32–34. [CrossRef]
  60. Pinillos, R.G.We need to make more use of technology in the slaughter industry to improve welfare. Vet. Rec. 2018, 183, 198–199. [CrossRef]
  61. Pinto, S.; Homann, G.; Ammon, C.; Amon, B.; Heuwieser, W.; Halachmi, I.; Banhazi, T.; Amon, T. Influence of Barn Climate, Body Postures and Milk Yield on the Respiration Rate of Dairy Cows. Ann. Anim. Sci. 2019, 19, 469–481. [CrossRef]
  62. Jones, R.B.; Boissy, A. Fear and other negative emotions. In Animal Welfare, 2nd ed.; Appleby, M.C., Mench, J.A., Olsson, I.A.S., Hughes, B.O., Eds.; CAB International: Oxon, UK, 2011; pp. 78–97.
  63. Roxburgh, C.W.; Pratley, J.E. The future of food production research in the rangelands: Challenges and prospects for research investment, organisation and human resources. Rangel. J. 2015, 37, 125–138. [CrossRef]
  64. Bahlo, C.; Dahlhaus, P.; Thompson, H.; Trotter, M. The role of interoperable data standards in precision livestock farming in extensive livestock systems: A review. Comput. Electron. Agric. 2019, 156, 459–466. [CrossRef]
  65. Bocquier, F.; Debus, N.; Lurette, A.; Maton, C.; Viudes, G.; Moulin, C.H.; Jouven, M. Elevage de précision en systèmes d’élevage peu intensifiés. INRA Prod. Anim. 2014, 27, 101–112. [CrossRef]
  66. Lamb, D.; Taylor, D.B.; Trotter, M.; Donald, G.; Schneider, D. Precision pastures: Opportunities and challenges for spatial information to improve productivity and animal welfare in extensive livestock systems. In Proceedings of the 14th Annual Symposium on Precision Agriculture in Australasia, Albury, NSW, Australia, 2–3 September 2010; p. 11.
  67. Morgan-Davies, C.; Lambe, N.; Wishart, H.; Waterhouse, T.; Kenyon, F.; McBean, D.; McCracken, D. Impacts of using a precision livestock system targeted approach in mountain sheep flocks. Livest. Sci. 2018, 208, 67–76. [CrossRef]
  68. Carolan, M. ‘Smart’ Farming Techniques as Political Ontology: Access, Sovereignty and the Performance of Neoliberal and Not-So-Neoliberal Worlds. Sociol. Rural. 2018, 58, 745–764. [CrossRef]
  69. Lokhorst, C.; de Mol, R.M.; Kamphuis, C. Invited review: Big Data in precision dairy farming. Animal 2019, 13, 1519–1528. [CrossRef]
  70. Kling-Eveillard, F.; Hostiou, N. The eects of PLF on human animal relationship on farm. In Proceedings of the Precision Livestock Farming ‘17, Nantes, France, 12–14 September 2017; pp. 725–736.

Animals 2020, 10, 1779; doi:10.3390/ani10101779

www.mdpi.com/journal/animals 

 

 

Animal Welfare Management in a Digital World

Henry Buller1,*, Harry Blokhuis2, Kees Lokhorst3, Mathieu Silberberg4 e Isabelle Veissier4

1) Department of Geography, University of Exeter, Rennes Drive, Exeter EX4 4RJ, Regno Unito

2) Department of Animal Environment and Health, Swedish University of Agricultural Sciences, P.O. Box 7068, 750 07 Uppsala, Svezia; harry.blokhuis@slu.se

3) Wageningen UR,Wageningen Livestock Research, P.O. Box 338, 6700AH Wageningen, Paesi Bassi; kees.lokhorst@wur.nl 

4) UMR Herbivores, Université Clermont Auvergne, INRAE, VetAgro Sup, 63122 Saint-Genès-Champanelle, Francia; mathieu.silberberg@inrae.fr  (M.S.); isabelle.veissier@inrae.fr  (I.V.)

* Posta: H.Buller@exeter.ac.uk

© 2020 gli Autori. Detentore della licenza MDPI, Basel, Svizzera. Questo è un articolo ad accesso libero, distribuito secondo i termini e le condizioni Creative Commons Attribution license (CC BY) (http://creativecommons.org/licenses/by/4.0/ )