Влияние технологического стресса на поведенческую активность и продуктивность утки кряквы в условиях дичеразведения

УДК 631.171
DOI 10.33861/2071-8020-2025-5-36-38

Оригинальное эмпирическое исследование

Фомина А. С., Васильев П. В., Кочеткова Н. А., Зеленков А. П., Зеленкова Г. А. Федеральное государственное бюджетное
образовательное учреждение высшего образования «Донской государственный технический университет»,
Ростовская область, г. Ростов-на-Дону

Аннотация. Автоматизация поведенческого анализа открывает новые горизонты в управлении дичеразводными хозяйствами. Точное определение поведенческих паттернов, связанных со стрессом, позволяет оперативно корректировать условия содержания, минимизируя негативное воздействие на яичную продуктивность и общее состояние птицы. Например, выявление повышенной скученности в определенной зоне может сигнализировать о необходимости перераспределения кормушек или создания дополнительных укрытий. На основе поведенческих данных система сигнализирует о необходимости оптимизации условий содержания для достижения максимальной продуктивности и благополучия птицы. Такой подход позволит сократить затраты на энергию и ресурсы, а также снизить зависимость от ручного управления. Внедрение разработанной системы не ограничивается дичеразводными хозяйствами. Она может быть адаптирована для мониторинга поведения диких популяций уток в естественных условиях. Развитие технологий компьютерного зрения и машинного обучения открывает широкие возможности для автоматизации анализа поведения животных. Создание интеллектуальных систем мониторинга позволит не только повысить эффективность дичеразведения, но и внести значительный вклад в охрану дикой природы и устойчивое управление ресурсами. Дальнейшие исследования в этой области будут способствовать разработке более точных, надежных и экономически эффективных систем мониторинга, способных решать широкий спектр природоохранных задач.

Ключевые слова: утка кряква, дикая птица, дичеразведение, технологический стресс, компьютерное зрение, искусственный интеллект, поведенческая активность, продуктивность, система, технология.

Анализ имеющейся информации выявил, что компьютерное зрение и искусственный интеллект могут быть мощными инструментами для мониторинга и анализа поведения птиц, в том числе дикой. Системы, основанные на этих технологиях, способны автоматически обнаруживать и классифицировать различные поведенческие паттерны, такие как кормление, чистка, сон, социальное взаимодействие и перемещение. Это позволяет исследователям и специалистам в области охотоведения получать ценную информацию о жизни и потребностях птиц в их естественной и созданной искусственной среде обитания, не прибегая к дорогостоящим и трудоемким ручным наблюдениям.

Ключевым преимуществом компьютерного зрения является его способность к непрерывному мониторингу. В отличие от традиционных методов, которые ограничены временем и ресурсами исследователей, системы компьютерного зрения могут работать 24/7, собирая данные о поведении птиц в течение длительных периодов времени. Это особенно ценно для изучения суточных ритмов, миграционных паттернов и реакций птиц на изменения в окружающей среде, такие как погодные условия, антропогенное воздействие или технологический стресс.

В контексте дичеразведения утки кряквы применение компьютерного зрения и искусственного интеллекта открывает возможности для оптимизации условий содержания и повышения продуктивности птицы. Системы, оснащенные камерами высокого разрешения и алгоритмами машинного обучения, могут отслеживать различные показатели состояния птицы, такие как активность, аппетит, положение тела и социальное взаимодействие. На основе этих данных можно оперативно выявлять признаки стресса, заболеваний или недостатка питательных веществ, предоставляя возможность своевременно принять меры для улучшения благополучия птицы и предотвращения экономических потерь.

Перспективы дальнейшего развития технологий компьютерного зрения и искусственного интеллекта в области мониторинга птиц связаны с созданием более сложных и точных алгоритмов, способных распознавать тонкие нюансы в поведении птиц и учитывать контекст окружающей среды. Важным направлением является интеграция систем компьютерного зрения с другими источниками данных, такими как GPS-трекеры, датчики температуры и влажности, что позволит получить более полную картину о жизни и потребностях птиц [1-9].

Основные цели исследований:

1) спроектировать и валидировать алгоритмы поведенческого анализа для автоматического распознавания паттернов поведенческой активности утки кряквы в условиях дичерезведения;

2) оценить влияние смоделированного технологического стресса на яичную продуктивность утки кряквы.

Материалы и методы исследований. Основой исследования служила разработанная программная платформа (фреймворк) для осуществления поведенческого анализа. Система поведенческого анализа обрабатывает результаты детекции для извлечения значимых паттернов активности и идентификации аномального поведения. Каждый видеокадр пространственно сегментируется на пять функциональных зон: центральная область, левый край, правый край, водная зона и зона кормления. Этот зональный подход позволяет отслеживать пространственные предпочтения и паттерны движения.

Вычислялись четыре основные поведенческие метрики:

• плотность распределения (DD) рассчитывается как количество обнаруженных уток на единицу площади в каждой пространственной зоне;
• индекс активности (AI) – нормализованная мера интенсивности движения;
• пространственная энтропия (SE) количественно определяет случайность распределения уток по пространственным зонам;
• коэффициент кластеризации (CC) измеряет тенденцию уток формировать группы на основе анализа распределения расстояний между ближайшими соседями.

Для исследования были сформированы 3 группы уток кряквы:

1 группа – оптимальные условия (n=150 уток): большое доступное пространство (16 м?/утка), множественные станции кормления, адекватный доступ к воде, минимальное беспокойство.

2 группа – умеренные ограничения (n=150 уток): сокращенное пространство (10 м?/утка), ограниченные точки кормления, ограниченный доступ к воде, периодическая человеческая активность.

3 группа – высокая плотность (n=150 уток): ограниченное пространство (6 м?/утка), единственное место кормления, ограниченный доступ к воде, частые беспокойства.

Продолжительность исследования: 14-дневный период наблюдений, хотя и достаточный для доказательства концепции, ограничивает возможность выявления долгосрочных поведенческих паттернов и сезонных вариаций.

Размер выборки: по 150 особей в каждой группе обеспечивает статистическую мощность >80% для обнаружения средних эффектов (d=0,5) при ?=0,05.

Пространственные ограничения: система протестирована только в полуконтролируемой среде дичефермы.

Результаты исследований и их обсуждение. Три группы одновременно мониторились в различных условиях окружающей среды для валидации возможностей поведенческого анализа системы (табл. 1).

Таблица 1 Поведенческие метрики по группам утки кряквы

Метрика	1 группа	2 группа	3 группа	F кри­терий	P зна­чение
Плотность распреде­ления (DD) [птиц/м²]	0,34 ± 0,08	0,56 ± 0,11	0,78 ± 0,09	847,3	< 0,001
Индекс активности (AI) [норма­лизован- ный]	0,72 ± 0,12	0,58 ± 0,15	0,39 ± 0,18	612,8	< 0,001
Простран­ственная энтропия (SE) [биты]	2,45 ± 0,18	2,01 ± 0,22	1,67 ± 0,25	423,7	< 0,001
Коэффици­ент класте­ризации (CC)	0,28 ± 0,09	0,45 ± 0,12	0,67 ± 0,08	534,9	< 0,001
Зональные переходы [/ час]	1,8 ± 0,4	1,2 ± 0,3	0,7 ± 0,2	289,4	< 0,001

Все поведенческие метрики показали статистически значимые различия между группами (p<0,001), подтверждая чувствительность системы к вариациям окружающей среды.

Временные паттерны активности. Анализ суточных паттернов активности выявляет устойчивые циркадные ритмы во всех группах с четырьмя отдельными пиками активности, соответствующими рассвету, середине утра, дню и сумеркам (табл. 2).

Таблица 2 Анализ временной активности утки кряквы

Период вре­мени	Индекс активности (AI)			Среднее значение
	1 группа	2 группа	3 группа
06:00-08:00	0,89 ± 0,15	0,74 ± 0,18	0,52 ± 0,21	0,72 ± 0,19
08:00-12:00	0,76 ± 0,12	0,61 ± 0,14	0,41 ± 0,16	0,59 ± 0,18
12:00-16:00	0,58 ± 0,10	0,45 ± 0,12	0,29 ± 0,14	0,44 ± 0,15
16:00-20:00	0,81 ± 0,14	0,67 ± 0,16	0,48 ± 0,19	0,65 ± 0,17
20:00-22:00	0,69 ± 0,11	0,54 ± 0,13	0,35 ± 0,15	0,53 ± 0,17

Корреляционный анализ с условиями окружающей среды. Погодные условия значительно влияют на поведенческие паттер­ны, с измеримыми воздействиями на уровни активности и про­странственное распределение (табл. 3).

Таблица 3 Влияние погоды на поведенческие метрики утки кряквы

Погодные условия	Дни	Среднее значение			Изменение активности
		AI	SE	CC
Ясно/ Солнечно	8	0,64 ± 0,16	2,18 ± 0,31	0,42 ± 0,15	Базовая линия
Пасмурно	4	0,58 ± 0,14	2,05 ± 0,28	0,48 ± 0,13	-9,4%
Легкий дождь	2	0,49 ± 0,18	1,89 ± 0,35	0,56 ± 0,18	-23,4%

Производительность обнаружения аномалий. Автоматизи­рованная система обнаружения аномалий идентифицировала 1 247 потенциальных поведенческих аномалий в течение пе­риода мониторинга, с ручной валидацией, подтверждающей 1 143 как истинные положительные (табл. 4).

Таблица 4 Результаты обнаружения аномалий

Тип аномалии	Обнару­жено	Валидиро­вано	Точность	Полнота
Необычные паттерны плотности	424	389	91,7%	87,3%
Расширенная низкая активность	349	327	93,7%	89,6%
События пространственной кластеризации	287	261	90,9%	85,4%
Поведение избегания зон	187	166	88,8%	82,1%
Общая производительность	1 247	1 143	91,7%	86,2%

Гендерно-специфические поведенческие паттерны. Анализ выявил отдельные поведенческие различия между самцами и самками уток во всех экспериментальных условиях (табл. 5).

Таблица 5 Гендерно-специфические поведенческие метрики утки кряквы

Метрика	Самки	Самцы	Разница	Критерий Стьюден­та (t)	Р зна­чение
Индекс активности	0,54 ± 0,17	0,62 ± 0,19	+14,8%	12,8	< 0,001
Зональные переходы, ч	1,15 ± 0,38	1,32 ± 0,41	+14,8%	8,9	< 0,001
Предпочте­ние водной зоны	0,34 ± 0,12	0,41 ± 0,15	+20,6%	11,2	< 0,001
Длитель­ность в зоне кормления, мин	8,7 ± 2,4	6,2 ± 2,1	-28,7%	-15,6	< 0,001

Предлагаемая система компьютерного зрения обеспечивает оптимальный баланс между точностью, неинвазивностью и экономической эффективностью для мониторинга групп диких водоплавающих птиц.

Яйцекладка и сбор яиц. При проведении мониторинга по определению поведенческой активности при смоделированном технологическом стрессе была оценена яичная продуктивность кряковых уток. Анализ данных показывает, что уровень яйцекладки подвержен изменениям в зависимости от интенсивности и продолжительности воздействия стрессовых факторов.

Мониторинг поведенческой активности, предполагающий минимальное вмешательство и создание комфортных условий, позволяет собирать важную информацию о состоянии здоровья и активности уток, не оказывая при этом существенного негативного влияния на их яйцекладку.

Яйцекладка в исследуемых группах под воздействием технологического стресса и отслеживания поведенческой активности имеет следующие показатели (табл. 6).

Таблица 6 Яйцекладка уток кряквы, пригодных к инкубации, %

Группа	Пятидневка апреля месяца			%
	1-5	6-10	11-15
1	5,7	7,7	10,7	24,1
2	5,0	6,5	8,4	19,9
3	4,5	5,0	7,0	16,5

Яйцекладка у подавляющего большинства уток кряквы происходит в утренние часы. Осмотр гнезд и выемку отложенных яиц следует проводить не реже 2-3 раз в день.

Анализ яичной продуктивности утки кряква в период исследований показал, что в первой группе данный показатель продуктивности был выше на 4,2-7,6 процентных пунктов по сравнению с группами подвергшимся технологическому стрессу.

Заключение. Перспективы дальнейшего развития системы мониторинга, основанной на граничных вычислениях, представляются весьма многообещающими. Интеграция многомодальных сенсоров, таких как акустические датчики и тепловизоры, позволит расширить спектр собираемых данных о поведении уток крякв, выявляя неочевидные паттерны и углубляя понимание их жизненного цикла. Например, анализ звуковых сигналов может помочь в определении социальных взаимодействий внутри популяции, а тепловизионные данные – в изучении терморегуляции в различных погодных условиях. Создание видо-агностических моделей детекции станет важным шагом на пути расширения применимости системы. Вместо разработки отдельных моделей для каждого вида птиц, универсальная модель сможет распознавать различных представителей орнитофауны, тем самым упрощая процесс мониторинга биоразнообразия в целом. Это потребует разработки более сложных алгоритмов машинного обучения, способных обобщать признаки, характерные для различных видов. Федеративное обучение – еще одно перспективное направление исследований. Этот подход позволяет обучать модель непосредственно на граничных устройствах, не передавая сырые данные в централизованное хранилище. Это особенно важно для защиты конфиденциальности данных и снижения нагрузки на каналы связи, что актуально для удаленных дичеразводных хозяйств. В условиях федеративного обучения каждая система мониторинга вносит вклад в общее улучшение модели, что приводит к повышению ее точности и устойчивости. Реализация этих направлений позволит создать масштабируемую и экономически эффективную систему мониторинга дикой природы, которая сможет поддерживать широкий спектр природоохранных задач, от оценки популяций до выявления угроз для биоразнообразия. Полученные данные станут ценным ресурсом для принятия обоснованных решений в области охраны природы и устойчивого управления ресурсами.

Список литературы:

1. Зеленков А. П., Фомина А. С., Кочеткова Н. А., Васильев П. В. Применение компьютерного зрения и искусственного интеллекта для мониторинга поведения птицы при воздействиях различных стресс-факторов.

Ветеринария Кубани. 2024; (6): 41-45.

2. Fomina A. S., Sklyarenko A. A., Dolgov V. V., Vasiliev P. V., Zelenkova G. A., Kochetkova N. A. Assessing the motor activity of chickens based on artificial intelligence technology. International Scientific and Practical Conference on Genetic Resource. 2024; (149): 01017.

3. Li G. et al. Practices and Applications of Convolutional Neural Network-Based Computer Vision Systems in Animal Farming: A Review. Sensors. 2021; (21 (4): 1492.

4. Mpouziotas D. et al. Automated Wildlife Bird Detection from Drone Footage Using Computer Vision Techniques. Applied Sciences. 2023; (13 (13): 7787.

5. Paula Rodriguez et al. IBERBIRDS: A dataset of flying bird species present in the Iberian Peninsula. Data in Brief. 2025; (60): 111610.

6. Reza M.N. et al. Thermal imaging and computer vision technologies for the enhancement of pig husbandry: a review. J Anim Sci Technol. 2024; (66 (1): 31-56.

7. Schutz A. K. Computer Vision for Detection of Body Posture and Behavior of Red Foxes. Animals. 2023; (12 (3): 233.

8. Vishnuvardhan R. et al. Automatic detection of flying bird species using computer vision techniques. Journal of Physics: Conference Series. 2019; (1362): 012112.

9. Vo Hoang-Tu et al. Bird Detection and Species Classification: Using YOLOv5 and Deep Transfer Learning Models. International Journal of Advanced Computer Science and Applications. 2023; (14 (7).

Сведения об авторах:

Фомина Анна Сергеевна, кандидат биологических наук, доцент, доцент кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-908-1742627; e-mail: a_bogun@mail.ru.

Васильев Павел Владимирович, кандидат технических наук, доцент кафедры «Информационные технологии» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-918-5036280; e-mail: lyftzeigen@mail.ru.

Кочеткова Наталья Алексеевна, старший преподаватель кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-988-5569758; e-mail: les.nata13@bk.ru.

Зеленкова Галина Александровна, доктор сельскохозяйственных наук, доцент, профессор кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-908-1742627; e-mail: galinazelenkova2025@gmail.com.

Ответственный за переписку с редакцией: Зеленков Алексей Петрович, доктор сельскохозяйственных наук, профессор кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-961-8176966; e-mail: zelenkovalex@rambler.ru.

Заявленный вклад авторов: рукопись была написана благодаря вкладу всех авторов. Все авторы одобрили окончательную версию рукописи.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

	Полезные ссылки
Департамент ветеринарии Краснодарского края Ассоциация Практикующих Ветеринарных Врачей