Sensorbasierte Prognose von Tiergesundheit, Brunst & Abkalbung (Boli, Halsbänder, Ohrmarken)

Milchviehherden sind zu groß, als dass ein Landwirt jede Kuh jede Stunde beobachten könnte. Sensoren am oder im Tier übertragen Temperatur-, Wiederkau-, Aktivitäts- und Trinkdaten in die Cloud. Zeitreihenmodelle melden brünstige Kühe (und den besten Besamungszeitpunkt), Kühe kurz vor der Abkalbung und erste Anzeichen von Mastitis, Ketose oder Fieber. Der Landwirt erhält auf dem Handy eine kurze, priorisierte To-do-Liste, statt nachts durch den Stall zu gehen. Die Technik ist auf Milchviehbetrieben in der EU etabliert; offen bleiben die Genauigkeit je Herde, die Datenhoheit und wie sehr man jeder einzelnen Warnung trauen kann.

Problem & Nutzen

• Heute: Brunst und Krankheit werden durch Beobachtung, Rückgang der Milchleistung oder Kontrollen der Milchleitfähigkeit erkannt. Verpasste Brunsten verlängern die Zwischenkalbezeit; späte Krankheitserkennung bedeutet mehr Antibiotika, geringere Milchleistung und Verluste; unbemerkte Abkalbungen, meist nachts, gefährden Kuh und Kalb.
• KI-Nutzen: kontinuierliche Beobachtung rund um die Uhr, individuelle Basiswerte je Tier (eine Kuh wird mit ihrem eigenen Normalzustand verglichen) und kombinierte Signale (Temperatur + Wiederkauen + Aktivität), die einzelne Schwellenwerte übersehen.
• Vom Anbieter berichtete Vorteile (nicht unabhängig geprüft): smaXtec nennt auf seiner Website eine bis zu 5 Tage frühere Krankheitserkennung, bis zu 70 % weniger Antibiotikaeinsatz und Abkalbewarnungen im Mittel etwa 15 Stunden im Voraus; Kundenstimmen auf derselben Seite sind Selbstauskünfte [1]. Alle solchen Zahlen als Marketingaussagen behandeln und an der eigenen Herde validieren (siehe Kennzahlen).
• Andere Anbieter (Nedap, Afimilk, MSD) veröffentlichen auf ihren allgemeinen Produktseiten kaum quantifizierte Aussagen [3][4]; vor dem Kauf begutachtete Validierungen (Sensitivität, Spezifität, Fehlalarme pro Kuh und Monat) verlangen.

Varianten

• Brunsterkennung und Besamungszeitpunkt (Aktivitäts-/Wiederkau-Halsbänder, Ohrmarken, Beinschrittzähler, Boli).
• Abkalbeprognose (Temperaturabfall und Verhaltensänderung; Bolus oder Schwanz-/Ohrsensoren).
• Gesundheitsfrühwarnung (Mastitis, Ketose, Gebärparese, Metritis, Lungenentzündung, Lahmheit, Hitzestress).
• Jungvieh-/Kälberüberwachung (z. B. MSD SenseHub Dairy Youngstock, jetzt auch für eimergetränkte Kälber [2]).
• Weidehaltung (eigene Brunstalgorithmen für Weidekühe [1]), Mutterkuhherden, Schafe/Ziegen und Schweine (weniger ausgereifte Produkte).
• Analysen auf Herdenebene für Berater, Tierärzte und Genossenschaften (Benchmarking, Berichte zum Antibiotikaeinsatz).
• Kamerabasierte Beobachtung ist ein anderer Datentyp: siehe VIS-014.

So funktioniert es

1. Sensor (Bolus / Halsband / Ohrmarke / Beinband)
2. Basisstation oder Gateway (LoRa, BLE, proprietäres Funkprotokoll)
3. Cloud-Einspeisung (Zeitreihen je Tier, Daten des Melksystems, Stallklima)
4. Vorverarbeitung (Kalibrierung, Entfernung von Trinkereignissen aus der Temperatur, Merkmale des Pansenzyklus)
5. Basiswert je Kuh + Ereignismodelle (Brunst, Abkalbung, Krankheitsrisiko)
6. Warnlogik (Schwellenwerte, Priorisierung, Deduplizierung)
7. App / Herdensoftware
8. Landwirt/Tierarzt bestätigt (Besamung, Behandlung, Beobachtung)
9. Ergebnis fließt als Labels zurück

• Modelle: typischerweise Gradient Boosting / Random Forests auf konstruierten Merkmalen, Change-Point- und Anomalieerkennung gegenüber dem Basiswert jeder Kuh und zunehmend neuronale Zeitreihenmodelle. Vortrainierte Zeitreihen-Foundation-Modelle (z. B. Chronos-2, das Kovariaten Zero-Shot verarbeitet [5]) sind nützlich für Basiswerte und die Prognose erwarteter Werte, doch Warnklassifikatoren brauchen weiterhin gelabelte Ereignisse.
• Labels stammen aus Betriebsaufzeichnungen: Besamungs- und Trächtigkeitsergebnisse, Abkalbedaten, Behandlungsaufzeichnungen, Milchproben.
• Mensch-in-der-Schleife (Human-in-the-Loop): Warnungen sind Entscheidungshilfen. Der Landwirt bestätigt die Brunst vor der Besamung; ein Tierarzt diagnostiziert und verschreibt. smaXtec selbst gibt an, dass der Dienst die tierärztliche Diagnose nicht ersetzt [1].

Datenaufbereitung

• Welche Daten: Sensor-Zeitreihen je Tier (Temperatur, Aktivität, Wiederkauen), Melk- und Milchprobendaten, Besamungs-, Abkalbe- und Behandlungsaufzeichnungen, Stallklima.
• Wo sie liegen: die Cloud des Sensorherstellers, Herdenmanagement-Software, Exporte des Melksystems, Berichte des Tierarztes, Notizbücher aus Papier oder Excel-Listen des Landwirts.
• Typische Lücken: Ohrmarken- und Tier-IDs, die sich zwischen Systemen unterscheiden, Ereignisse, die spät oder nur auf Papier erfasst werden, Trinkereignisse, die die Temperatur verfälschen, mitten in der Laktation ausgetauschte Sensoren, zu wenige bestätigte Ereignisse je Betrieb.
• Schritte: (1) prüfen, welche Systeme welche Daten halten (PREP-001), (2) Export über APIs oder Dateiexporte (PREP-005), (3) Tier-IDs und Zeitstempel in aufgeräumten Tabellen vereinheitlichen (PREP-011), (4) Papiernotizen durch digitale Erfassung im Stall ersetzen (PREP-008), (5) Labels aus Besamungs-, Trächtigkeits- und Abkalbeaufzeichnungen gewinnen (PREP-020), (6) die Rückmeldung des Landwirts zu jeder Warnung erfassen (PREP-021). Werkzeuge: Python, pandas, eine kleine Zeitreihendatenbank.
• Aufwandsanteil: etwa 30-40 %; bei einem gekauften Produkt vor allem Bereinigung der IDs und konsistente Erfassung von Ereignissen.

Umsetzungswege

Welcher Weg für wen

• smb (A): Ausgereifte Produkte aus Sensor und App für Brunst-, Abkalbe- und Gesundheitswarnungen gibt es zu Preisen für Landwirte, und der Prozess ist übliches Milchviehmanagement.
• enterprise (B): Große Betriebsgruppen und Genossenschaften integrieren Sensordaten über APIs mit Herdensoftware und Melksystemen, um Warnungen über viele Standorte hinweg zu betreiben.
• developer (C): Open-Source-Stacks für Zeitreihen und Gradient Boosting auf HW1 dienen Forschenden und Agrartechnik-Start-ups, die transparente Modelle auf Sensor-Rohdaten benötigen.

Weg A — Kaufen (empfohlen)

• smaXtec (Österreich, EU): schluckbarer Bolus, der Körperinnentemperatur, Aktivität, Wiederkauen und Wasseraufnahme misst; TruD-Cloud; Warnungen für Brunst mit Besamungsfenster, Abkalbung, Hinweise auf Mastitis/Ketose/Gebärparese, optionaler pH-Bolus für Pansenazidose [1].
• Nedap CowControl (Niederlande, EU): hals-/beinbasierte Überwachung von Brunst, Gesundheit und Standort [3].
• Afimilk (Israel): AfiAct-Schrittzähler, AfiCollar, Mastitiserkennung über Milchmengenmesser [4].
• MSD Animal Health SenseHub (Halsbänder und Jungviehüberwachung) [2].
• Ebenfalls auf EU-Betrieben verbreitet (für dieses Dokument nicht erneut geprüft): Systeme von Lely, GEA, DeLaval und Allflex/SCR, oft im Paket mit Melkrobotern oder Melkständen. Das System bevorzugen, das zu Ihrer Melktechnik passt.
• Prüfen: Datenhosting in der EU und Vertragsbedingungen zur Datenhoheit, Export-API zu Ihrer Herdensoftware, Lebensdauer der Sensoren und Ersatzkosten, validierte Erkennungsraten, Abonnement vs. Kauf.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Als Ersatz für die Algorithmen der Anbieter selten sinnvoll, aber nützlich, um auf exportierten Daten eine Analyseebene zu ergänzen: in einer Zeitreihendatenbank speichern, Prognosen oder Anomalieerkennung im Stil von Chronos-2/Nixtla ausführen [5][6] und ein LLM nutzen, um Herdendaten in ein tägliches Briefing oder einen Beraterbericht in einfacher Sprache zu verwandeln. EU-Cloud-Region nutzen und möglichst nur aggregierte oder pseudonymisierte Betriebsdaten.
• Erfordert eine Anbieter-API oder einen Export; viele Anbieter stellen Herdenmanagement-Plattformen Daten bereit, aber keine Rohsignale.

Weg C — Selbst betreiben (Open Source)

• Sensoren: Offene Hardware ist eine Nische; Forschungsprojekte nutzen handelsübliche Beschleunigungssensoren mit LoRaWAN-Gateways (ChirpStack) und MQTT.
• Stack: TimescaleDB/InfluxDB, scikit-learn/LightGBM, StatsForecast, Chronos-2 (Apache-2.0 [5]) für Basiswerte; Anomalieerkennung je Tier. Die Modelle laufen auf CPU oder kleinen Edge-Geräten.
• Hardware: HW1 genügt (ein CPU-Server oder eine kleine Edge-Box); keine GPU nötig, außer für optionale LLM-Berichte.
• C wählen für Forschungsinstitute, große Integratoren oder Betriebe mit strenger Datensouveränität. Erheblicher Validierungsaufwand ist zu erwarten; keine Ground Truth in Anbieterqualität.

Weg D — Eigenes Training

• Lohnt sich für Sensorhersteller, Zucht-/Besamungsgenossenschaften und Universitäten mit großen gelabelten Historien (Tausende Kühe mit bestätigten Trächtigkeiten, Abkalbungen, Diagnosen). Zentrale Herausforderungen: Qualität der Labels (Behandlungsaufzeichnungen sind verrauscht), saisonale und Hitzestress-Effekte, Unterschiede zwischen Rassen und Laktationen sowie Drift je Betrieb. Föderiertes Lernen über Betriebe hinweg ist eine Option, wenn Dateneigentümer Rohdaten nicht zusammenführen wollen.

Stand der Technik (2026)

• Ausgereifte Sensorklassen: Boli (Körperkerntemperatur, Wiederkauen, Trinken) und Halsbänder/Ohrmarken (Aktivität, Wiederkauen) sind auf größeren EU-Milchviehbetrieben Standard; die Brunsterkennung ist die am besten etablierte Anwendung, die Gesundheitsfrühwarnung die in ihrer Qualität variabelste.
• Trends: Fusion mehrerer Signale mit Daten des Melkroboters; individuelle Basiswerte; Anwendungsfälle zur Antibiotikareduktion bei verschärfter Regulierung; Weidealgorithmen; Jungviehüberwachung [2]; Zeitreihen-Foundation-Modelle für Basiswerte [5].
• Grenzen und Fehlerbilder: Fehlalarme (Kühe schlagen aus anderen Gründen als Krankheit an, etwa Hitzestress oder Umgruppierung); verpasste stille Brunsten; Sensorverlust oder Bolusverlagerung; Trinkereignisse, die die Temperatur verfälschen; Algorithmus-Updates, die das Warnverhalten ändern; sinkende Leistung, wenn Genauigkeitsangaben der Anbieter aus Versuchsherden auf anders bewirtschaftete Herden übertragen werden. Warnungen zeigen eine Abweichung an, keine Diagnose. Unabhängige Validierungsdaten sind je Anbieter uneinheitlich; begutachtete Genauigkeitszahlen konnte ich in dieser Recherche nicht erneut prüfen.

Gemeinsame Bausteine & Kombinationen

• Bausteine: Zeitreihenprognose, Anomalieerkennung, Streaming-Einspeisung und Edge-Laufzeit teilen sich PRED-006 (Predictive Maintenance), PRED-014 (Soft Sensors), PRED-007 (Lastprognose) und Anomalieerkennung im Stil von ANOM-001; eine Zeitreihenplattform auf HW1/CPU kann alle bedienen.
• Kombinationen: VIS-014 (kamerabasierte Überwachung des Tierwohls) für Lahmheit, Körperkondition und Verhalten; PRED-013 (Ertragsprognose) und OPT-014 (Präzisionslandwirtschaft) für Futter- und Produktionsplanung; SCI-020 (genomische Selektion) nutzt dieselben Fruchtbarkeits- und Gesundheitsphänotypen.
• Datenpipeline: Herdenmanagement-Software (Melk-, Fütterungs-, Zuchtaufzeichnungen) liefert Labels und Kontext für all dies.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für Installation und Onboarding; Kosten sind Sensoren (Kauf oder Miete) plus Abonnement; der Ersatz von Boli/Marken je Tier ist ein wesentlicher Kostentreiber.
• Weg B: 1-3 Monate für die Analyseebene auf exportierten Daten.
• Weg C/D: viele Monate; erfordert Data Scientist und Ground Truth aus tierärztlichen Aufzeichnungen.
• Kennzahlen: Brunsterkennungsrate und Konzeptionsrate, Zwischenkalbezeit, Güstzeit, Zeit von der Besamung bis zur Konzeption, Anteil der betreuten Abkalbungen, Behandlungstage und Antibiotikaeinsatz je Kuh (DDD), Krankheitsinzidenz, Abgangs- und Sterberaten, Fehlalarmrate pro Kuh und Monat, bearbeitete Warnungen pro Tag (Zeitaufwand).

Menschen & Veränderung

• Früh einbinden: die Inhaberin bzw. den Inhaber oder die Betriebsleitung, den Herdenmanager als Prozessverantwortlichen, das Stallpersonal, das die Warnungen täglich nutzt, die Tierärztin bzw. den Tierarzt sowie die Sensor- und Softwarelieferanten. IT nur für Konnektivität und Konten.
• Betriebsrat: in der Regel nein, da das System Tiere überwacht, nicht das Personal, und die meisten Betriebe keinen Betriebsrat haben. Werden Warnungen je Beschäftigtem protokolliert (z. B. wer bestätigt hat), kann § 87 Abs. 1 Nr. 6 BetrVG greifen; wo ein Betriebsrat besteht, nach § 90 Abs. 1 Nr. 3 unterrichten.
• Datenschutz: Tierdaten sind nicht personenbezogen, aber Namen von Beschäftigten in Protokollen und Betriebskennungen sind personenbezogene Daten; mit dem Anbieter einen AVV (Art. 28 DSGVO) schließen. Eine DSFA wird nicht erwartet.
• KI-Kompetenz (Art. 4): das Stallteam durch kurze Schulungen dazu unterstützen, was eine Warnung bedeutet, was Fehlalarme sind und wann der Tierarzt zu rufen ist (GUIDE-006).
• Kommunikation und Pilot: mit einer Kuhgruppe oder einem Stall für einen vollständigen Zuchtzyklus beginnen und mit der bisherigen Routine vergleichen (GUIDE-009).
• Typische Sorgen: Warnungsflut und Misstrauen - Schwellenwerte gemeinsam mit dem Personal abstimmen, verpasste Ereignisse gemeinsam auswerten (GUIDE-008). Der Landwirt bestätigt die Brunst, und der Tierarzt diagnostiziert und behandelt.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Landwirtschaft und Nutztierhaltung kommen in Anhang III nicht vor [7]; das System trifft Entscheidungen über Tiere, nicht über natürliche Personen. Art. 4 KI-Kompetenz gilt für den Betreiber. Achtung, wenn Funktionen zur Beschäftigtenüberwachung (z. B. Tracking des Personals über dasselbe System) hinzukommen, was die Einstufung ändern würde (Beschäftigung, Anhang III) [7][8].
• DSGVO: überwiegend Betriebs- und Tierdaten. Betriebsidentität, Standort und Leistungsdaten eines identifizierbaren Landwirts sind in der Praxis personenbezogene Daten; Verträge sollten Datenhoheit, Sekundärnutzung (Benchmarking, Verkauf an Dritte) und Löschung bei Vertragsende regeln (der EU-Verhaltenskodex zum Datenaustausch in der Landwirtschaft ist eine nützliche Referenz). Daher depends.
• Tiergesundheitsrecht: Verordnung (EU) 2016/429 verlangt Registrierung und Rückverfolgbarkeit für Rinder sowie Bestandsregister der Halter; elektronische Kennzeichnung ist zulässig [9]. Sensoren ersetzen keine amtlichen Ohrmarken. Das Tierarzneimittelrecht (Verschreibung, Erfassung und Reduzierung des Antibiotikaeinsatzes) belässt Behandlungsentscheidungen beim Tierarzt.
• Vorschriften für Medizinprodukte: Tierarzneiprodukte liegen außerhalb der MDR; Anbieter sollten Aussagen zur Diagnose vermeiden.
• Risiken/Gegenmaßnahmen: zu großes Vertrauen in Warnungen (Routinebeobachtung beibehalten), Herstellerabhängigkeit (Exportklausel), Datenhoheit (Vertrag), Tierwohl der Sensoren (Zulassung und Sicherheit des Bolus), Cybersicherheit der Gateways.

Erste Schritte

1. Das wichtigste Problem festlegen (verpasste Brunsten, Abkalbeverluste, Mastitis/Ketose) und eine Ausgangslage der Kennzahlen für die letzten 12 Monate erfassen.
2. Bei Anbietern aus Weg A Validierungsdaten (Sensitivität, Spezifität, Fehlalarme) und 2-3 Referenzbetriebe ähnlicher Größe und Bewirtschaftung anfordern.
3. Den Datenvertrag prüfen: Eigentum, API/Export, Hosting in der EU, Verhalten bei Vertragsende.
4. Auf einer Teilgruppe für eine Abkalbe-/Zuchtsaison pilotieren und jede Warnung samt Ergebnis protokollieren.
5. Die protokollierten Warnungen monatlich mit dem Tierarzt auswerten; Warnschwellen anpassen und später Analysen auf exportierten Daten ergänzen (Weg B).

Quellen

1. smaXtec — product and health/heat/calving alerts, vendor claims — https://smaxtec.com/en/
2. MSD Animal Health — SenseHub Dairy Youngstock for bucket-fed calves — https://www.msd-animal-health.com/news-and-insights/featured-stories/next-gen-calf-care-sensehub-dairy-youngstock-now-available-for-bucket-fed-calves/
3. Nedap Livestock Management — CowControl heat and health monitoring — https://www.nedap-livestockmanagement.com/
4. Afimilk — AfiAct, AfiCollar, milk meter — https://www.afimilk.com/
5. Amazon Science — Chronos / Chronos-2 time-series forecasting (Apache-2.0) — https://github.com/amazon-science/chronos-forecasting
6. Nixtla — TimeGPT and open-source SDK — https://github.com/Nixtla/nixtla
7. AI Act Annex III (high-risk areas) — https://artificialintelligenceact.eu/annex/3/
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
9. European Commission — Animal Health Law (Reg. 2016/429) — https://food.ec.europa.eu/animals/animal-health/animal-health-law_en