Vliv na zdravotní stav krav
Tse a kol (2017) uvedli, že při přechodu na robotické dojení došlo k mírnému poklesu výskytu klinických mastitid, nebo se tento nezměnil. Nebyl zpozorován vliv na podíl kulhajících krav ani na celkový počet bakterií v mléce, ale byl zaznamenán zvýšený podíl zabřezlých krav díky individuálnímu sledování pohybové aktivity. Westin a kol. (2016) usoudili, že zjištěná prevalence kulhání (v průměru cca 15 %) byla ovlivněna především uspořádáním stáje a konstrukcí lehacích boxů a byla stejná jako u konvenčního dojení. Významný vliv měla šířka krmiště (především u prvotelek) a prostornost místa před prsní opěrkou u lehacích boxů i kvalita boxových loží. Kromě prostřeďových efektů zjistili zvýšení výskytu kulhání při nižší BCS po otelení. Vzhledem k tomu, že kulhavé krávy navštěvují roboty méně často, je nutné omezit výskyt onemocnění paznehtů pomocí pohodlných lehacích boxů, čistých podlah a pravidelných koupelí končetin.
Doplňkové krmení krav v robotu
Podle Jacobse a Siegforda (2012) je nerovnoměrná frekvence dojení spojena se ztrátami mléka a zvýšeným rizikem mastitidy. Na druhé straně uplatnění robotického dojení s možností častějšího dojení a přesnějšího krmení krav podle jejich individuální potřeby živin může zvýšit efektivnost krmné dávky. Nicméně doplňkové krmení krav v dojírně nebo dojícím robotu má řadu úskalí. Krmení škrobnatých vysoce chutných ingrediencí ve velkém množství může na jedné straně narušit fermentaci bachoru nebo změnit krmné chování krav po dojení, zatímco krmení vysoce vláknitých koncentrátů může ohrozit celkový příjem energie a omezit dojivost. Přikrmování krav v dojících robotech je má stimulovat k častějším návštěvám. Při tom ale není podstatné množství předkládaného krmiva. Např. Bach et al. (2007) porovnávali chování krav při celkových v dávkách koncentrátu 3, nebo 8 kg / den a nezjistili žádné rozdíly v počtu denních návštěv robotů. Vyšší dávky krmiva ke zlepšení frekvence dojení není proto efektivní a někteří autoři to doložili zjištěním, že při pastevním chovu je možné efektivně dojit krávy s dávkami koncentrátu jen 300 g na návštěvu (Scott et al., 2014) nebo dokonce bez doplňování koncentrátu v robotech (Jago et al., 2007).
Doba ležení
Podle autorů DeVries a kol. (2011) denní doba ležení a jednoho zalehnutí ve stájích s dojícími roboty negativně korelovala s dojivostí (r = -0,23, resp. -0,20) a frekvencí dojení (r = -0,32, resp. -0,20); Dojivost vykazovala kladnou korelaci s frekvencí dojení (r = 0,58). Manipulace s krmivem poblíž doby dojení krav (1 h před 2 h po) vedla k prodloužení doby stání po dojení (průměr = 86 min) To vedlo také k zvýšení výskytu klinických mastitid, což bylo v rozporu s původním předpokladem, že krávy, které zalehnou brzy po dojení, jsou vystaveny většímu riziku vzniku mastitid. Autoři proto doporučují načasovat přísun nebo přihrnování krmiva v závislosti na četnosti dojení v průběhu celého dne. Také podle Deminga a kol. (2013) byla délka jednoho zalehnutí v negativní korelaci s dojivostí a měla tendenci se zvyšovat s větším prostorem u žlabu. Delší doba ležení byla zjištěna u krav s nižší dojivostí. Více prostoru u žlabu a častější přihrnování krmiva souvisely s prodloužením celkové doby ležení a zvýšením dojivosti krav. Krávy na vyšších laktacích vykazovaly delší dobu stání po dojení. S větším počtem dnů v laktaci (DIM) se snižoval počet návštěv robotů, stejně jako s vyšším počtem krav ve skupině. To potvrdily i studie dalších autorů.
Detekce mastitid má ještě mezery
Je známo, že dojící roboty jsou vybaveny senzory, které umožňují každodenně a zpravidla samostatně u jednotlivých čtvrtí sledovat kvalitativní ukazatele mléka, jako je obsah somatických buněk (na základě změn viskozity) nebo krve, detekci kolostra a abnormálního zvodnělého mléka a jeho elektrickou konduktivitu. Přesto nejsou podle několika autorů na základě těchto parametrů spolehlivě detekovány zejména subklinické mastitidy. Hogeveen a kol (2019) uvádí korelaci mezi senzory zjištěným počtem somatických buněk a laboratorním rozborem na úrovni 0,67. Při porovnání průměru za 48 hod. se korelace zvýšila na 0,73. Je proto přesnější využít k monitoringu mastitid výsledky z opakovaných měření a kombinaci několika parametrů. U některých dojících systémů bylo také zjištěno riziko přenosu reziduí mléka z předchozího dojení do analyzovaných vzorků (Anglart et al., 2019). Autoři také doporučují potřebu zdokonalení algoritmů k detekci mastitid a v případě překročení stanovených limitů také intervenci člověka.
Nejdůležitější literární zdroje:
Bach, A., & Cabrera, V. (2017). Robotic milking: feeding strategies and economic returns. Journal of Dairy Science, 100(9), 7720-7728.
De Koning, K. (2010). Automatic milking Common practice on dairy farms. Proceedings of the North American Conference on Robotic Milking, The First North American Conference on Precision Dairy Management. Toronto, Elora, Canada.
Jacobs, J. A. and Siegford, J. M., 2012. Invited review: The impact of automatic milking systems on dairy cow management, behavior, health, and welfare. J. Dairy Sci. 95: 2227–2247.
Rodenburg, J. 2017. Robotic milking: Technology, farm design, and effects on work flow. J. Dairy Sci. 100: 7729–7738.
Sborník z konference Robot milking, the environment and mastitis automatic milking systems. 2019, 14-16 May, Copenhagen, Denmark (www.idsmastitis2019.com/01-robot-milking.html).
Soberon, F., C. M. Ryan, D. V. Nydam, D. M. Galton, and T. R. Overton. 2011. The effects of increased milking frequency during early lactation on milk yield and milk composition on commercial dairy farms. J. Dairy Sci. 94:4398–4405.
Tse, C.,Barkema, H. W., DeVries, T. J., Rushen, J. and Pajor, E. A. 2018. Impact of automatic milking systems on dairy cattle producers’ reports of milking labour management, milk production and milk quality. Animal, 12(12). Published online by Cambridge University Press: 04 April 2018.
Ostatní zdroje jsou k dispozici u autorů článku.
Článek vznikl za podpory řešení projektu č. FV40316 – Vývoj komplexu modulárního systému robotizovaného dojení za současného hodnocení parametrů chovu aplikací metod umělé inteligence.
Autoři:
doc. Ing. Mojmír Vacek, CSc. a Ing. Luboš Smutný, Ph.D.,
Zemědělská fakulta, Jihočeská univerzita v Č. Budějovicích
Foto:
www.agropress.cz
