Virtual fencing in remote boreal forests: performance of commercially available GPS collars for free-ranging cattle
Notice bibliographique
Résumé
Abstract Background The use of virtual fencing in cattle farming is beneficial due to its flexibility, not fragmenting the landscape or restricting access like physical fences. Using GPS (Global Positioning System) technology, virtual fence units emit an audible signal and a low-energy electric shock when crossing a predefined border. In large remote grazing areas and complex terrains, where the performance of the GPS units can be affected by landscape structure, increased positioning errors can lead to unnecessary shocks to the animals leading to animal welfare concerns. This study aimed to explore factors affecting the GPS performance of commercially available virtual fence collars for cattle (NoFence©), both using static tests and mobile tests, i.e., when deployed on free-ranging cattle. Results The static tests revealed generally high fix success rates (% successful positioning attempts), and a lower success rate at four of 30 test locations was most likely due to a lack in GSM (Global System for Mobile communications) coverage. On average the GPS precision and accuracy errors were 3.3 m ± 2.5 SD and 4.6 m ± 3.2 SD, respectively. We found strong evidence that the GPS precision and accuracy errors increased errors under closed canopies. We also found evidence for an effect of the sky-view on the GPS performance, although at a lesser extent than canopy. The direction of the accuracy error in the Cartesian plane was not uniform, but biased, depending on the aspect of the test locations. With an average of 10.8 m ± 6.8 SD, the accuracy error of the mobile tests was more than double that of the static tests. Furthermore, we found evidence that more rugged landscapes resulted in higher GPS accuracy errors. However, the error from mobile tests was not affected by canopy cover, sky-view, or cattle behaviors. Conclusions This study showed that GPS performance can be negatively affected by landscape complexity, such as increased ruggedness and covered habitats, resulting in reduced virtual fence effectiveness and potential welfare concerns for cattle. These issues can be mitigated through proper pasture planning, such as avoiding rugged areas for the virtual fence border.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».