چکیده

با افزایش جمعیت جهان، تولیدات کشاورزی و دامی نیز باید بهبود و افزایش یابد. در عین حال، لازم است نگرانی‌های مربوط به رفاه حیوانات، پایداری محیط زیست و سلامت عمومی مرتفع شود. در این مقاله آخرین دستاوردها در دیجیتالی کردن دامپروری با کمک فناوری‌های کشاورزی دقیق دام (PLF) به ‌ویژه حسگرهای بیومتریک، کلان داده و فناوری زنجیرۀ بلوکی مورد بررسی قرار گرفته است. حسگرهای بیومتریک شامل حسگرهای غیرتهاجمی یا تهاجمی هستند که سلامت و رفتار یک حیوان را در زمان واقعی نظارت می‌کنند و به دامداران اجازه می‌دهند این داده‌ها را برای تجزیه و تحلیل در سطح جمعیت یکپارچه کنند. اطلاعات بلا‌درنگ که از حسگرهای بیومتریک به دست می‏آیند با استفاده از سیستم‌های تجزیه و تحلیل کلان داده پردازش و یکپارچه می‌شوند. این سیستم‏ ها برای مرتب‌سازی مجموعه‌های کلان داده و پیچیده به الگوریتم‌های آماری متکی هستند و به این ترتیب، الگوهای شکل‏گیری روند و ابزارهای تصمیم‌گیری مرتبط را به دامداران ارایه می‏‌دهند. فناوری زنجیرۀ بلوکی که با استفاده از حسگرها فعال می‏شود، امکان ردیابی ایمن و تضمینی محصولات حیوانی را از مزرعه تا سفره مردم فراهم می‏کند که مزیتی کلیدی در نظارت بر شیوع بیماری و جلوگیری از ضررهای اقتصادی مربوط و بیماری‏های همه ‏گیر بهداشتی مرتبط با مواد غذایی است. به لطف فناوری‌های PLF، پرورش دام این پتانسیل را دارد که با شفاف‌تر شدن و تقویت اعتماد مصرف‌کننده، به نگرانی‌های مبرم گفته ‏شده در بالا رسیدگی کند. با این حال، فناوری‌های جدید PLF کماکان در حال تکامل هستند و فناوری‌های اجزای اصلی (مانند زنجیرۀ بلوکی) هنوز در مراحل ابتدایی خود هستند و برای کاربرد در مقیاس بزرگ به اندازۀ کافی معتبر نیستند. نسل بعدی فناوری‌های PLF نیازمند پلتفرم‌های تحلیلی پیشگیرانه و پیش‌بینی‌کننده ‏ای هستند که می‌توانند مقادیری انبوه از داده‌ها را مرتب کنند و در عین حال، متغیرهای خاص را به ‌طور دقیق و قابل دسترس محاسبه کنند. قبل از اینکه به‏ ارگیری و اجرای راه‏کار‏های PLF از نظر تجاری در سطح مزارع مختلف به اشتراک گذاشته شود، لازم است مسایل مربوط به حریم خصوصی، امنیت و ادغام داده‏ ها حل و فصل شود.
کاربردها
فناوری‌های دیجیتالی‌سازی پیشرفته می‌توانند به مزارع مدرن کمک کنند تا سهم اقتصادی خود را به ازای هر حیوان بهینه کنند، از کارهای مشقت بار تکراری دامداری بکاهند و بر راه‌کار‌های جداگانه با اثربخشی کمتر، غلبه کنند. در حال حاضر، از نظر فرهنگی، بر کاهش آزمایش ‏های حیوانی و تماس فیزیکی با حیوانات به منظور افزایش رفاه حیوانات و جلوگیری از شیوع بیماری بسیار تأکید می‌‏شود. چنین روندی این پتانسیل را دارد تا در رابطه با استفاده از حسگرهای بیومتریک جدید، کلان داده و فناوری زنجیرۀ بلوکی به طوری که هم تولیدکنندگان و مصرف‏کنندگان دام و هم خود حیوانات مزرعه نفع ببرند، پژوهش ‏هایی بیشتر انجام شوند. خودمختاری دامداران و رویکردهای دامداری مبتنی بر داده در مقایسه با شیوه‌های مدیریت حیوانات مبتنی بر تجربه، فقط چند مورد از موانع متعددی هستند که دیجیتالی‌سازی باید قبل از اینکه به طور گسترده اجرا شود، باید آن‏ها را برطرف کند.

1- مقدمه

تا سال 2050، پیش‌بینی‌ می‌شود جمعیت جهانی انسان به بیش از 9 میلیارد نفر برسد که تقریباً 2 میلیارد بیشتر از جمعیت فعلی است. این رشد جمعیت در درجۀ اول در کشورهای در حال توسعه، به ویژه در کشورهای جنوب صحرای آفریقا رخ خواهد داد. رشد جمعیت و افزایش توسعه در این کشورها تقاضایی فزاینده را برای محصولات حیوانی ایجاد می‏کند. تولید دام در کشورهای در حال توسعه منابع غذایی پایدار، شغل و فرصت‏هایی را برای افزایش درآمد فراهم می‏کند. حجم بیشتر تقاضا برای محصولات حیوانی از طریق تولیدات داخلی تأمین خواهد شد. با این حال، با وجود افزایش جمعیت و تقاضا برای پروتئین حیوانی، مصرف‏‏‌کنندگان روز به روز بیشتر نگران تأثیرهای منفی دامداری بر محیط زیست، سلامت عمومی و رفاه حیوانات هستند. در آیندۀ نزدیک، آب و خاک، به طرزی فزاینده، به منابع رقابتی تبدیل خواهند شد؛ به این معنی که تولیدکنندگان دام باید میزان تولید خود را به حداکثر برسانند و در عین حال، از منابع محدود خود به طور پایدار استفاده کنند. اتحادیۀ اروپا قصد دارد تا سال 2050، برنامه کربن خنثی- هوای عاری از گازهای گلخانه‏ای و عناصر غیرطبیعی مضر- را تحقق بخشد. علاوه بر این، نگرش‌های اجتماعی، به ‌ویژه مصرف‌کنندگان، به‏ شدت در حال تغییر است که انگیزه‌های بیشتری را برای پژوهش و نوآوری مسئولانه برای حل مشکلات مبرم در دامداری از طریق روش‌های چرخشی و پایدار ایجاد می‌کند.
دیجیتالی‏ سازی به پیشبرد این اهداف کمک خواهد کرد. دامداران و دانشمندان حیوانات به منظور پاسخ‏گویی به تقاضای فزاینده برای پروتئین حیوانی و در عین حال، توجه به نگرانی‌های مربوط به پایداری محیط زیست، سلامت عمومی و رفاه حیوانات، ممکن است به طور فزاینده‌ بر فناوری‌های PLF برای دیجیتالی کردن کشاورزی دام تکیه کنند. پژوهش حاضر مقاله‏ای مروری است که بر فناوری‌های PLF – یعنی حسگرهای بیومتریک، کلان داده و فناوری زنجیرۀ بلوکی – تمرکز دارد که می‌توانند به دامداران در افزایش تولید کمک کنند و در عین حال، نگرانی‌های مصرف‌کننده را نیز برطرف کنند. علاوه بر این، این مقاله تأثیر فناوری‌های PLF بر دامداری، به ‌ویژه فناوری‏هایی که به بهبود سلامت و رفاه حیوانات مربوط می‌شوند را مورد توجه قرار می‏‌دهد.
1-1 روندهای فعلی در کشاورزی دام
دهۀ گذشته شاهد پیشرفت‌هایی عمده‌ بوده است، از جمله سیستم‌های تغذیۀ خودکار، روبات‌های شیردوش و مدیریت کود و به حداکثر رساندن بازدهی تولید از طریق ابزارآزمایی، پرورش حیوانات، ژنتیک و تغذیه. با وجود این پیشرفت‏ها، چالش‏هایی جدی باقی مانده‏اند. مدیریت فشردۀ دام برای پاسخ‏گویی به تقاضای فزاینده برای محصولات حیوانی ضروری است؛ اما ماهیت پرورش متراکم دام در سیستم های بسته، نظارت دقیق بر سلامت و رفاه حیوانات را برای دامداران دشوار می‏‌کند. با تشدید تغییرات آب ‏و هوایی، خطر بیماری، تنش گرمایی و سایر مسایل بهداشتی در بین دام‏ها افزایش می‏یابد. این امر به نوبۀ خود فوریت بیشتری را برای شناسایی مسائل بهداشتی و شیوع بیماری به صورت پیشگیرانه یا زودهنگام، درک انتقال بیماری و اتخاذ اقدامات پیشگیرانه به منظور جلوگیری از ضررهای اقتصادی در مقیاس بزرگ ایجاد می‏کند. این مسایل در کنار نگرانی‏های فزاینده در رابطه با رفاه حیوانات، شفافیت و پایداری زیست محیطی، به افزایش علاقه به دیجیتالی کردن کشاورزی دام از طریق فناوری‏ های دامپروری دقیق منجر شده است.
فناوری‌های کشاورزی دقیق دام (PLF) از اصول مهندسی فرآیند برای خودکارسازی کشاورزی دام استفاده می‌کنند و به دامداران اجازه می‌دهند تا سلامت و رفاه تعدادی زیاد از حیوانات را زیر نظر داشته باشند، مشکلات مربوط به حیوانات را به‌موقع تشخیص دهند و حتی مشکلات را قبل از وقوع بر اساس داده‌های قبلی پیش‌بینی کنند. نمونه‌هایی از پیشرفت‌های اخیر در فناوری‌های PLF شامل نظارت بر رفتار گاو، تشخیص صدا در خوک‌ها، نظارت بر سرفه در گونه‌های مختلف دام به منظور شناسایی بیماری‌های تنفسی و نیز شناسایی حاملگی گاو از طریق تغییرات دمای بدن هستند. فناوری‌های PLF، همچنین، می‌توانند به دامداران در نظارت بر بیماری‌های عفونی در دامداری کمک کنند و ایمنی و در دسترس بودن مواد غذایی را بهبود بخشند. در نهایت، استفاده از فناوری‌های PLF سلامت و رفاه حیوانات را بهبود می‌بخشد و در عین حال، مشکلات مرتبط با ایمنی غذایی را کاهش می‌دهد و استفادۀ کارآمد از منابع را به حداکثر می‌رساند.

2-1 چالش‏های مدل‏های کسب‏وکار سنتی

چالش‏های اصلی در نظارت مؤثر بر رفاه حیوانات حول سه عامل کلیدی می‏چرخند: هزینه، اعتبار و زمان‏بندی برای فائق شدن بر مشکل. بیشتر روش‏های موجود زمان‏بر، مستلزم کار زیاد و در نتیجه، پرهزینه هستند. دامداران معمولاً برای تشخیص مسایل بهداشتی و رفاهی به مشاهدات دامپروران و کارکنانشان تکیه می‏کنند؛ اما در بسیاری از شرکت‌های تجاری، نسبت دام به نیروی انسانی بسیار زیاد است. برای مثال، در یک مزرعۀ تجاری پرورش خوک، ممکن است به ازای هر 300 خوک یک نیروی انسانی وجود داشته باشد. در شرایط بحرانی، حتی افراد هشیار و آموزش‏دیده ممکن است حیوانات را نادیده بگیرند. برنامه‌های حسابرسی با کمک شرکت های ثالث ارزیابی‌های جامع رفاه حیوانات را ارایه می‌کنند، اما این برنامه‏ها نیز معمولاً پرهزینه و زمان‌بر هستند. برای مثال، حسابرسی مشترک صنعت پرورش خوک از 27 معیار استفاده می‏کند که بسیاری از این معیارها نیازمند مشاهدۀ مستقیم حیوانات هستند. با در نظر گرفتن اندازه‏های بزرگ گله‏های خوک، این برنامه می‏توانند بسیار پرهزینه باشند.
همچنین، این برنامه‌ها نگرانی‏هایی را در رابطه با اعتبار داده‏های به‏دست‏آمده مطرح می‏کند. معیارهای نظارتی اعمال‏شده شامل امتیاز وضعیت بدن، لنگش و نقص و ضایعات هستند که همۀ آن‏ها می‏توانند در ذهن حسابرسان مختلف متغیر باشند. ناهماهنگی بین حسابرسان یکی از نگرانی‌های ویژه است؛ با وجود این، استفاده از معیارهای عینی‏تر، اما تهاجمی، محدودیت‏های عملی را به همراه دارد. دامداران هنگام نظارت بر نشانه‌های تنش فیزیولوژیکی، مانند افزایش ضربان قلب، سطوح کورتیزول و دمای بدن، معمولاً حیوانات را به‏نوعی محدود می‏کنند و مانع حرکت آن‏ها می‏شوند که این کار به‏ناچار تنش اضافی به آن‏ها تحمیل می‏کند و در نتیجه، به طور بالقوه بر اندازه‏گیری‏های فیزیولوژیکی که انجام می‏شوند، تأثیر می‏گذارد. حتی در مشاهدات غیرتهاجمی، حیوانات به حضور یک فرد در نزدیکی‏شان واکنش نشان می‏دهند و در نتیجه، این مشاهدات برای نظارت بر رفتار «معمولی» حیوانات مفید نیستند. زمان‏بندی فائق آمدن بر مشکل پیامدی مستقیم برای توانایی دامداران در انجام اقدامات اصلاحی دارد. حسابرسی مشترک صنعت پرورش خوک معیارهایی را برای شرایط بحرانی مانند حیوان‏آزاری یا حیواناتی که در شرایط بحرانی هستند و باید به صورت انسانی کشته شوند، تعیین می‏کند. در حالت ایده‌آل، برای اینکه حیوان مدت طولانی رنج نکشد، این شرایط باید مدت‌ها قبل از آنکه به عنوان شرایط بحرانی ثبت شوند، از طریق حسابرسی واسطه‏ای اصلاح شود.
استفاده از فناوری‌های PLF، به ‌ویژه حسگرهای بیومتریک، به نظارت مداوم، عینی و منظم بر رفاه دام‌ها در زمان واقعی کمک می‌کند و به دامداران اجازه می‌دهد تا به سرعت مشکلات را شناسایی و اقدامات پیشگیرانه را برای جلوگیری از شرایط بحرانی اجرا کنند. فناوری‌های کشاورزی دقیق دام امکان نمونه‌برداری غیرتهاجمی را فراهم می‌کنند و به دامداران و پژوهشگران کمک می‌کنند تا معیارهایی واقع‌بینانه‌ را به دست آورند که می‌توان از آن‏ها برای رفع نگرانی‌های مربوط به رفاه حیوانات استفاده کرد. همچنین، فناوری‏های PLF می‏توانند به کاهش استفاده از منابع کمک کنند؛ اتخاذ یک رویکرد پیشگیرانه به سلامت حیوانات و در نهایت، نیاز به داروها به ویژه آنتی بیوتیک‏ها را کاهش می‌‏دهد.
هرچه نگرانی مصرف‌کنندگان در رابطه با پایداری و رفاه تولیدات دامی بیشتر شود، آن‏ها خواستار شفافیت بیشتر از سوی دامداران خواهند بود (شکل 1). فناوری‌های زنجیرۀ بلوکی به دامداران این امکان را می‌دهند تا بدون صرف زمان بیشتر، به طور شفاف در رابطه با خط تولید غذا به مصرف‌کنندگان پاسخ‏گو باشند. دامداران می‏توانند زمانی را که در اینجا صرفه‏ جویی می‏شود، صرف نظارت بر رفاه حیوانات، امنیت عمومی و مسایل پایداری زیست محیطی کنند.

شکل 1. ارزش‌ها و نگرانی‌های مشتریان که در ارتباط با فناوری‌های کشاورزی دقیق دام برطرف می‏شوند. هدف فناوری‌های دیجیتال در دامپروری مدرن (b) اجتناب از خطرات و افزایش رفاه/بهره‌وری با ارایه رویکردهای پیش‌بینی‌کننده، (c) ایجاد پل میان مقیاس‌ها شامل عوامل اجتماعی، اکولوژیکی و سیاسی در حرکت فراتر از مفهوم بهره‌وری حیوانات و فراتر از تمرکز یک‏بعدی و (d) حرکت از کل به جزء در یافتن راه‌حل‌های غیرمتعارف است.

2- حسگر بیومتریک

حسگرهای بیومتریک متغیرهای رفتاری و فیزیولوژیکی دام را کنترل می‌کنند و به دامداران اجازه می‌دهند سلامت و رفاه حیوان را در طول زمان ارزیابی کنند. طیفی گسترده از حسگرهای بیومتریک امروزه وجود دارد که شامل غیرتهاجمی و تهاجمی هستند. حسگرهای غیرتهاجمی که می‏توانند در اطراف مزرعه‏ کار گذاشته شوند، شامل دوربین‏های نظارتی و حسگرهایی در سیستم‏های تغذیه برای نظارت بر وزن و مصرف خوراک حیوانات هستند. حسگرهای غیرتهاجمی همچنین شامل حسگرهایی هستند که به‏راحتی به حیوانات متصل می‏شوند مانند گام‏شمار، GPS (سیستم موقعیت یابی جهانی) ، و حسگرهای فعالیت مبتنی بر MEMS (ریزالکترومکانیکی) که برای نظارت بر رفتار حیوانات استفاده می‏شوند. حسگرهای تهاجمی که در دام‏ها کمتر رایج هستند، معمولاً توسط حیوانات بلعیده یا در آن‏ها کاشته می‏شوند. این دسته از حسگرها برای نظارت بر معیارهای فیزیولوژیکی داخلی مانند سلامت شکمبه، دمای بدن و فشار واژن در گاوهای شیری مفید هستند.
صنعت پرورش دام استفاده از فناوری های حسگر بیومتریک را به عنوان راهی برای نظارت بر حیوانات بیشتر بدون افزایش زمان تماس و تعداد کارکنان و ارایه معیارهای قابل اعتماد و عینی سلامت و رفاه حیوانات اتخاذ کرده است. حسگرها داده‌هایی را جمع‌آوری می‌کنند که در پایگاه‌های داده ذخیره و توسط الگوریتم‌ها پردازش می‌شوند – مجموعه‌ای از دستورالعمل‌ها یا محاسبات که به‌ طور متوالی برای حل مشکلات خاص اجرا می‌شوند. الگوریتم‌های تخصصی با استفاده از حسگرهای بیومتریک دام، داده‌های حسگر خام را پردازش می‌کنند تا اطلاعات مربوط از نظر بیولوژیکی را ارایه دهند مانند کل زمانی که حیوانات در یک روز خاص رفتارهایی خاص انجام می‌دهند، یا اینکه چگونه سطح فعالیت حیوانات در دوره‌های زمانی خاص تغییر می‌کند. همچنین، این حسگرها می‌توانند رفتارهای حیوانات را در محدوده‌هایی مشخص نظارت کنند و در صورت غیرعادی بودن این رفتارها به دامداران هشدار دهند و به آن‌ها اجازه دهند حیوان را بررسی کنند و برای بهبود سلامت و رفاه آن واکنش مناسب نشان دهند. ترکیب حسگرهای بیومتریک با تجزیه و تحلیل کلان داده، هوش مصنوعی و فناوری‌های بیوانفورماتیک، مانند آن دسته اطلاعاتی که در ژنومیک استفاده می‌شوند، می‌تواند حیوانات با کیفیت‌های مطلوب را شناسایی و آن‏ها را برای برنامه‌های اصلاح نژاد انتخاب کند.
انتظار می‏رود استفاده از حسگرهای بیومتریک در دامداری و سایر بخش‏های بهداشت حیوانات در دهۀ آینده افزایش یابد. این امر به دلیل مزایای جالب توجه آن‏ها از نظر خروجی بلادرنگ، دقت و حجمی زیاد از داده است که این حسگرها می‏توانند به دست آورند. به دست آوردن اطلاعات مربوط به رفاه حیوانات در اسرع وقت امکان مداخلۀ زودهنگام را فراهم می‏کند و معمولاً مداخلات مورد نیاز بیشتر را به حداقل می‏رساند. برای مثال، به‏جای دماسنج‏ های تهاجمی که نیاز به مقید کردن حیوان دارد، می‏توان از تصویربرداری مادون قرمز حرارتی (TIR) برای نظارت بر دمای بدن حیوانات استفاده کرد. TIRناحیۀ چشم و دمای عمومی پوست می‌تواند تنش را حس کرده و بیماری را 4 تا 6 روز زودتر از روش‌های سنتی تشخیص دهد؛ بنابراین، درمان سریع را ممکن می‏سازد و احتمال انتشار بیماری در گله‌ها را کاهش می‌دهد. متداول‌ترین حسگرهای غیرتهاجمی برای نظارت بر دام‌ها دماسنج، شتاب‌سنج و برچسب‌های شناسایی فرکانس رادیویی (RFID) ، میکروفون‌ها و دوربین‌ها هستند. این حسگرها به دامداران اجازه می‏دهند تا دما، سطح فعالیت، سطح صدا در سالن پرورش‏ (مانند صدا، عطسه و سرفه) و رفتارهای خاص (مانند پرخاشگری در خوک‏ها) را کنترل کنند.
دماسنج‏ ها همراه با حسگرهای فیزیولوژیکی مانند TIR و مانیتور ضربان قلب، می‏توانند تنش را در حیوانات قبل از کشتار اندازه‏ گیری کنند و با معیارهای کیفیت گوشت مقایسه شوند تا از این طریق، ثبات و کیفیت محصولات مصرفی بهبود یابند. پژوهشگران با استفاده از حسگرهای بیومتریک می‌توانند در زمان واقعی تغییرات ضربان قلب را در پاسخ به تنش‌های مثبت و منفی تشخیص دهند، پاسخ‌های فردی حیوانات را مقایسه کنند و چگونگی تغییر ضربان قلب را در طول زمان در پاسخ به عوامل تنش‌زای مختلف پیگیری کنند. در مطالعه‏ای روی خوک‏ها، یک عامل تنش‏زای منفی پس از شنیده شدن یک صدای بلند، باعث افزایش ضربان قلب به مدت یک دقیقه شد. همچنین، یک عامل تنش‏زای مثبت (برای مثال، حوله ‏ای برای بازی) پس از ارایه عامل تنش ‏زا، باعث افزایش ضربان قلب به مدت دو دقیقه شد. معیارهای متعارف یا غیرمستقیم مربوط به رفاه ممکن است قادر به تشخیص این تفاوت‏های ظریف نباشند. مانیتورهای ضربان قلب نیز برای نظارت بر سلامت عمومی و تولید انرژی متابولیک مفید هستند. حسگرهای بیومتریک مانند حسگرهای فتوپلتیسموگرافی می‌‏توانند به ‏راحتی به برچسب‏ های گوش یا سایر قسمت‏های بدن متصل شوند تا به طور مداوم ضربان قلب دام را کنترل کنند.

دامداران به طور فزاینده از دستگاه‌های RFID استفاده می‌کنند که ممکن است در برچسب‌های گوش و قلاده‏های حیوانات تعبیه یا به صورت زیرپوستی کاشته شوند تا بر طیفی گسترده از رفتارها مانند فعالیت عمومی، خوردن و آشامیدن نظارت کنند. تجزیه و تحلیل شنیداری با استفاده از میکروفون امکان نظارت بر صداها و سرفه‌ها را فراهم می‌کند و به دامداران دربارۀ مسایل رفاهی قبل از اینکه شدید شوند، هشدار می‌دهد. همچنین، میکروفون‏ها این مزیت را دارند که به‏راحتی و به طور نامحسوس در اصطبل‏ها برای نظارت بر گروه‏های بزرگ حیوانات نصب می‏شوند. دوربین‌ها نیز به‌راحتی در اصطبل‏ها قرار می‌گیرند و می‌توان از آن‏ها برای ضبط طیفی گسترده‌ از اطلاعات کاربردی استفاده کرد. الگوریتم‌های تصاویر ویدئویی می‌توانند تغییراتی را در وضعیت بدن حیوانات تشخیص دهند که ممکن است نشان‏دهندۀ لنگش و سایر بیماری‌ها باشند. تجزیه و تحلیل تصویر دوربین امکان نظارت بر وزن، راه رفتن، مصرف آب، شناسایی فردی و پرخاشگری حیوانات را فراهم می‏کند.
فناوری تشخیص چهره یکی دیگر از زمینه‏های جالب توجه در نظارت خودکار رفاه حیوانات است. فناوری‌های تشخیص چهره برای شناسایی ویژگی‌های صورت حیوان به منظور شناسایی افراد یا نظارت بر تغییرات مربوط به حالت‏های عاطفی، به الگوریتم‌های کامپیوتری یادگیری ماشین متکی هستند. چندین پژوهشگر رفاه حیوانات در حال توسعۀ «ترازوهای گریماس » حیوانات هستند که به دامداران کمک می‏کند بر وضعیت عاطفی حیوانات به ویژه درد بهتر نظارت کنند. دام‌ها معمولاً تحت عمل‌هایی دردناک مانند شاخ‌بری، قطع دم و اخته شدن قرار می‌گیرند. تجزیه و تحلیل حالت چهره می‏تواند به اندازۀ کافی ویژه باشد تا نیات رفتاری در حیوانات را تعیین کند. برای مثال، در خوک‌هایی که پرخاشگری را آغاز می‌کنند و خوک‏هایی که از پرخاشگری عقب‌نشینی یا اجتناب می‌کنند، تفاوت‌های چهره‌ای مشخص مشاهده شده است. همچنین، تشخیص چهره به عنوان جایگزینی کم‌هزینه برای برچسب‌های RFID به منظور شناسایی حیوانات فردی پیشنهاد شده است.
یکی از مهم‏ترین نقش‏های حسگرهای بیومتریک در کاهش تأثیر و گسترش بیماری است. از این حسگرها می‏توان برای نظارت بر تغییرات دما، رفتار، صدا و معیارهای فیزیولوژیکی از جمله pH، فعالیت متابولیک، پاتوژن‏ها و وجود سموم یا آنتی بیوتیک‏ها در بدن استفاده کرد. استفادۀ بیش از حد از آنتی بیوتیک‏ها در پرورش دام در حال حاضر به یک نگرانی بزرگ با پیامدهای جدی برای سلامت انسان تبدیل شده است. توانایی نظارت بر وجود آنتی بیوتیک‏ها به دامداران اجازه می‏‌دهد حیوانات را برای بیماری درمان کنند و در عین حال، تولیدات دامی ایمن و مغذی را برای جمعیت جهانی فراهم کنند. همچنین، فناوری‌های حسگر زیستی می‌توانند برای شناسایی عوامل بیماری‌زای مشکل‌آفرین مانند آنفولانزای پرندگان، کروناویروس، و بیماری جان که یک عفونت باکتریایی مضر در نشخوارکنندگان است که می‌تواند خسارت‏های اقتصادی هنگفتی به دامداران تحمیل کند، استفاده شود. همچنین، حسگرهای بیومتریک می‏توانند نشانگرهای زیستی (بیومارکر) التهاب را برای نظارت گسترده بیماری شناسایی کنند. برای مثال، از فناوری TIR بر روی تصاویر پاها برای تشخیص بیماری پا استفاده شده است.
هر نوع دام نیازهای رفاهی و چالش‏های متمایز خود را دارد؛ بنابراین، استفاده از حسگرهای بیومتریک یا تلفیق حسگرها در دامداری بسته به گونه دام اختصاص خواهند بود. در نتیجه، در نظر گرفتن نقش حسگرهای بیومتریک در هر یک از دسته‏های اصلی دام سودمند است.

1-2 حسگرهای بیومتریک و بیولوژیکی برای گاو

استفاده از حسگرهای بیومتریک و بیولوژیک در صنعت پرورش گاو امکان نظارت بهتر بر نگرانی‏های عمدۀ رفاهی و همچنین، تسهیل فعالیت‏ های معمول گاوداری و ارایه راهکارهای ارزشمند با هدف بهبود بهره‏وری را فراهم کرده است. نگرانی‌های رفاهی که می‌توانند با استفاده از حسگرهای بیومتریک برطرف شوند عبارت‏اند از: ورم پستان، کیست‌های تخمدانی، لنگش، جابجایی شیردان و کیتوز؛ در حالی که معیارهای بهره‌وری که برای اتوماسیون بررسی شده ‏اند شامل فعالیت عمومی، حالت عاطفی، تشخیص فحلی و رفتار شیردوشی بوده‌اند.
گله‏‌ها چالش‏های خاص دامداری را پیش روی دامداران قرار می‏دهند. هر حیوان یک سرمایه‏گذاری باارزش است و مجموعه‏ ای وسیع از عوامل می‏‌توانند بر سودآوری کلی یک گله تأثیر بگذارند. توانایی اندازه‌گیری زمان‌بندی چرخه‌های باروری (فحلی) با نتایج بلادرنگ برای نگهداری گله از اهمیتی ویژه برخوردار است؛ در حالی که کنترل دقیق تغذیه و انرژی دریافتی برای به حداکثر رساندن تولید شیر ضروری است. استفاده از حسگرهای بیومتریک برای تشخیص فحلی مورد توجه ویژه بوده است. در این راستا، کاربرد گام‌سنج‌ها برای گاوهای شیری موفقیت‏آمیز بوده است. در مطالعۀ اخیر توسط روتگن و همکاران (2019)، تشخیص و شناسایی خودکار صداهای انفرادی هر گاو در گله با حساسیت 87٪ و اختصاصیت 94٪ به عنوان یک روش بالقوۀ قابل دوام برای نظارت بر فحلی گاوهای شیری گزارش شده است.
تغذیه و تعادل انرژی برای تولید کارآمد شیر توسط گاوهای شیری ضروری هستند. سطوح در گردش اسیدهای چرب آزاد (NEFA) نشان‏دهندۀ تعادل منفی انرژی هستند که می‏‌تواند نشانۀ خطرات سلامتی باشد و باید فوراً مورد توجه قرار گیرد. ناهنجاری‌های متابولیک که با سطوح بالای NEFA در خون مشخص می‏شوند، ممکن است به از دست دادن اشتها، کاهش تولید شیر، مشکلات تولیدمثل، عفونت‏های پستانی و اختلال در عملکرد سیستم ایمنی منجر شوند. در حال حاضر، حسگرهای زیستی که بر NEFA نظارت می‏کنند، در حال توسعه هستند و پتانسیل آن را دارند که در مزارع پرورش گاو شیری بسیار مفید باشند. کیتوز که یکی دیگر از نگرانی‌های جدی برای سلامتی در گاوداری است، معمولاً با سطوح بالای بتاهیدروکسی بوتیرات (BHBA) همراه است. کیتوز را می‏توان توسط یک حسگر زیستی مبتنی بر نقاط کوانتومی شناسایی کرد که توسط ونگ و همکاران (2015) توسعه داده شده است. یک رویکرد جایگزین توسط توتجا و همکاران (2017) به کار گرفته شده که در آن، از حسگرهای ایمنی الکتروشیمیایی مبتنی بر نانوساختار دوبعدی MoS2 برای تشخیص BHBA در گاوهای شیری استفاده می‏شود. این روش اختصاص‏مندی و حساسیت زیادی را نشان داده که هم‌اندازه کیت‏های تجاری موجود بود. علاوه بر این، ویراپندیان و همکاران (2016) با موفقیت از حسگرهای بیومتریک الکتروشیمیایی نانوصفحات اکسید گرافن (GO) حساس‏ به رنگ روتنیم برای تشخیص BHBA استفاده کردند. حسگرهای الکترود چاپی صفحه نمایش (SPE) نیز برای تشخیص NEFA و BHBA در حال توسعه هستند. دستگاه‌های مبتنی بر مزرعه برایBHBA و فناوری‌های مبتنی بر گوشی‌های هوشمند به زودی امکان آزمایش و پاسخ سریع در مزرعه را فراهم خواهند کرد. جانگ و همکاران (2017) یک دستگاه خوانش تشخیصی قابل حمل را آزمایش کردند که می‏تواند پروژسترون را در شیر تشخیص دهد. توسعۀ حسگرهای زیستی که امکان تشخیص سریع نشانگرهای زیستی و رویکرد پیشگیرانه دامداران را فراهم کند، سلامت و رفاه گاوهای شیری را بهبود می‏بخشد و در عین حال، موجب مصرف بهینه منابع می‌شود.

اگرچه بسیاری از این فناوری‌های حسگر زیستی هنوز به طور گسترده توسط دامداران استفاده نشده‏اند، چند حسگر بیومتریک تجاری برای استفاده در دامداری‌ها موجود است. رایج‏ترین حسگرهایی که با موفقیت در صنعت استفاده می‏شوند عبارت‏اند از: دماسنج، شتاب سنج و میکروفون. در میان روش‌های نوآورانه‌تر، علاوه بر سیستم تصویربرداری چشمی مبتنی بر TIR که همان‏طور که قبلاً گفته شد، برای پایش غیرتهاجمی تنش در گاو استفاده می‌شود، چندین رویکرد اخیر دیگر نیز جالب توجه بوده‌ا‌ند. MooMonitor یک حسگر بیومتری پوشیدنی است که به طور ویژه برای اندازه‌گیری رفتار چرا کردن (تغذیه) گاوهای شیری توسعه یافته است و تا کنون همبستگی زیادی را با روش‌های مشاهده سنتی نشان داده است. از حسگرهای بیومتریک برای نظارت بر مصرف آب توسط گاو نیز استفاده شده است. ویلیامز و همکاران (2020) در مطالعه ای که با استفاده از برچسب‌های RFID و شتاب‌سنج‌ها انجام شد، توانستند با دقت 95 درصد الگوهای رفتاری دام را طبقه‌بندی کنند. همچنین، فناوری‌های حسگر این پتانسیل را دارند که با جایگزینی برخی از وظایف دامپروری، درجه‌ای از استقلال را به حیوانات اعطا کنند، همانند سیستم‌های شیردوشی رباتیک برای گاوهای شیری. شیردوش‏ های رباتیک از حسگرهای پوشیدنی روی گاو برای ثبت رفتار شیردوشی و تغذیۀ آن استفاده می‏کنند. این شیردوش ‏ها به طرزی فزاینده در گاوداری‌ها پرطرفدار شده ‏اند؛ زیرا امکان نظارت از راه دور بر سلامت گاو را فراهم کرده‌‏اند. نگرانی مصرف‌کنندگان در رابطه با پایداری زیست‏ محیطی تولید دام، به ویژه گاو، در حال افزایش است. از جمله اقدامات برای کاهش این نگرانی‏‌ها می‏توان به حسگرهای بیومتریک اشاره کرد که به ‌عنوان راهی برای نظارت بر انتشار گاز متان مورد بررسی قرار گرفته‌‏اند.

2-2 حسگرهای بیومتریک برای صنعت پرورش خوک

چالش‌های عمدۀ رفاهی در صنعت پرورش خوک شامل لنگش، پرخاشگری در حیوانات خانگی، وضعیت بدن و مسائل مربوط به سلامتی مانند پرولاپس و ناخوشی هستند. مدیریت فعال دام، از جمله تأیید استانداردهای رفاهی بالا، نگرانی فزاینده‏ای هم برای مصرف‏‌کنندگان و هم برای تولیدکنندگان دارد. در حال حاضر، سنسورهای بیومتریک برای بهبود سلامت و رفاه حیوانات و همچنین، برای بهبود مسایل رفتاری استفاده می‌شوند. فناوری‌های رایج برای پرورش خوک شامل دوربین‌های دوبعدی و سه‏بعدی، میکروفون، تصویربرداری حرارتی، شتاب‌سنج، شناسایی فرکانس رادیویی (RFID) و تشخیص چهره هستند.

فن‌آوری‌های تشخیص شنیداری در تشخیص تفاوت‌های صدا و سرفه در خوکی موفق بوده‌اند. اجرای نرم ‏افزار تشخیص صدا در اصطبل‏ به دامداران کمک می‏کند تا مسایل رفاهی مانند پرخاشگری، گاز گرفتن دم، تنش گرمایی و بیماری‏ های تنفسی را شناسایی کنند. استفاده از تجزیه و تحلیل شنیداری برای تشخیص سرفه به دامداران و دامپزشکان اجازه می‌‏دهد تا دو هفته زودتر، در مقایسه با زمانی که از حسگرها استفاده نمی‏‌کنند، بیماری‌های تنفسی را تشخیص دهند. همچنین، تجزیه و تحلیل صدا می‏تواند سرفه‏ های مختلف مانند سرفه‏ های یک خوک سالم با حساسیت جزئی ناشی از گرد و غبار یا سرفه ‏های خوک‌‏های مبتلا به بیماری تنفسی را از هم تشخیص دهد.
صداهای خوک از هم قابل تمایز هستند و حالت عاطفی را نشان می‏دهند. برای مثال، جیغ کشیدن خوک معمولاً درد یا ناراحتی ناشی از گاز گرفتن دم یا گاز گرفتن گوش، یا گیرکردن بین میله‌ها را نشان می‏‌دهد. محبوبیت شاخص‏ های رفاه مثبت در حال افزایش است؛ زیرا افرادی که به رفاه حیوانات اهمیت می‏دهند، به‏جای آنکه صرفاً رویدادهای دردناک و تنش‏زا را حذف کنند، تلاش می‏کنند تا محیط‏های مثبت را برای حیوانات فراهم کنند. برای مثال، صدای مانند پارس کردن در خوک می‌تواند هشداری برای یک خطر بالقوه باشد، اما در طول دوره‌های بازی نیز ممکن است شنیده شود؛ بنابراین، می‌توان آن را به عنوان شاخص رفاه مثبت نیز در نظر گرفت. فریل و همکاران (2019) دریافتند مدت زمان شنیده شدن صدا در خوک ‏ها نیز شاخصی مهم از حالت عاطفی است [41]. خوک‏ها، در موقعیت‌های با بار عاطفی منفی، از صداهای طولانی‌تر به ‌ویژه خرخر کردن‏های بلندمدت استفاده می‏کردند؛ در حالی که در موقعیت‌های با بار عاطفی مثبت، صداهای کوتاه‌تر رایج‌تر بودند.
تلاش‌ها برای برطرف کردن لنگش در خوک‌ها با استفاده از تشک‌های حسگر فشار، عمدتاً با قرار دادن تشک‌ها در تغذیه‌کننده‌های الکترونیکی و در اتاقک‌های حاملگی یا آمیزش خوک‏ها، متمرکز شده است. برای تجزیه و تحلیل‏های کمتر پیچیده، همچنین می‏توان از شتاب‌سنج‌ها برای تشخیص لنگش با نظارت بر سطوح کلی فعالیت، وضعیت بدن و راه رفتن استفاده کرد.

یک نگرانی عمده رفاهی در صنعت پرورش خوک، پرخاشگری در میان خوک‏هایی است که به صورت گروهی نگهداری می‏شوند. پژوهشگران به منظور نظارت و برطرف کردن نگرانی‌های مربوط به پرخاشگری، در حال بررسی استفاده از نظارت ویدئویی خودکار و ردیابی تصویربرداری عمقی هستند. این فناوری‏ها به طور کلی قادر به نظارت بر الگوهای فعالیت کلی هستند، اما هنوز نمی‏توانند الگوهای رفتاری فردی را ردیابی کنند. سایر پژوهشگران رویکردهایی متفاوت را اتخاذ می‏کنند؛ برای مثال، با تماشای ویدئوها ساعت‏های جنگیدن خوک‏ها را رمزگشایی می‏کنند تا دریابند برای کاهش پرخاشگری چگونه باید مداخله کنند. تجزیه و تحلیل تصویر و استفاده از فناوری‌های تشخیص خودکار برای رمزگشایی مؤثر پرخاشگری در ویدئوها در حال بررسی است. امید است در پژوهش‏های آینده ردیابی حرکت و تصویربرداری حرارتی برای تشخیص لنگش و پرخاشگری در خوک‏ها تلفیق شوند. همچنین، پژوهشگران در حال بررسی تشخیص و نظارت خودکار اندازۀ بدن خوک، به ویژه در رابطه با فضای مجاز برای نگهداری آن‏ها هستند. آن‏ها در نظر دارند تا به‏جای وزن کردن جداگانۀ حیوانات از طریق ترازو که ممکن است زمان‏بر و/یا برای خوک‏ ها تنش ‏زا باشد، از فناوری سه‏بعدی برای ارایه تخمین وزن بر اساس اندازه و شکل بدن استفاده کنند.

یکی از بزرگ‏ترین موانع برای استفادۀ گسترده ‏تر از حسگرهای بیومتریک در صنعت پرورش خوک، طبیعت کنجکاو خود خوک‏ها است. خوک‌ها احتمالاً دستگاه‌هایی را که تقریباً در هر نقطه از بدن آن‏ها یا اصطبل‏ قرار می‌گیرند، می‌جوند؛ در نتیجه، فناوری RFID برچسب گوش امیدوارکننده‌ترین راه‌حل برای نظارت بر آن‏ها است. از برچسب‌های RFID می‌توان برای نظارت بر رفتار تغذیه و آشامیدن فردی خوک‏ها استفاده کردکه شاخص‌های مهم سلامت و رفاه در خوک‌ها هستند. از آنجا که خوک‌داران رویکرد خود را به نگهداری خوک‏های باردار در اصطبل‌های گروهی تغییر داده‏اند، آن‏ها در حال اجرای تغذیه‌کننده‌های الکترونیکی هستند که از برچسب‌های RFID به عنوان روشی برای نظارت بر رفتار تغذیه در گروه‌های بزرگ حیوانات استفاده می‌کنند. اگرچه قرار دادن برچسب RFID روی گوش امن‏ترین گزینه برای خوک‏ها است، چالش‏هایی را برای حسگرهایی مانند شتاب‏سنج‏ها ایجاد می‏کند. شبکه‌های حسگر بی‌سیم (WSN) در اصطبل‏ها اجرا می‌شوند تا امکان ارتباط بین برچسب‌های گوش و ایستگاه پایه را فراهم کنند. ایستگاه پایه داده‌های مربوط به سطح فعالیت خوک‌ها را در اختیار دامداران قرار می‌دهد، در رابطه با مسایل حرکتی تک‏تک خوک‌ها به آن‏ها هشدار می‌دهد و خوانش‏های حرارتی از هر یک از خوک‏ها را ارایه می‏دهد.

3-2 سنسورهای بیومتریک و بیولوژیک برای طیور

یکی از نگرانی های اصلی در تولید طیور شیوع بیماری است. عوامل بیماری ‏زا به‏ راحتی بین پرندگان و حتی بین مزارع مختلف پخش می‏‌شوند. همچنین، در مقایسه با دام‏های دیگری که تا اینجا بررسی شدند، طیور به کنترل حرارتی بسیار دقیق‏تری نیاز دارند. این کار هم برای حفظ سلامت پرندگان بالغ و هم برای ایجاد محیط مناسب برای رشد جنینی جوجه انجام می‏شود. در نتیجه، پرورش طیور به‏شدت به تجزیه و تحلیل بلادرنگ داده‏ها و پاسخ‏های سریع وابسته است که هر دو از مزایای کلیدی فناوری ‏های حسگر استفاده‏ شده در PLF هستند. ماژول‌ها و پلتفرم‌های حسگر PLF این پتانسیل را دارند که دما را در محیط‌های حیوانات کنترل کنند و در صورت نیاز به دامداران هشدار دهند تا مداخله کنند. دما، علاوه بر اثرگذاری بر رشد جنینی طیور، دلیل اصلی تنش گرمایی در جوجه‌های گوشتی است. دماسنج‏های مادون قرمز برای نظارت بر دمای بدن جوجه‏های گوشتی با دقت زیاد در مقایسه با ثبت‌کننده های دمایی کاشته‏ شده در بدن استفاده شده ‏اند. مانیتورهای غیرتهاجمی ضربان قلب برای نظارت بر دمای جوجه ‏کشی و تشخیص نقایص قلبی – عروقی جنین مرغ به کار گرفته شده‏ اند. برنامه‌های تلفن هوشمند با حسگرهای سازگار برای نظارت آسان بر ضربان قلب جنین توسعه داده شده‌اند که به مرغداران اجازه می‌دهند تا در صورت نیاز برای جلوگیری از تلفات جنین‌ها در طول جوجه‌کشی مداخله کنند.
همانند صنعت پرورش خوک، تجزیه و تحلیل شنیداری روشی مهم است که در آن، حسگرها می‏توانند اطلاعاتی ارزشمند را در رابطه با رفاه طیور ارایه دهند. صدای مرغ می‏تواند مشکلات مربوط به آسایش حرارتی، اختلالات اجتماعی، نوک زدن پرها، بیماری یا رشد را نشان دهد. صداهای مرغ یک الگوی روزانۀ مشخص دارند. افزایش صداها در لانه یا انحراف از الگوهای روزانۀ معمولی می‏تواند به عنوان شاخص تنش در جوجه‏ها، به ویژه تنش مربوط به آسایش حرارتی استفاده شود. پژوهش‏های اخیر نشان داده‏اند استفاده از یادگیری ماشینی برای نظارت بر صداهای مرغ روشی قابل اعتماد برای نظارت غیرتهاجمی بر رفاه و تشخیص نشانه‌های هشداردهنده در ابتدای کار است. برای نظارت بر مصرف خوراک در جوجه‏ ها و نوک زدن جست‏وجوگرانه در بوقلمون‏ ها می‏توان صداهای نوک زدن را تجزیه و تحلیل کرد. از تشخیص عطسه می‏توان برای نظارت بر بیماری‏ های تنفسی استفاده کرد.

الگوریتم‌های تشخیص فعالیت صوتی قادرند صدای جوجه‌های سالم را از جوجه‌های مبتلا به بیماری تنفسی تمییز دهند. دقت تشخیص این الگوریتم‏ها برای جوجه‏های مبتلا به بیماری تنفسی کمتر از پرندگان سالم بود؛ به طوری که برای جوجه‏های بیمار 72٪ و برای جوجه‏های سالم 95٪ بود. دو عامل افزایش خطا در تشخیص صدا، سن و شروع بیماری بودند. علت اینکه دقت صدا برای جوجه‏های بیمار کاهش می‏یابد شاید این باشد که بیماری تنفسی باعث ایجاد صداهای غیرطبیعی می‏شود. در مطالعه‏ای، لیو و همکاران (2020) نمرات سرفه و وضعیت بدن را برای گروهی از جوجه‏های گوشتی بررسی کردند و برای صداهایی که هنگام ابتلا به بیماری تنفسی ایجاد شده بودند، دقت طبقه‏بندی 8/93٪ را گزارش دادند. چندین مطالعه نشان داده‏اند تجزیه و تحلیل صدا به‏خوبی با فعالیت کلی مشاهده‏شده در نظارت ویدئویی همبستگی دارد. کارپنتیر و همکاران (2017) دریافتند صدا به‏شدت با فعالیت جوجه‏های گوشتی در محدودۀ 6/58-5/80 درصد همبستگی دارد که نشان می‏دهد تجزیه و تحلیل صدا همراه با اندازه‏گیری فعالیت مبتنی بر ویدئو و شتاب‏سنج می‏تواند یک ماژول سنجش کارآمد برای نظارت بر رفتار، سلامت و رفاه جوجه باشد.
نشان داده شده است حسگرهای اپتوالکترونیکی (الکترونیک نوری) حاوی نانوذرات طلا در تشخیص آدنوویروس در مرغ بسیار حساس و حدود 100 برابر حساس‌تر از روش‌های معمولی هستند. به طور مشابه، نانوکریستال‏ها (نقاط کوانتومی زیرکونیوم کایرال ) در حسگرهای زیستی برای تشخیص ویروس کرونا در جوجه‏ها استفاده شده‏اند. حسگرهای کایروایمونو ، با استفاده از نانوهیبریدهای طلای کایرال، فناوری امیدوارکننده‌ای برای تشخیص پاتوژن‌های متعدد از جمله آنفولانزای پرندگان، آدنوویروس پرندگان و کرونا هستند.

3- تجزیه و تحلیل کلان داده و یادگیری ماشین

استفاده از حسگرهای بیومتریک و حسگرهای زیستی برای نظارت بر سلامت و رفاه دام به حجمی عظیم از داده‌ها منجر می‌شود که باید پردازش و تجزیه و تحلیل شوند تا درک موثری برای مدیریت حیوانات ارایه دهند. این امر به پیشرفت‌هایی در تجزیه و تحلیل کلان داده – کسب و تجزیه و تحلیل مجموعه‌های بزرگ و پیچیدۀ داده‌ها – منجر شده است. کلان داده به عنوان مجموعه‏های داده با تعداد بسیار زیاد سطر و ستون تعریف می‏شوند که از بازرسی بصری داده‏ها جلوگیری می‏کنند و فاقد بسیاری از متغیرها یا پیش‏بینی‏کننده‏هایی هستند که داده‏ها را به هم می‏ریزند و آن‏ها را برای تکنیک‏های آماری سنتی نامناسب می‏کنند. کلان داده‏ با چهار ویژگی کلیدی مشخص می‏شود که در مجموع به عنوان مدل 4Vs شناخته می‏شوند: (1) حجم، کمیت داده؛ (2) سرعت، سرعت دسترسی یا استفاده از داده‏ها؛ (3) تنوع، اشکال مختلف داده‏ها و (4) صحت، پاک‏سازی و ویرایش داده‏ ها.
دامداری دقیق بر استفادۀ مناسب از تجزیه و تحلیل کلان داده و مدل‏سازی برای اطلاع‏رسانی به مدیریت در رابطه با نیازهای تغذیه‏ ای، وضعیت تولیدمثل و روندهای رو به کاهش در بهره ‏وری متکی است که این روندها ممکن است نشان‏ دهندۀ مسایل مربوط به سلامت و رفاه حیوانات باشند. مدل‌های کلان داده اطلاعات را از حسگرها استخراج می‌کنند، آن‌ها را پردازش می‌کنند و سپس، از آن برای تشخیص ناهنجاری‌هایی استفاده شوند که ممکن است بر حیوانات تأثیر بگذارند. مدل‌های کلان داده با مرتب ‏کردن و دسته‌بندی داده ‏ها به منظور ارایه خروجی معنا‌دار برای مزارع، از جمله پیش‌بینی احتمال رویدادهای آینده و بهبود واکنش و تصمیم‌گیری دامداران، به کارایی فناوری حسگر کمک می‌کنند و حتی ممکن است به دامداران اجازه دهند حیوانات را بر اساس نیازها گروه‌بندی کنند که به استفاده بیشتر از منابع منجر می‏‌شود. داده‏ های حسگر را می‏توان به داده‏های حیوان‏ محور (فنوتیپی) و داده‏های محیط‏محور تقسیم کرد. این دو نوع داده باید به طور هم‏زمان نظارت شوند؛ زیرا هر دو بر سلامت و بهره‏وری حیوانات تأثیر می‌‏گذارند. دیجیتالی کردن کشاورزی دام با استفاده از داده‏های حیوان‏محور و محیط‏محور به بهبود مدیریت کلی سلامت، تغذیه، ژنتیک، تولید مثل، رفاه، امنیت زیستی و انتشار گازهای گلخانه ‏ای کمک می‏کند.
دو نوع اصلی مدل‏سازی داده وجود دارد: اکتشافی و پیش‏بینی‏ کننده. مدل‌های اکتشافی داده‌های رویدادهای قبلی را می‌گیرند و تعیین می‌کنند کدام عوامل تأثیرگذار بوده‌اند؛ در حالی که مدل‌های پیش‌بینی‌کننده از داده‌ها برای پیش‌بینی رویدادهای آینده بر اساس معیارهای مشخص استفاده می‌کنند. استفادۀ صحیح از مدل‏سازی داده‏ها هنگام استفاده از مجموعه‏های کلان داده اهمیت دارد؛ تنوع در داده‏ ها به این معنی است که تعدادی متغیر وجود دارند که باید در مدل‏ها در نظر گرفته شوند و برای حذف نویز، لازم است داده ‏ها پاک‏سازی شوند. استفاده از مدل‌های پیش‌بینی‏ کننده به دامداران اجازه می‌دهد تا نتایج آینده را پیش‌بینی کنند و رویکرد مدیریت فعال‌تری را اجرا کنند. همچنین، فناوری‌های کلان داده می‌توانند در نظارت بر انتقال بیماری با ایجاد شبکه‌های تماس و شناسایی جمعیت‌های پرخطر مفید باشند.
یادگیری ماشینی شاخه‏ای از هوش مصنوعی است که از الگوریتم ‏ها برای پیش‏بینی و استنتاج آماری استفاده می‏کند. داده‏ کاوی مشابه یادگیری ماشین است، با این تفاوت که تمرکز آن بر آموزش پایگاه ‏های داده برای شناسایی الگوها به منظور تولید اطلاعات است. یادگیری ماشینی (ML) –یک مصرف‌کنندۀ کلان داده – حوزه‏ای در حال رشد و جالب توجه در دامداری دقیق است؛ زیرا به الگوریتم‌های رایانه‌ای اجازه می‌دهد تا به‏تدریج از مجموعه‌های کلان داده حسگر یاد بگیرند و بر این اساس، خودشان را بهبود بخشند و نیاز به تحلیلگر دادۀ انسانی را از بین ببرند.

تکنیک‌های ML معمولاً در پژوهش ‏های ژنتیکی حیوانات برای پیش‌بینی فنوتیپ‌ها بر اساس اطلاعات ژنوتیپی، شناسایی افراد شاخص در یک جمعیت و تعیین نسبت ژنوتیپ استفاده می‌شوند. همچنین، یادگیری ماشینی برای تشخیص ورم پستان با استفاده از فناوری‌های شیردوشی خودکار در گاوداری‌ها، تخمین وزن بدن از طریق تجزیه و تحلیل تصویر و نظارت بر سلامت میکروبیوم کاربرد دارد. یادگیری ماشینی و تجزیه و تحلیل کلان داده پتانسیل بهبود رفاه و بهره‏وری در گاوهای شیری را دارند. از این دو فناوری می‏توان برای نظارت و پیش‏بینی احتمال لنگش و ورم پستان در گاوهای شیری استفاده کرد؛ لنگش و ورم پستان به ویژه مسایل رفاهی مهمی هستند که می‏توانند پیامدهای منفی شدیدی برای تولید شیر داشته باشند.
همچنین، از تکنیک‏ های تجزیه و تحلیل کلان داده می‏توان برای جمع‏آوری و ادغام داده‏ها در مزارع به منظور بهینه ‏سازی فرآیندها و سیستم‏های تولید استفاده کرد. ارزش کلان داده به اتوماسیون، دسترسی و دقت داده‏های ارایه‏ شده بستگی دارد؛ برای اطمینان از کیفیت داده‏ ها، لازم است تکنیک‏ های بررسی خطا و کنترل کیفیت اجرا شوند. همان‏طور که کشاورزی دقیق دام به طور گسترده در مزارع اجرا می‏شود، توسعۀ نرم‏افزار، سازوکار‏های کنترل کیفیت، سیستم ‏های پایگاه داده و روش ‏های آماری برای خلاصه ‏سازی و تجسم داده‏ ها و شناسایی مناسب‏ترین مدل‏ های داده ضروری خواهند بود. یکی دیگر از چالش ‏های عمده در رابطه با کلان داده‌های بدست آمده در مزارع به حریم خصوصی و امنیت این داده‌ها مربوط است؛ از این رو، کلان داده‌های مربوط به مزارع کم بوده است، زیرا دامداران حریم خصوصی را در اولویت قرار می‌دهند. جدول 1 فهرستی از شرکت‌هایی که از کلان داده ها در مزارع استفاده نموده اند را نشان داده است.
بر اساس داده‌های به‌دست‌آمده از حسگرهای بیومتریک و بیولوژیکی، مدل‌های پیش‌بینی فناوری تحلیلی کلان داده را می‌توان برای ساخت سیستم‌های خدمات دامداری دیجیتالی استفاده کرد که ممکن است ظرفیت تولید حیوانات، بهره‌وری و رفاه دام را افزایش دهند. برای مثال، از طریق ادغام حسگرهای اینترنت اشیاء (IoT) و کلان داده، مدل پیش‏بینی MooCare توسعه یافته است تا به تولیدکنندگان لبنیات در مدیریت کشاورزی لبنی از طریق پیش‏بینی تولید شیر کمک کند [64]. بیماری‏ های مرغ با استفاده از مدل‏ های توسعه ‏یافته از مجموعه‏ های کلان داده شناسایی و پیش‏بینی شده ‏اند [65]. داده‌های دیجیتالی به ‏دست ‏آمده از حسگرهای پوشیدنی حیوانات و پلتفرم ‏های حسگر دامداری به ایجاد یک اثر انگشت دیجیتالی کمک می‌کند که می‌توان از آن در مدل‌های تصمیم‌گیری پیش‌بینی‌کننده و تطبیقی بهره گرفت (شکل 2). 3F (ردپا، اثر انگشت و پیش‏بینی) نه فقط دامداران را در مدیریت تولید دام راهنمایی می‏کند، بلکه به ایجاد مدل‏ های کاربردی یکپارچه برای زنجیره ‏های ارزش کشاورزی، عرضه و مواد غذایی کمک می‏کند [66].

جدول 1. فهرست شرکت‏هایی که از کلان داده در پرورش دام استفاده می‏کنند

4- زنجیرۀ بلوکی

زنجیرۀ بلوکی یک دفتر از کل تراکنش‏های رمزگذاری‏شدۀ غیرمتمرکز یا توزیع‏شده است که در آن، هر تراکنش یک گره ایجاد می‏کند. این گره‌ها بر اساس اجماع طرف‌های شرکت‌کننده (همتایان) در رکوردهایی (سوابق) به نام «بلوک» سازمان‌دهی می‌شوند و بلوک‌ها با کدهای هش منحصربه‌فرد برای تشکیل یک زنجیره به هم مرتبط می‌شوند. هر بار که تراکنشی جدید وجود دارد، گرهی دیگر در زمان واقعی با اطلاعات مربوط به آن تراکنش ایجاد می‏شود تا به زنجیرۀ بلوکی کمک کند. چهار ستون فناوری زنجیرۀ بلوکی توزیع‏شده، شفاف، تغییرناپذیر و دموکراتیک هستند. در دامپروری، این بدان معنا است که باید برای هر حیوان در مزرعه یک شناسۀ منحصر‏به‏فرد تعیین شود.

شکل 2. کلان داده برای پرورش حیوانات: زنجیره‏ای از کاربردهای کلان داده مبتنی بر حسگرها در کشاورزی دقیق دام

این شناسۀ منحصربه‌فرد در تمام مدتی که حیوان وجود دارد، با آن باقی می‌ماند: برای جمع‌آوری داده‌ها دربارۀ مزرعه(هایی) که در آن زندگی می‌کرده است، حمل‏ونقل استفاده‏شده برای انتقال حیوان از مزرعه(ها) به کشتارگاه، دام‏پزشکی که حیوان را در کشتارگاه بررسی می‌کند، بررسی کیفیت گوشت پس از کشتار، حمل‏ونقل فرآورده‏های گوشتی و در نهایت، جزئیات بسته‏بندی و خرده‏فروش. فناوری زنجیرۀ بلوکی چندین مزیت مهم را برای کشاورزی دام فراهم می‏کند، از جمله تراکنش ‏های غیرمتمرکز و خودکار که می‏توانند به ایجاد سیستم‏های حسابرسی کارآمدتر برای سازمان‏ های صادرکنندۀ گواهینامه و نظارتی کمک کنند، یکپارچه ‏سازی سیستم، سوابق سازمان‏ یافته تراکنش ‏های زنجیره‏ای در طول زندگی حیوان از مزرعه تا سفره و قابلیت ردیابی و شفافیت بیشتر در دامپروری. به ‏تازگی، به دلیل تقاضای شفافیت محصولات کشاورزی، بی‏اعتمادی بین دامداران و مصرف‌کنندگان افزایش یافته است. فناوری‌های زنجیرۀ بلوکی می‌توانند این اعتماد را با ارایه شفافیت در رابطه با چرخۀ زندگی حیوانات به مصرف‌کنندگان بهبود بخشند.

فناوری زنجیرۀ بلوکی می‌تواند در تشخیص و ردیابی شیوع بیماری‌های دامی مانند آنفولانزای خوکی H1N1، بیماری‌های تب برفکی و جنون گاوی در اروپا، آنفولانزای پرندگان و افزایش اخیر شیوع سالمونلا بسیار مفید باشد. علاوه بر این، مصرف‏‌کنندگان به طور فزاینده در رابطه با مسایل پایداری و اخلاقی کشاورزی دام نگرانی‏هایی را دارند و خواستار شفافیت در نحوۀ پرورش حیوانات مزرعه‌ای هستند. ایمنی مواد غذایی نیز یکی از نگرانی‌های عمده در میان مصرف‌کنندگان است – بر اساس گزارش سازمان بهداشت جهانی، از هر 10 نفر، 1 نفر هر سال با بیماری‌های مرتبط با مواد غذایی مواجه می‌شود و سالانه بیش از 420 هزار نفر جان خود را از دست می‌دهند. فناوری زنجیرۀ بلوکی می‏تواند به ردیابی مواد غذایی مضر به منبع کمک کند و قابلیت ردیابی و مسئولیت‏ پذیری را برای اقدامات مشکل‏ساز در کشاورزی دام افزایش دهد. مزیت ویژۀ فناوری زنجیرۀ بلوکی این است که اطلاعات به جای آنکه تحت کنترل و سرپرستی یک فرد یا گروه واحد باشد، در یک شبکۀ همتا به اشتراک گذاشته می‏شود (شکل 3). در صورت شیوع یک بیماری، دامداران سراسر جهان می‏توانند به طور ایمن داده‏ های رصد بیماری را وارد شبکه کنند و به آن‏ دسترسی داشته باشند و فعالانه به کنترل شیوع یا آماده‏سازی دامداران برای شیوع بیماری که انتظار دارند به مزرعۀ آن‏ها برسد، کمک کنند.
با جهانی‌تر شدن زنجیره‌ها و سیستم‌های غذایی، محصولات حیوانی باید با مقررات و پروتکل‌های رفاهی و پایداری حیوانات مطابقت داشته باشند. اسناد مربوط به انطباق باید برای تنظیم‌کننده‌ها و بازرسان شخص ثالث قابل دسترسی باشند؛ این اطلاعات زمانی که بر روی کاغذ یا در پایگاه‌های اطلاعاتی خصوصی ذخیره می‌شود، ممکن است پیچیده باشد. از سال 2020، دامپروری یکی از صنایعی بوده است که کمتر دیجیتالی شده است که این امر فضایی زیاد را برای پیشرفت در این صنعت باقی می‏گذارد. دیجیتالی شدن دامپروری، به ویژه از طریق فناوری زنجیرۀ بلوکی، می‏تواند راه‏کارهایی را برای مسایل بالا در رابطه با شیوع بیماری‏ها و ایمنی مواد غذایی ارایه دهد.
فناوری زنجیرۀ بلوکی، با وجود مزایای بالقوۀ جالب توجه آن، هنوز در مراحل اولیۀ توسعه برای کاربرد گسترده (جدول 2) در صنایع غذایی است؛ به طوری که فقط چند مطالعه تأثیرات آن را بر دامپروری بررسی کرده‏اند. مهندسان زیستی و دانشمندان داده می‌توانند نقشی مهم را در فرمول‌بندی معیارهای مناسب برای تصمیم‌گیری دربارۀ اینکه کدام نوع راه‌کار زنجیرۀ بلوکی برای بخش‌های ویژۀ دامداری سودمندتر است، ایفا کنند.

شکل 3. از مزرعه تا بشقاب غذا: زنجیرۀ تأمین دام که منشاء، ذخیره‏سازی و جریان اطلاعات را در حین حرکت محصولات حیوانی از مزرعه و از طریق کانال‏های پردازش و توزیع به مصرف‌‏کنندگان نشان می‏دهد. پلتفرم زنجیرۀ بلوکی میدان دید زنجیرۀ تأمین، قابلیت ردیابی محصول و ایجاد اعتماد مصرف‏کننده را افزایش می‏دهد.

جدول 2. فهرست شرکت‌های زنجیرۀ بلوکی و فناوری‌هایی که این شرکت‏ها در صنعت دام استفاده می‏کنند.

5- روندهای آینده

روش‌های دامپروری دقیق مانند حسگرها، فناوری زنجیرۀ بلوکی و تجزیه و تحلیل کلان داده می‌توانند پیشرفت‌هایی جالب ‌توجه را در پایداری زیست‌محیطی و رفاه حیوانات در این صنعت ایجاد کنند. با پیشرفت فناوری، این فناوری‌ها برای دامداران در سراسر جهان، به ویژه برای دامداران کشورهای در حال توسعه که برای تأمین تغذیۀ جمعیت‌های رو به رشد گسترش می‌یابند، در دسترس‌تر خواهند بود.
داده‌های حسگر پتانسیل ایجاد پیشرفت‌های بزرگ برای دامداری را دارند؛ اما موانع اولیه برای نصب فناوری‌های PLF در مزارع، شرایط محیطی و زیرساخت‌های ارتباطی لازم هستند. محل‌های نگهداری حیوانات دارای شرایط محیطی از جمله رطوبت، گرد و غبار، آمونیاک و آفات هستند که برای اجرای موفقیت‏آمیز راه‏کارهای PLF، ابتدا باید به آن‏ها رسیدگی کرد. همچنین، استفاده از حسگرها به یک شبکۀ حسگر بی‏سیم نیاز دارد که ممکن است مجبور باشد در فواصل طولانی برای انتقال داده‏ها از محل نگهداری حیوانات به کامپیوتر پایه کار کند. بیشتر مواقع، مهندسانی که این فناوری‌ها را می‌سازند، شخصاً در مزارع نبوده‌اند یا در اطراف دام کار نکرده‌اند؛ بنابراین، حسگرهای آن‏ها ممکن است در شرایط واقعی مزرعه از کار بیفتند. افزایش همکاری میان دامداران، متخصصین علوم دامی، مهندسان زیستی و سایر متخصصان به ایجاد فناوری‏های قوی مناسب برای عملیات طولانی‏مدت در محیط مزرعه کمک می‏کند. از آنجا که فناوری‌های زنجیرۀ بلوکی و استفاده از تجزیه و تحلیل کلان داده هنوز در مراحل ابتدایی خود هستند، متخصصان نسبتاً کمی در این رشته وجود دارند و در نتیجه، نیازی روزافزون برای آموزش نیروی کار موجود و آینده در این فناوری‌ها و مهارت‌ها با کاربردهای کاربر نهایی در صنعت دامداری وجود دارد.
نرم‌افزار تشخیص خودکار ویدئویی در حال حاضر در دامپروری تا حدی زیاد غیرکاربردی است. در حال حاضر، تجزیه و تحلیل تصویر در صنعت پرورش خوک برای تمایز میان رفتارهای مختلف مانند بازی و پرخاشگری کاربرد دارد. همچنین، این فناوری‌ها نمی‌توانند حیوانات را به صورت تک‏تک دست‏کم برای مدت زمان کافی ردیابی کنند تا اطلاعات معنا‌دار در رابطه با رفتارهای مدنظر آن‏ها را به دست دهند. چندین فناوری ممکن است بتوانند تک‏تک حیوانات را هنگام بلند شدن و حرکت کردن ردیابی کنند؛ اما هنگامی که یک حیوان در میان گله دراز می‏کشد و سپس دوباره بلند می شود، نمی‏توانند آن را ردیابی کنند. بنابراین، برای ارزیابی قابلیت کاربرد این فناوری‏ها به پژوهش‏های بیشتر نیاز است.
داده‌های جمع‌آوری‌شده از حسگرها در مزارع به دامداران اجازه می‌دهد تا حیوانات خود را برای بهره‌برداری از اطلاعاتی که برای راهکارهای پیشگیرانه به دست می‌آورند، زیر نظر بگیرند. همچنین، این اطلاعات می‏تواند بین مزارع به اشتراک گذاشته شود تا مدیریت را بهبود بخشد یا به مسایل بهداشتی، رفاهی یا زیست‏محیطی ویژه حیوانات در سطح منطقه پاسخ دهد. شرکت‌های بزرگ دامپروری می‌توانند با استفاده از یادگیری ماشینی، داده‌ها را از منابع متعدد ادغام و استخراج کنند تا راه‌کار‌های مبتنی بر داده‌ها را ارائه کنند و به پرسش‏های مربوط به مسائل رایج دامپروری پاسخ دهند.
با این حال، ابتدا لازم است چند موضوع بررسی شوند که مهم‏ترین آن‏ها حفظ حریم خصوصی داده‏ها است. دامداران معمولاً از اطلاعات خود محافظت می‏کنند و باید قبل از ارایه پیشنهاد برای به‏اشتراک‏گذاری آن، اطمینان داشته باشند که داده‏های مزرعۀ آن‏ها ایمن خواهد بود. موانع اضافی برای یکپارچه‏سازی کلان داده فقدان استانداردهای فنی و الگوریتم‏های اختصاصی استفاده‏شده توسط سازندگان حسگر هستند. جدای از اینکه تولیدکنندگان تمایلی به به‏اشتراک‏گذاری الگوریتم‏های خود ندارند، اگر حسگرها از پروتکل‌ها، معیارها و فرکانس‌هایی متفاوت برای به دست آوردن داده‌ها استفاده کنند، ممکن است مقایسۀ داده‌های حاصل از حسگرهای ساخته‏شده توسط سازندگان مختلف دشوار باشد. پیشرفت‌های جدید در یادگیری ماشینی با توسعۀ سیستم‌های تبادل داده حفظ‏کنندۀ حریم خصوصی، نگرانی‌های مربوط به حریم خصوصی را برطرف می‌کند.
موانع و ناکارآمدی‌های بالقوه در استفاده از 3B ، یعنی حسگرهای بیومتریک، کلان داده و فناوری‌های زنجیرۀ بلوکی در دامداری توسط دامداران خرده‌مالک در کشورهای در حال توسعه شامل عوامل سیاسی، اجتماعی، اقتصادی و سازمانی هستند. انتشار دانش، حمایت از سیاست، کارآفرینی و تعامل ضعیف میان بازیگران زنجیرۀ ارزش برخی از موانع در پذیرش فناوری‌ها در بخش دام هستند. مشارکت و ترویج کارآفرینان دام، تقویت زنجیره‏های تأمین و افزایش پرداخت برای خدمات اکوسیستم برخی از راه‏های غلبه بر موانع در پذیرش فناوری‏ها در دامپروری محسوب می‏شوند. بازگشایی پتانسیل ابزارها و فناوری‌های جدید در دامداری نیازمند معماری اجتماعی (گزاره‌های ارزش، مدل‌های حاکمیتی، نظارت بر داده‌ها و غیره) و همچنین، معماری فنی (عملکرد متقابل، وب معنایی ، هستی‌شناسی‌ها و غیره) است.
برای اجرای PLF در مزارع، صنعت اطلاعات، ارتباطات و مخابرات (ICT) باید مسایل مقبولیت و دسترسی که در بالا مطرح شدند را برطرف کند و همچنین، برای ایجاد نرم‏افزار با استفادۀ آسان و تجسم داده‏ها تلاش کند. دست‏یابی به این اهداف، کلیدی برای استفادۀ گسترده از PLF توسط دامداران و دام‏پزشکان خواهد بود. در حال حاضر، در برخی از مزارع، از تلفن‏های همراه برای دریافت هشدارهای بلادرنگ دربارۀ مسائل مربوط به مزرعه به عنوان فناوری با استفادۀ آسان استفاده می‏شود. یک رویکرد رفتاری جامع همراه با پژوهش‏های تجربی گسترده در سیستم‏های دام از طریق ادغام حسگرها، اینترنت اشیاء و زنجیرۀ بلوکی امکان‏پذیر است.
استفاده از فناوری‏های دیجیتال در سیستم‏های پرورش دام به بررسی جامع و درک کامل پویایی و تأثیر تغییرات آب‏وهوا بر اکولوژی حیوانات مزرعه کمک می‏کند. ابزارهای نوآورانه و بهترین شیوه‌ها برای مقابلۀ مؤثر با بیماری‌های عفونی فرامرزی نوظهور دام و به ‌ویژه بیماری مشترک بین انسان‌ها (انتقال به انسان) از اهمیتی زیاد برخوردار هستند. دیجیتالی‌سازی می‌تواند راه‌‏کار‌هایی مانند ابزارهای پیش‌بینی‌کننده برای پیشگیری از بیماری‌های دام، کاهش و آمادگی برای مقابله با بحران‌های همه‌گیر را ارایه دهد. با ادامه رشد جمعیت جهانی و افزایش تقاضا برای محصولات حیوانی، ارایه راه‌‏کار‌هایی برای چگونگی کارآمد کردن دامداری در سایر مناطق جهانی بسیار حیاتی‌تر از همیشه خواهد شد. با این حال، بیشتر مطالعات و ادبیات مربوط به فناوری‌های PLF از آمریکای شمالی و اروپا سرچشمه می‌گیرد. مزارع در کشورهای در حال توسعه دارای چالش‏هایی منحصربه‏فرد هستند که با داده‏ها و اطلاعات مزارع آمریکای شمالی و اروپا نمی‏توان آن‏ها را حل کرد؛ بنابراین، یک رویکرد مرتبط جهانی‏تر برای توسعۀ فناوری‏های PLF الزامی است.

6- نتیجه ‏گیری

این مقاله مروری جامع بر فناوری‌های PLF از جمله حسگرهای بیومتریک و بیولوژیکی، کلان داده و فناوری زنجیرۀ بلوکی متمرکز شده است که به دامداران کمک می‌کنند میزان تولید را افزایش دهند و در عین حال، نگرانی‌های مصرف‌کننده را برطرف کنند. دیجیتالی‌سازی از طریق فناوری‌های دامپروری دقیق این پتانسیل را دارد که نگرانی‌های فزاینده مصرف‌کنندگان در رابطه با رفاه حیوانات، پایداری محیط‌زیست و سلامت عمومی را برطرف کند و در عین حال، به تقاضای فزاینده برای محصولات حیوانی در نتیجۀ رشد جمعیت انسانی پاسخ‏گو باشد. کارآمدترین و امیدوارکننده‏ترین فناوری‏های PLF شامل حسگرهای بیومتریک و بیولوژیکی، کلان داده و فناوری‏های زنجیرۀ بلوکی هستند. حسگرها به دامداران کمک می‏کنند تا داده‌های بلادرنگ دربارۀ سلامت و رفاه حیوانات را جمع‌آوری کنند تا به کمک این داده ‏ها، راهبردهای مدیریتی پیشگیرانه را برای حفظ زنجیرۀ غذایی پایدار و ایمن اجرا کنند. تجزیه و تحلیل کلان داده، داده‏ های حسگر را به خروجی‏های معنادار و قابل اجرا برای کشاورزان تبدیل می‏کند. فناوری زنجیرۀ بلوکی دامپروری را شفاف‌تر و قابل ردیابی‌تر می‌کند، اعتماد مصرف‌کننده را افزایش می‌دهد و ایمنی غذا را بهبود می‌بخشد. البته هیچ پیشرفت عمده‏ای در دامپروری بدون اشکالات احتمالی حاصل نمی‏‌شود و مستلزم آن است که این اشکالات شناسایی و برطرف شوند. فناوری‌های PLF هنوز در مراحل اولیه اجرا در مزارع هستند و تعدادی از مسایل باید اصلاح شوند تا این فناوری‌ها به طور گسترده توسط دامداران و مصرف‌کنندگان در سراسر جهان پذیرفته شوند. تحولات اجتماعی و اقتصادی که به ایجاد جامعه‏ای که از نظر دیجیتالی فراگیر و سالم است کمک می‏کنند، همان‏طور که ایجاد چنین جامعه‏ ای از طریق نوآوری در راه‏کارهای دیجیتالی‌‏سازی برای دامداری وعده داده شده است، مستلزم آن هستند که شهروندان در توسعه و اعتباربخشی فناوری مشارکت کنند.

نویسندگان:

سورش نیتیراجان ، بس کمپ،

گروه فیزیولوژی سازگاری، گروه علوم دامی، دانشگاه و پژوهش‏های واگنینگن، واگنینگن، هلند

منبع

.Neethirajan, S., & Kemp, B. (2021). Digital livestock farming. Sensing and Bio-Sensing Research, 32, 100408