Nas últimas décadas a pecuária de modo geral passou por mudanças importantes, como aumento do tamanho dos rebanhos, da produtividade animal e na tecnificação. Na pecuária leiteira, à medida que as fazendas crescem surgem novos desafios para garantir que o monitoramento da produção, saúde e bem-estar das vacas seja eficiente (Leliveld et al., 2024), sendo que esses indicadores impactam significativamente na lucratividade da fazenda (Balasso et al., 2023). Além disso, há uma crescente preocupação dos consumidores com as necessidades individuais de cada animal e seu estado geral de bem-estar (Norton et al., 2019).
Devido a essas circunstâncias, a implementação de novas estratégias e mecanismos para monitorar e gerenciar os animais em fazendas leiteiras são imprescindíveis (Leliveld et al., 2024). A pecuária de precisão surge como uma estratégia, sendo a “aplicação de princípios e técnicas de engenharia de processos à pecuária para monitorar, modelar e gerenciar automaticamente a produção animal” (De Montis et al., 2017). A pecuária de precisão pode ser definida como “tecnologias de monitoramento em tempo real voltadas para o gerenciamento da menor unidade de produção administrável, também conhecida como abordagem individual animal 'baseada em sensores” (Halachmi et al., 2019).
As tecnologias que envolvem a pecuária de precisão permitem o monitoramento automático e contínuo dos animais, proporcionando aos fazendeiros uma tomada de decisão mais precisa (Halachmi et al., 2019). A automação do monitoramento fornece uma visão geral e completa do estado do animal, incluindo:
- produção,
- reprodução,
- saúde e bem-estar (Leliveld et al., 2024).
Quando falamos em saúde e bem-estar dos bovinos leiteiros, devemos nos atentar às diversas variáveis que o afetam como:
- claudicação,
- mastite,
- estresse térmico,
- distúrbios reprodutivos,
- distúrbios metabólicos,
- dor e a perturbação de seu ambiente social (Leliveld e Provolo, 2020).
Os primeiros sinais mais comuns que os animais apresentam ao enfrentar algum desafio é a alteração do tempo gasto na execução de diferentes comportamentos, como letargia, que altera o tempo dispendido para cada atividade do animal, aumentando o tempo de descanso e deitado e reduzindo o tempo gasto em outras atividades, incluindo alimentação, bebida e interação com outros animais (Balasso et al., 2023)
Devido à complexidade desses fatores, é necessária uma integração de informação de várias fontes para obter com mais fidelidade o status de bem-estar de um animal (Leliveld e Provolo, 2020). A detecção precoce desses problemas além de melhorar o bem-estar dos animais impacta diretamente no prognóstico das doenças e no menor uso de medicamentos (Wagner et al., 2020).
O uso de tecnologias de Internet das Coisas (IoT) auxilia o gerenciamento de dados conectando sensores, controladores, operadores e objetos a tecnologias de comunicação, para formar uma rede inteligente, automática e baseada em informações (Michie et al., 2020; Zhang et al., 2021). Diversas tecnologias têm ganhado cada vez mais espaço nas propriedades leiteiras, como o uso de acelerômetros, colares e sistemas de ordenha automatizados, aumentando o lucro anual das fazendas (Lee e Seo, 2021, Riaboff et al., 2022).
É fundamental ressaltar que o desempenho desses sistemas melhora de acordo com o aumento do número de parâmetros mensurados (Dominiak e Kristensen, 2017; Balasso et al., 2023).
Acelerômetros
Acelerômetros tem sido eficaz na detecção do comportamento dos bovinos, como ruminar, alimentar-se, deitar-se ou caminhar e respiração (Balasso et al., 2021). Os acelerômetros usados em animais é um dispositivo eletrônico pequeno e leve, feito para acompanhar e registrar os movimentos do animal ao longo do tempo. Funciona como um sensor que detecta mudanças na aceleração em várias direções (eixo X, Y e Z), ajudando a entender comportamentos, atividades e padrões de movimento de maneira precisa e contínua.
Geralmente, os acelerômetros são presos ao corpo do animal, como em uma coleira, na pata ou em outro local que capte bem os movimentos, de acordo com a necessidade e especificidade de cada sensor. A capacidade de registrar dados em diferentes direções facilita identificar atividades específicas, como caminhar, correr, respiração, descansar ou se alimentar (Arablouei, et al., 2021; Cabezas et al., 2022).
Sensores de temperatura
Os sensores de temperatura T-cent (Imagem 1) são dispositivos eletrônicos utilizados para medir a temperatura de ambientes, objetos ou seres vivos com alta precisão. Esses sensores funcionam convertendo variações de temperatura em sinais elétricos que podem ser facilmente interpretados por sistemas de monitoramento.
A tecnologia T-cent é conhecida por sua sensibilidade e estabilidade, o que a torna ideal para aplicações que exigem medições confiáveis (Abecia et al., 2025). Além disso, esses sensores costumam ser compactos, de baixo consumo energético e resistentes a diferentes condições ambientais, facilitando sua integração em sistemas de monitoramento contínuo. Dessa forma, os sensores T-cent desempenham um papel importante na obtenção de dados precisos sobre temperaturas, contribuindo para uma assertividade maior dentro da propriedade (Twiss et al., 2021).
Imagem 1. Demostração de um sensor de Temperatura T-cent
Fonte: Star Oddi
Os dados gerados por esses sensores fornecem um elevado nível de confiança, favorecendo uma correta análise e interpretação, e uma melhor tomada de decisão, uma vez que decisões incorretas baseadas em dados não confiáveis podem resultar em altos custos para a fazenda (Amiri-Zarandi et al., 2022).
Uso prático
Em nosso mais recente estudo o Grupo de Inovação e Sustentabilidade em Biometeorologia Animal da Universidade Estadual de Maringá (INOBIO-UEM) vem trabalhando com 200 vacas confinadas em sistema de Compost Barn avaliando a variação ao longo do ano o ambiente dentro e fora de dois galpões, coletando dados como temperatura e umidade do ar, temperatura do globo negro e radiação solar, através de sensores dataloggers (registradores automáticos de dados) em intervalos de cinco minutos. Para avaliação comportamental utilizamos colares com sensores que fornecem em tempo real dados como atividade, ócio, ruminação, tempo ofegando e número de visitas ao cocho (Imagem 2). E para obter a temperatura interna das vacas utilizamos sensores T-cent inseridos na vagina dos animais durante o período experimental, coletando uma amostra da temperatura do animal a cada cinco minutos.
Imagem 2. Vacas leiteiras utilizando colares para monitoramento da saúde e bem-estar animal.
Essa combinação de sensores nos fornece dados precisos e confiáveis que avaliados de forma conjunta geram informações valiosas para a avaliação do estado geral de bem-estar dos animais bem como facilita a tomada de decisões. Outra questão importante é que por serem registradores automáticos de dados não é necessário manejar os animais fora da sua rotina normal para obter os dados, dessa forma o conjunto de dados fornecidos apresentam uma alta confiabilidade.
Resultados preliminares em dias com temperatura média de 25ºC, foi possível observar uma redução de até 0,8 ºC na temperatura vaginal das vacas após ficarem 40 minutos sob o sistema de resfriamento combinando aspersão de água e ventilação, adicionalmente houve uma redução de até 15 minutos no ofego e um aumento de até 12 minutos na ruminação na primeira hora pós resfriamento. Esses dados nos ajudam não só entender o comportamento e o bem-estar animal frente os desafios presentes no dia a dia do animal bem como auxilia em estratégias para melhor ajuste das rotinas dentro da fazenda leiteira.
Tais estratégias podem englobar ajuste nos horários em que a alimentação é fornecida aos animais para um maior consumo e aproveitamento da dieta fornecida, com base nos dados que demonstram em quais os horários os animais apresentam maior conforto térmico e maior propensão a se alimentar. Adaptações nos horários em que o sistema de resfriamento é acionado também pode ser realizado com base nos horários que os animais apresentam maior tempo ofegante e maior temperatura vaginal, sinais que indicam que algum grau de estresse térmico.
Uma infinidade de análises e ajustes podem ser realizados com esse banco de dados integrado, avaliando as melhores estratégias a serem adotadas dentro de cada propriedade. A finalidade do nosso trabalho é justamente trazer essa análise do Sistema de Compost Barn a longo prazo para as condições brasileiras, baseado em dados precisos e confiáveis que apenas são possíveis de obter com sensores de precisão.
Como principal lacuna que temos atualmente no mercado podemos citar a ausência de sistemas comerciais que integrem medições do ambiente do estábulo (temperatura, umidade, velocidade do vento e qualidade do ar) com mensurações coletadas nas vacas, embora seja claro que o ambiente no qual o animal está inserido interfere diretamente no seu estado geral de bem-estar. Tudo isso demonstra que a área é promissora com muitos desafios pela frente, mas com enorme necessidade e capacidade de crescimento, demandando cada vez mais profissionais capacitados.
Referências bibliográficas
Abecia, J. A., Manenti, I., Viola, I., Toschi, P., Palacios, C., Canto, F., & Miretti, S. Triaxial accelerometers and subcutaneous biologgers as tools to record diurnal and nocturnal changes in locomotor activity, body temperature, heart rate, and heart rate variability in melatonin-treated lambs (Ovis aries). Comparative biochemistry and physiology. Part A, Molecular & integrative physiology. 2025. 305(111849), 1-8. https://doi.org/10.1016/j.cbpa.2025.111849
Arablouei, R., Currie, L., Kusy, B., Ingham, A., Greenwood, P. L., & Bishop-Hurley, G. In-situ classification of cattle behavior using accelerometry data. Computers and Electronics in Agriculture. 2021. 183, 106045. https://doi.org/10.1016/j.compag.2021.106045
Balasso, P., Taccioli, C., Serva, L., Magrin, L., Andrighetto, I., & Marchesini, G. Uncovering patterns in dairy cow behaviour: A deep learning approach with tri-axial accelerometer data. Animals. 2023.13(11), 1886. https://doi.org/10.3390/ani13111886
Balasso, P.; Marchesini, G.; Ughelini, N.; Serva, L.; Andrighetto, I. Machine Learning to Detect Posture and Behavior in Dairy Cows: Information from an Accelerometer on the Animal’s Left Flank. Animals. 2021. 11, 2972. https://doi.org/10.3390/ani11102972
De Montis, A., Modica, G., Arcidiacono, C. AgInformatics. In: Schintler, L.A., McNeely, C.L. (eds) Encyclopedia of Big Data. Springer, Cham. 2022. https://doi.org/10.1007/978-3-319-32010-6_218
Dominiak, K. N., & Kristensen, A. R. Prioritizing alarms from sensor-based detection models in livestock production-A review on model performance and alarm reducing methods. Computers and Electronics in Agriculture. 2017. 133, 46-67. https://doi.org/10.1016/j.compag.2016.12.008
Halachmi, I., Guarino, M., Bewley, J., & Pastell, M. Smart animal agriculture: application of real-time sensors to improve animal well-being and production. Annual review of animal biosciences. 2019. 7(1), 403-425. https://doi.org/10.1146/annurev-animal-020518-114851
Lee, M., & Seo, S. Wearable wireless biosensor technology for monitoring cattle: A review. Animals. 2021. 11(10), 2779. https://doi.org/10.3390/ani11102779
Leliveld, L. M., Brandolese, C., Grotto, M., Marinucci, A., Fossati, N., Lovarelli, D., Riva, E. & Provolo, G. Real-time automatic integrated monitoring of barn environment and dairy cattle behaviour: Technical implementation and evaluation on three commercial farms. Computers and Electronics in Agriculture. 2024. 216, 108499. https://doi.org/10.1016/j.compag.2023.108499
Michie, C., Andonovic, I., Davison, C., Hamilton, A., Tachtatzis, C., Jonsson, N., Duthie, C., Bowen, J. & Gilroy, M. The Internet of Things enhancing animal welfare and farm operational efficiency. Journal of Dairy Research. 2020. 87(S1), 20-27. https://doi.org/10.1017/S0022029920000680
Norton, T., Chen, C., Larsen, M. L. V., & Berckmans, D. Precision livestock farming: Building ‘digital representations’ to bring the animals closer to the farmer. Animal. 2019. 13(12), 3009-3017. https://doi.org/10.1017/S175173111900199X
Riaboff, L., Shalloo, L., Smeaton, A. F., Couvreur, S., Madouasse, A., & Keane, M. T. Predicting livestock behaviour using accelerometers: A systematic review of processing techniques for ruminant behaviour prediction from raw accelerometer data. Computers and Electronics in Agriculture. 2022. 192, 106610. https://doi.org/10.1016/j.compag.2021.106610
Twiss, S. D., Brannan, N., Shuert, C. R., Bishop, A. M., Pomeroy, P. P., & Moss, S. An external telemetry system for recording resting heart rate variability and heart rate in free-ranging large wild mammals. Plos one. 2021. 16(6), e0252013. https://doi.org/10.1371/journal.pone.0252013
Wagner, N.; Antoine, V.; Mialon, M.-M.; Lardy, R.; Silberberg, M.; Koko, J.; Veissier, I. Machine Learning to Detect Behavioural Anomalies in Dairy Cows under Subacute Ruminal Acidosis. Comput. Electron. Agric. 2020. 170, 105233. https://doi.org/10.1016/j.compag.2020.105233
Zhang, M., Wang, X., Feng, H., Huang, Q., Xiao, X., & Zhang, X. Wearable Internet of Things enabled precision livestock farming in smart farms: A review of technical solutions for precise perception, biocompatibility, and sustainability monitoring. Journal of Cleaner Production. 2021. 312, 127712. https://doi.org/10.1016/j.jclepro.2021.127712