Abstract :
[en] In recent decades, agricultural landscapes have been deeply affected by a process of intensification. Mixed crop-livestock systems have been replaced by specialized monocultures and intensive livestock production areas leading to landscape simplification. Herd sizes have increased significantly to meet the growing demand for animal products. This intensification has led to a degradation of natural resources. These issues are raising consumer awareness and are pressing farms to reconcile productivity and sustainability. Although progress is being made, such as the adoption of agroecological practices, reductions in certain pesticide uses, and advancements in precision agriculture, these efforts remain insufficient. Innovative and systemic solutions are still needed to address the full scope of environmental and social challenges in agriculture. Grasslands are emerging as a key component of this transition. By leveraging grass, a renewable resource, they support ecosystem services, carbon sequestration, and local economies. An agroecological approach to livestock systems means adapting practices to local contexts, optimizing livestock distribution according to available resources to balance economic and ecological benefits. Such a key local resource can be found in grasslands and managing grassland-based systems requires a good understanding of the complexity of plant-animal relationships. Precision Livestock Farming (PLF) offers promising tools to meet the challenge of monitoring those interactions.
This thesis explores the potential of PLF to improve pasture management through the high-resolution automated monitoring of grazing behaviour. A custom wearable system was developed, integrating a Real-time Kinematics (RTK)-corrected global navigation satellite system (GNSS) and a triaxial accelerometer sampling at 8 Hz. Using a two-step Machine Learning (ML) model, ingestion behaviour was classified with 98.9% precision, 99.1% recall, and 98.2% accuracy. Bite quantification achieved an average Root Mean Square Error (RMSE) of 3.19 ± 0.41 bites per 10-second window and a 15.3% prediction error. The model also accurately identified feeding stations (94.7%) and meals (91.9%) and spatialized them within grids, with compartments of < 1m². Continuous analysis of grazing patterns revealed a behavioural threshold occurring when Holstein cows had consumed approximately 41% of the pre-grazing Sward Height (SH) (12.5 ± 2.5 cm). This threshold was characterised by measurable increases in both locomotive activity and ingestion behaviours. The incorporation of RTK correction technology significantly enhanced positional accuracy, facilitating precise spatial analysis of grazing patterns within grid cells < 1m². This advancement allowed for detailed correlation of animal movement and behaviour data with concurrent vegetation measurements and environmental parameters.
These technological developments expand the practical applications of PLF in modern livestock management. Beyond future applications such as developing behaviour-based pasture quality indicators or optimizing rotational grazing schedules, the methodology shows promise for investigating less conventional systems including silvopastoral arrangements, mixed-species grazing scenarios or night grazing activities, for which empirical behavioural data remain limited. Finally, while PLF technologies show strong potential for sustainable pasture management, their adoption must be guided by clear ethical, legal, and ecological frameworks to ensure they support long-term environmental stewardship alongside productive agriculture.
[fr] Au cours des dernières décennies, les paysages agricoles ont été profondément affectés par un processus d’intensification. Les systèmes mixtes cultures-élevage ont été remplacés par des monocultures spécialisées et des zones de production animale intensive, conduisant à une simplification des paysages. La taille des troupeaux a considérablement augmenté pour répondre à la demande croissante en produits animaux. Cette intensification a entraîné une dégradation des ressources naturelles. Ces problématiques sensibilisent les consommateurs et poussent les exploitations agricoles à concilier productivité et durabilité. Bien que des progrès soient réalisés, tels que l’adoption de pratiques agroécologiques, la réduction de certains usages de pesticides, et les avancées en agriculture de précision, ces efforts restent insuffisants. Des solutions innovantes et systémiques sont encore nécessaires pour relever l’ensemble des défis environnementaux et sociaux liés à l’agriculture. Les prairies émergent comme un élément clé de cette transition. En valorisant l’herbe, une ressource renouvelable, elles soutiennent les services écosystémiques, la séquestration du carbone et les économies locales. Une approche agroécologique des systèmes d’élevage consiste à adapter les pratiques aux contextes locaux, en optimisant la distribution du bétail selon les ressources disponibles afin d’équilibrer bénéfices économiques et écologiques. Une ressource locale clé est donc la prairie, et la gestion des systèmes herbagés nécessite une bonne compréhension de la complexité des relations plante-animal. L’élevage de précision (Precision Livestock Farming, PLF) offre des outils prometteurs pour relever le défi du suivi de ces interactions.
Cette thèse explore le potentiel de la PLF pour améliorer la gestion des pâturages grâce à la surveillance automatisée et à haute résolution du comportement de pâturage. Un système portable personnalisé a été développé, intégrant un système global de navigation par satellite (Global Navigation Satellite System, GNSS) corrigé en temps réel par cinématique (Real Time Kinematics, RTK) et un accéléromètre triaxial échantillonnant à 8 Hz. Grâce à un modèle d’apprentissage automatique (Machine Learning, ML) en deux étapes, le comportement d’ingestion a été classifié avec une précision de 98.9 %, un rappel (recall) de 99.1 % et une exactitude de 98.2 %. La quantification des bouchées a atteint une erreur quadratique moyenne (Root Mean Square Error, RMSE) moyenne de 3.19 ± 0.41 bouchées par fenêtre de 10 secondes, avec une erreur de prédiction de 15.3 %. Le modèle a également identifié avec précision les stations d’alimentation (94.7 %) et les repas (91.9 %), et les a spatialisés dans des grilles avec des compartiments de moins de 1 m². L’analyse continue des schémas de pâturage a révélé un seuil comportemental se produisant lorsque les vaches Holstein avaient consommé environ 41 % de la hauteur de couvert pré-pâturage (SH) (12.5 ± 2.5 cm). Ce seuil se caractérisait par une augmentation mesurable de l’activité locomotrice et des comportements d’ingestion. L’intégration de la correction RTK a significativement amélioré la précision de position, facilitant une analyse spatiale précise des schémas de pâturage au sein de cellules de grille inférieures à 1 m². Cette avancée a permis de corréler en détail les données de mouvement et de comportement animal avec des mesures concomitantes de végétation et des paramètres environnementaux.
Ces développements technologiques étendent les applications pratiques de la PLF dans la gestion moderne de l’élevage. Au-delà d’applications futures telles que le développement d’indicateurs de qualité de pâturage basés sur le comportement ou l’optimisation des calendriers de pâturage tournant, la méthodologie montre un fort potentiel pour étudier des systèmes moins conventionnels, notamment les dispositifs sylvopastoraux, les scénarios de pâturage multi-espèces ou les activités de pâturage nocturne, pour lesquels les données comportementales empiriques restent limitées. Enfin, bien que les technologies PLF présentent un fort potentiel pour une gestion durable des pâturages, leur adoption doit être guidée par des cadres éthiques, juridiques et écologiques clairs afin de garantir qu’elles soutiennent la gestion environnementale à long terme en parallèle d’une agriculture productive.
