ЦИФРОВІ ІНСТРУМЕНТИ ПІДВИЩЕННЯ КОНКУРЕНТОСПРОМОЖНОСТІ ПРОДУКЦІЇ ТВАРИННИЦТВА
Анотація
Метою цієї статті є критичний огляд поточного стану цифрових технологій тваринництва за допомогою технологій точного тваринництва (PLF), зокрема великих даних і технології блокчейн. Завдяки технологіям PLF тваринництво має потенціал для вирішення вищезазначених нагальних проблем, стаючи більш прозорими та зміцнюючи довіру споживачів. Однак нові технології PLF все ще розвиваються, а технології основних компонентів (наприклад, блокчейн) все ще перебувають у зародковому стані та недостатньо підтверджені в масштабі. Технології PLF наступного покоління потребують платформ превентивної та прогнозної аналітики, які можуть сортувати величезні обсяги даних, точно й доступно враховуючи конкретні змінні. Проблеми з конфіденційністю даних, безпекою та інтеграцією необхідно вирішити до того, як розгортання спільних рішень PLF для кількох аграрних підприємств (ферм) стане комерційно здійсненним.
Посилання
FAO (Food and Agriculture Organization of the United Nations), World Livestock. 2011. Livestock in Food Security. Rome. URL: http://reliefweb.int/sites/reliefweb.int/files/resources/Full%20Report_421.pdf
Helwatkar A., Riordan D., Walsh J. September. Sensor technology for animal health monitoring 8th international conference on sensing technology, Liverpool (2014), pp. 266-271.
Jorquera-Chavez M., Fuentes S., Dunshea F.R., Jongman E.C., R.D. Warner R.D. Computer vision and remote sensing to assess physiological responses of cattle to pre-slaughter stress, and its impact on beef quality: A review Meat. Sci., 156 (2019), pp. 11-22, 10.1016/j.meatsci.2019.05.007.
Klerkx L., Jakku E., Labarthe P. A review of social science on digital agriculture, smart farming and agriculture 4.0: New contributions and a future research agenda, Njas-Wagen. J. Life Sc. 90 (2019) 100315, doi:10.1016/j.njas.2019.100315.
Lin J., Shen Z., Zhang A., Chai Y. Blockchain and IoT based food traceability for smart agriculture Proceedings of the 3rd Int. Con. on Crowd Sci. and Eng (2018), pp. 1-6.
Morota G., Ventura R.V., Silva F.F., Koyama M., Fernando S.C. Big data analytics and precision animal agriculture symposium: machine learning and data mining advance predictive big data analysis in precision animal agriculture.
Motta G.A., Tekinerdogan B., Athanasiadis I.N. Blockchain Applications in the Agri-Food Domain: The First Wave Front. Blockchain., 3 (2020), p. 6.
Neethirajan S. Recent advances in wearable sensors for animal health management Sens Biosensing Res., 12 (2017), pp. 15-29, 10.1016/j.sbsr.2016.11.004.
Ochs D.S., Wolf C.A., Widmar N.J. Bir Consumer perceptions of egg-laying hen housing systems Poult. Sci., 97 (10) (2018), pp. 3390-3396, 10.3382/ps/pey205.
Piñeiro C., Morales J., Rodríguez M., Aparicio M., Manzanilla E.G., Koketsu Y. Big (pig) data and the internet of the swine things: a new paradigm in the industry Anim. Front., 9 (2) (2019), pp. 6-15.
Thornton P.K. Livestock production: recent trends, future prospects Philos. Trans. R. Soc. B., 365 (1554) (2010), pp. 2853-2867, 10.1098/rstb.2010.0134.
UN (United Nations) Department of Economic and Social Affairs, Population Division, World population prospects. https://www.un.org/development/desa/publications/world-population-prospects-2019-highlights.html, 2019.
Wolfert S., Ge L., Verdouw C., Bogaardt M.J. Big data in smart farming–a review Agric. Syst., 153 (2017), pp. 69-80, 10.1016/j.agsy.2017.01.023.
FAO (Food and Agriculture Organization of the United Nations), World Livestock 2011 – Livestock in Food Security. Rome. http://reliefweb.int/sites/reliefweb.int/files/resources/Full%20Report_421.pdf, 2011.
Helwatkar, A., Riordan, D., Walsh, J. September. Sensor technology for animal health monitoring 8th international conference on sensing technology, Liverpool (2014), pp. 266-271.
Jorquera-Chavez, M., Fuentes, S., Dunshea, F.R., Jongman, E.C., Warner, R.D. Computer vision and remote sensing to assess physiological responses of cattle to pre-slaughter stress, and its impact on beef quality: A review Meat. Sci., 156 (2019), pp. 11-22, 10.1016/j.meatsci.2019.05.007.
Klerkx, L., Jakku, E., Labarthe, P. A review of social science on digital agriculture, smart farming and agriculture 4.0: New contributions and a future research agenda, Njas-Wagen. J. Life Sc. 90 (2019) 100315, doi:10.1016/j.njas.2019.100315.
Lin, J., Shen, Z., Zhang, A., Chai, Y. Blockchain and IoT based food traceability for smart agriculture Proceedings of the 3rd Int. Con. on Crowd Sci. and Eng (2018), pp. 1-6.
Morota, G., Ventura, R.V., Silva, F.F., Koyama, M., Fernando, S.C. Big data analytics and precision animal agriculture symposium: machine learning and data mining advance predictive big data analysis in precision animal agriculture.
Motta, G.A., Tekinerdogan, B., Athanasiadis, I.N. Blockchain Applications in the Agri-Food Domain: The First Wave Front. Blockchain., 3 (2020), p. 6.
Neethirajan, S. Recent advances in wearable sensors for animal health management Sens Biosensing Res., 12 (2017), pp. 15-29, 10.1016/j.sbsr.2016.11.004.
Ochs, D.S., Wolf, C.A., Widmar, N.J. Bir Consumer perceptions of egg-laying hen housing systems Poult. Sci., 97 (10) (2018), pp. 3390-3396, 10.3382/ps/pey205.
Piñeiro, C., Morales, J., Rodríguez, M., Aparicio, M., Manzanilla, E.G., Koketsu, Y. Big (pig) data and the internet of the swine things: a new paradigm in the industry Anim. Front., 9 (2) (2019), pp. 6-15.
Thornton, P.K. Livestock production: recent trends, future prospects Philos. Trans. R. Soc. B., 365 (1554) (2010), pp. 2853-2867, 10.1098/rstb.2010.0134.
UN (United Nations) Department of Economic and Social Affairs, Population Division, World population prospects. https://www.un.org/development/desa/publications/world-population-prospects-2019-highlights.html, 2019.
Wolfert, S., Ge, L., Verdouw, C., Bogaardt, M.J. Big data in smart farming–a review Agric. Syst., 153 (2017), pp. 69-80, 10.1016/j.agsy.2017.01.023.
