Monitoreo automático de ganado para identificar comportamientos anormales en la hacienda balcashi Provincia del Chimborazo
Contenido principal del artículo
Resumen
La ganadería, pilar económico esencial en zonas rurales, enfrenta retos crecientes para detectar de forma temprana comportamientos anómalos en el ganado, como cojera o aislamiento, que afectan su bienestar y productividad. Este estudio presenta un sistema automatizado de monitoreo implementado en la Hacienda Balcashi (Chimborazo, Ecuador), que integra sensores ambientales de temperatura, humedad, precipitación y de movimiento con algoritmos de aprendizaje automático. A partir del análisis de datos históricos 2019–2024, se evidenció una correlación significativa entre temperatura (r = 0.45, p < 0.01), humedad (r = 0.32, p < 0.05) y la ocurrencia de conductas anormales. Se identificaron diferencias notables entre razas, siendo la Holstein la más vulnerable (1.2 eventos/día), seguida de Jersey (0.8) y Criollo (0.5), lo cual resalta la influencia de la adaptabilidad climática. El modelo de regresión logística alcanzó una precisión del 82% y un AUC-ROC de 0.84. Este trabajo contribuye a la ganadería de precisión en contextos altoandinos, proponiendo un enfoque replicable que optimiza el bienestar animal y la eficiencia operativa, y que puede escalarse mediante ajustes regionales.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Se autoriza la reproducción y citación del material que aparece en la revista, siempre y cuando se ajusten a las condiciones establecidas en la licencias de los artículos publicados Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Citas
Farooq, M. S., Sohail, O. O., Abid, A., & Rasheed, S. (2022). A survey on the role of IoT in agriculture for the implementation of smart livestock environments. IEEE Access, 10, 9483-9505.
Gavojdian, D., Mincu, M., Lazebnik, T., Oren, A., Nicolae, I., & Zamansky, A. (2024). BovineTalk: machine learning for vocalization analysis of dairy cattle under the negative affective state of isolation. Frontiers in Veterinary Science, 11, 1357109.
Guarda-Vera, M., & Muñoz-Poblete, C. (2025). Preliminary Development of a Database for Detecting Active Mounting Behaviors Using Signals Acquired from IoT Collars in Free-Grazing Cattle. Sensors, 25(10), 3233.
Hollevoet, A., De Waele, T., Peralta, D., Tuyttens, F., De Poorter, E., & Shahid, A. (2024). Goats on the Move: Evaluating Machine Learning Models for Goat Activity Analysis Using Accelerometer Data. Animals, 14(13), 1977.
Islam, M. N., Yoder, J., Nasiri, A., Burns, R. T., & Gan, H. (2023). Analysis of the drinking behavior of beef cattle using computer vision. Animals, 13(18), 2984.
Kaur, D., & Virk, A. K. (2025). Smart neck collar: IoT-based disease detection and health monitoring for dairy cows. Discover Internet of Things, 5(1), 12.
Khan, S., Mazhar, T., Shahzad, T., Khan, M. A., Guizani, S., & Hamam, H. (2024). Future of sustainable farming: exploring opportunities and overcoming barriers in drone-IoT integration. Discover Sustainability, 5(1), 1-22.
Mansour, R. F. (2022). Blockchain assisted clustering with intrusion detection system for industrial internet of things environment. Expert Systems with Applications, 207, 117995.
Neethirajan, S., & Kemp, B. (2021). Social network analysis in farm animals: Sensor-based approaches. Animals, 11(2), 434.
Qiao, Y., Kong, H., Clark, C., Lomax, S., Su, D., Eiffert, S., & Sukkarieh, S. (2021). Intelligent perception-based cattle lameness detection and behavior recognition: A review. Animals, 11(11), 3033.
Russel, N. S., & Selvaraj, A. (2024). Decoding cow behavior patterns from accelerometer data using deep learning. Journal of Veterinary Behavior, 74, 68-78.
Santana, T. C., Guiselini, C., Pandorfi, H., Vigoderis, R. B., Barbosa Filho, J. A. D., Soares, R. G. F., ... & Santos, P. C. D. S. (2025). Ethics, Animal Welfare, and Artificial Intelligence in Livestock: A Bibliometric Review. AgriEngineering, 7(7), 202.
Senanayake, S. C., Liyanage, P., Pathirage, D. R., Siraj, M. R., De Silva, B. N. K., & Karunaweera, N. D. (2024). Impact of climate and land use on the temporal variability of sand fly density in Sri Lanka: A 2-year longitudinal study. PLOS Neglected Tropical Diseases, 18(11), e0012675.
Tian, H., Zhou, X., Wang, H., Xu, C., Zhao, Z., Xu, W., & Deng, Z. (2024). The prediction of clinical mastitis in dairy cows based on milk yield, rumination time, and milk electrical conductivity using machine learning algorithms. Animals, 14(3), 427.
Wang, Y., Li, Q., Chu, M., Kang, X., & Liu, G. (2023). Application of infrared thermography and machine learning techniques in cattle health assessments: A review. Biosystems Engineering, 230, 361-387.