在我国内蒙古和新疆地区，牛羊畜牧产业占重要地位，放牧是畜牧养殖的主要方式。牧民为追求更大经济利益，盲目扩增家畜养殖数量，引起草畜失衡，草地环境遭到破坏。当地畜牧管理工作者虽尽力规范放牧活动，但由于监测技术有限和牧区网络覆盖程度低等因素，一直无法对放牧活动进行有效监控^[1]。伴随精准农业的兴起，精准畜牧生产(precision livestock production，PLP)也逐渐引起人们的关注^[2]。PLP通过各种传感器获取放牧家畜和草地的状态数据，制定合理有效的放牧策略，为草畜平衡提供有效解决方案^[2]。

牧食行为和采食量监测是PLP的重要组成部分^[3]，国内外学者为此提出多种监测方法。在各种监测方法中，基于声信号的监测方法(以下简称声学监测方法)凭借对家畜应激小、精度高、功能多等优点，成为最具潜力的监测方法之一。此外，声学监测也被应用于畜禽个体识别^[4]、发情监测^[5]、叫声识别分类^[6]等动物信息智能感知领域^[7]。本文在总结分析传统放牧家畜(主要指牛、羊)牧食行为和采食量监测方法的原理和优缺点，以及详细阐述声学监测方法的原理及研究进展的基础上，以牧食行为或采食量监测技术为基础，结合定位技术，提出更加精确的采食量时空分布模型，以实现牧食行为、采食量、采食量时空分布的自动精准监测为目标，展望未来研究方向。

1 牧食行为的监测 1.1 牧食过程

家畜在放牧过程中存在牧食过程和非牧食过程。牧食过程包括咬食、咀嚼、咀嚼-咬食、吞咽、反刍草料团、反刍咀嚼、反刍吞咽等牧食行为。具体包括:咬食:舌头揽住一撮牧草后，牙齿将牧草咬断卷入口腔的采食过程；咀嚼:牙齿初次粉碎口腔内牧草的采食过程；咀嚼-咬食:在口腔中残留较多草料的情况下，去咬食其他草料，此时在同一上下颌张合动作中，同时存在咬食和咀嚼的采食过程；吞咽:将初次粉碎的草料吞入瘤胃、网胃内的采食过程；反刍草料团:将草料从瘤胃、网胃中反吐到口腔内的反刍过程；反刍咀嚼:牙齿再次研磨粉碎草料的反刍过程；反刍吞咽:将再次粉碎的草料吞入瓣胃、皱胃内的反刍过程。其中咬食、咀嚼、咀嚼-咬食组成采食过程，称作采食行为；反刍草料团、反刍咀嚼、反刍吞咽组成反刍过程，称作反刍行为；采食、反刍等组成牧食过程。在牧食过程和非牧食过程中，家畜颚部静止的状态，称为静颚。牛在咬食时首先头部低下咬住牧草，而后快速向上抖动以咬或扯断牧草^[8]，这是加速度传感器监测法的重要依据之一。在整个牧食过程中，家畜的牙齿和草料之间相互作用发出特有的声音信号，这是声学监测方法的基本依据；同时，家畜上下颌相对位置发生周期性接触和分离，这是机械开关、压力传感器和加速度传感器监测法的共同依据。

1.2 传统监测方法

传统牧食行为监测方法为人工/录像直接观测法，操作简单，应用广泛。一般过程为观测人员凭借望远镜、秒表、记录设备等工具，依靠养殖经验，连续或间隔一定时间观测家畜的牧食过程，分辨具体行为。根据所记录的行为数据推测家畜身体或草场状况，常见于动物科学和草地科学研究^[9-10]。此法虽简单方便，但实际应用中耗费大量人力与时间，易对畜群造成惊扰，无法持续长期监测。基于此，牧食行为的自动监测成为一种必然趋势和研究热点。依据所用传感器类型或装置不同，主要有以下几种监测方法:

1) 机械开关监测法。主要原理为将动物颚部张合的动作转换为机械开关的通断状态，依据开关通断频率或间隔时间的不同来区分不同牧食行为^[11-14]。例如平山琢二等^[11]将带有开关装置的遥感监测笼头安装在野生鹿头部，分析开关接通频率以区分野生鹿的采食、反刍、静颚及其所占总牧食时间比例。此法设备简单，精度较高，但无法细分采食行为且影响动物采食。

2) 压力传感器监测法。主要原理为将动物颚部张合的幅度成比例地转换成因阻值改变而产生的电信号输出变化^[15]。此法采集的信号波形中，相对于采食过程，反刍过程信号规律性强，平均幅度低，据此可区分两者^[15-20]。该法不干扰动物采食，精度高，在20世纪得到广泛研究^[16]。以其为原理开发出IGER行为记录仪^[17]和ART-MSR压力传感器2种典型的家畜牧食行为监测装置，分别适用于草地放牧和舍饲养殖环境^[21]。至今，仍有对压力传感器监测法的验证研究，例如Zehner等^[16]采用鼻带压力传感器采集动物颚部运动信号，检验2种通用分类识别算法监测家畜采食和反刍时间的准确性。

3) 加速度传感器监测法。其主要依据家畜牧食时头部或颚部存在固有的运动特征，比如低头和抬头的频率、下颌运动的频率和幅度等。在家畜的头部或下颌处安装加速度传感器，从采集的加速度值中提取特征变量，以区分不同牧食行为^[22-24]。例如Giovanetti等^[23]用三轴加速度传感器采集大量羊只采食、反刍和休息的下颌运动数据，提取12个特征变量，利用逐步判别分析、典型判别分析和判别分析3种统计方法对特征变量进行分类，以区分不同牧食行为，准确率较高。

4) 肌电图监测法(surface electromyography of the masseter muscle)。其主要原理为将动物颚部运动时咬肌或其他肌肉伸缩运动的变化通过电极转换为电信号变化。电极安装在缰绳或肌肉表面。例如Büchel等^[25]利用牛咬肌表面的肌电图数据分类识别其颚部运动，与人工观测结果高度一致。Campos等^[26]从肌电信号中提取8个特征，利用7种机器学习算法对反刍与采食、采食不同食物产生的信号进行识别分类，准确率分别为70%、60%。此法基于肌电信号规律性的强弱，能够分辨反刍和采食过程，准确率较高。

以上方法虽具有诸多优点，但存在不能识别采食过程中咀嚼-咬食复合行为的不足。相比而言，声学监测法能更进一步分辨咀嚼-咬食行为。家畜在草地连续采食过程中，虽上下颌张合速率近似，咀嚼-咬食次数都占有张合总数的主要比例，但不同个体之间差异显著。Ungar等^[27]研究发现，不同家畜个体采食时张合运动分配的差异是引起采食速率不同的主要原因。咀嚼-咬食行为占张合总数的比例直观反映家畜采食效率，同时对饮食特点也有所表征，是分析家畜采食特点的重要参数。因此，声学监测法是一种更佳的监测方法，它还具有不干扰家畜采食、安装简单、精度高等诸多优点。

1.3 牧食行为声信号特征

声学监测法，主要依据家畜不同牧食行为产生的声音信号特征不同，如波形、强度和持续时间等，以此区分咬食、咀嚼、咀嚼-咬食和反刍咀嚼等行为^[28-29]。以单指向电容麦克风作为声信号采集传感器，根据Nelson等^[30]的研究，麦克风垂直向内紧贴在家畜去除毛发的额头处采集的信号信噪比最高，人工直接观测亦可准确分辨出不同牧食行为。图 1为荷斯坦奶牛在低噪声环境下采食纯净苜蓿/果园草时，3种采食行为产生的典型声信号。

不同牧食行为的区别如下:

时域:平均强度上，咬食相对于咀嚼，平均强度高(声音大)(图 1-a4、b4、c4)；持续时间上，羊咬食相对咀嚼持续时间短^[32]，牛则不同(图 1-a4、c4)；包络线形状特点上，咀嚼和咬食行为的包络线只有1个峰^[33]，而咀嚼-咬食行为由咀嚼和咬食2种行为复合连接而成，其包络线有2个峰(图 1-a2、b2、c2)。此外，反刍咀嚼和采食咀嚼声信号相似，但反刍咀嚼平均强度相对较低，具有更加对称的信号波形和更规律的周期频率^[34]；形状比率上，咀嚼-咬食明显不同于咬食和咀嚼。

频域:在0~50、80~100和160~190Hz频带内，羊咬食相对于咀嚼声能量大^[29]；在3~8kHz频带内，牛咬食比咀嚼产生的声能量大^[28]；在高频段17~20kHz，牛咬食和咀嚼声信号存在明显差异^[35]。总之，在特定频域范围内，咬食比咀嚼产生更多能量输出。

1.4 基于声信号的监测方法

依据不同牧食行为声信号的差异，综合运用语音信号处理技术、统计分类方法、机器学习算法和背景噪声弱化技术，声学监测方法可准确区分不同牧食行为。典型的牧食行为识别分类过程为:信号采集、预处理、特征提取、事件检测、事件分类、结果输出。信号采集时，除Clapham等^[35]将麦克风放置在家畜嘴巴侧面和Tani等^[36]将加速度传感器当做声信号采集传感器使用外，其余均安装在家畜前额向内处，用橡胶泡沫保护。预处理主要对原始信号进行背景噪声弱化、生成包络线等处理。特征提取是指寻找不同牧食行为声信号在时域、频域内独有的特征，例如平均强度、持续时间、信号包络线衍生特征等，以准确区分不同牧食行为。特征提取是整个识别分类过程的关键，除Laca等^[28]和Clapham等^[35]所用特征涉及到频域范围，其他研究多在时域中提取特征。事件检测指判断某段信号是否为牧食行为产生，是牧食行为识别分类的第一步。事件分类是指将判断为牧食行为产生的信号段分为咬食、咀嚼、咀嚼-咬食、反刍咀嚼等具体的牧食行为，是牧食行为识别分类的第二步。在事件分类中，目前没有一项研究将咬食、咀嚼、咀嚼-咬食和反刍咀嚼行为进行分类。

2000年以来已有较多利用声信号识别分类牧食行为的相关报道。Nelson等^[30]利用无线麦克风传感器和接收装置，远程遥测鹿的觅食、饮水和其他行为产生的声信号，人工识别分类，获得很高准确率，证明人工观测声信号可准确识别分类不同牧食行为。Laca等^[28]和Clapham等^[35]主要利用信号的频域特征变量识别分类牛的咀嚼、咬食行为，未关注咀嚼-咬食与反刍咀嚼行为。Laca等^[28]提取声信号的4个特征:总能量通量密度、各子频带中平均强度和峰值(频谱被均等划分成8份)、持续时间、平均强度和峰值，采用统计学分类方法进行分类，结果表明使用4个特征总误差为0.063，使用每个频带内的信号平均强度特征总误差为0.070。Clapham等^[35]根据高频段内牛咬食比咀嚼产生更大声能量的特点，使用SIGNAL软件对两者进行分类，准确率为95%；同时验证了动物之间的交叉干扰和背景环境噪声对此法的分类准确率没有影响。Milone等^{[32, 37]}将采食过程视为咀嚼、咬食和咀嚼-咬食3种行为的有序组合，结合语音识别技术，构建出一套包括隐型马尔科夫和二音素的采食行为识别分类模型。模型中，咀嚼、咬食和咀嚼-咬食为隐藏状态，声信号特征参数为显性状态，根据采集到的显性状态推断隐藏状态，实现采食行为的识别分类。在牛、羊的采食行为识别分类中，平均准确率为85.09%。此法准确率较高，但计算量高达万次^[31]，无法应用于嵌入式设备以实现实时监测^[33]。Tani等^[36]从误差角度提出一种模式匹配分类方法。其主要思路为建立采食咀嚼、反刍咀嚼行为声信号的标准样本，与待分类信号比较，依据差值大小将其分类为采食或反刍行为。同时研究了加速度传感器放置在牛头部不同位置时分类精度的变化，结果发现放在牛角最佳，分类精度达99%。实际应用时，此法因动物个体差异需重复标定阈值，推广应用存在一定难度。Navon等^[38]利用机器学习算法分离背景噪声，提出一种无需标定的动物下颌活动事件的识别算法。在不同背景噪声(弱、连续极强、断续强)下，对牛、山羊、绵羊下颌活动产生的声信号进行识别，准确率分别为94%、96%、83%。此算法通用性强，不限麦克风种类和安装位置、牧草种类和含水率、动物种类、背景噪声强弱，但只识别事件，并未进一步分类。Chelotti等^[33]基于采食过程中不同行为声信号包络线形状差异，提取包络线曲线导数正负符号改变的次数、平均强度、持续时间3个信号特征，利用统计分类法的规则识别分类不同采食行为，识别和分类事件的准确率分别为97.4%和84.0%。此算法计算成本仅为Milone等^{[32, 37]}算法的两千分之一，可运行于嵌入式设备中。Deniz等^[39]以其为核心，结合经验判别法，采用嵌入式微处理器、声音信号采集调理电路、GPS定位装置及太阳能板供电等设计了一套采食行为实时监测装置。在无噪声室内用语音库试验，发现装置能够实时监测采食行为，摆脱了传统的将声信号转移至计算机再处理的方式，识别、分类准确率较高。此装置采用太阳能板供电，延长了系统运行时间，但在噪声环境中的分类精度较低。Chelotti等^[31]进一步改进算法，在事件识别前增加去噪步骤，对比经验模态分解、最小均方滤波器、高通滤波3种弱化背景噪声方法的效果，并增加形状比率特征以提高分类精度。训练6种机器学习算法分类不同采食行为，用含有弱和强背景噪声的2种牧食语音库进行试验，结果表明，在综合考虑分类精度、计算成本和嵌入式设备易用性指标情况下，最小均方滤波器与多层感知器分类算法(multilayer perceptron，MLP)的组合性能最佳，此时分类准确率提高到89.75%，而计算量仅增加1倍。但是，该研究存在未识别分类反刍行为和未在真实草场环境下试验的缺憾。Vanrell等^[34]提出一种基于条件判断规则的采食和反刍过程识别分类方法，在功能上与Chelotti等^[31]的互补。其算法主要依据为:1)利用信号自相关参数，可判别采食和反刍过程；2)相对于采食，反刍声信号平均强度低、分布均匀、周期性强、信号中有周期性吞咽与反刍草料团产生的信号中断，据此可分辨两者；3)采食声信号中，咬食、咀嚼和咀嚼-咬食信号分布不均，三者差异较大。研究发现，信号输入-分割-分类前合并短信号段-长信号段分解-信号段分类-结果输出(简称RAFAR-MBBP)的信号处理流程效果最佳，此时事件分割准确率为96.2%，反刍和采食过程分类的准确率分别为89.1%和93.5%。Vanrell等^[34]虽提出不同采食行为声信号的区别，但并未对其细分；而Chelotti等^[31]所提算法只针对采食过程中的不同行为识别分类，因此两者有机整合所形成的算法功能才更完整，有望应用于PLP。Galli等^{[29, 40-41]}和Laca等^[28]研究了牧草特性、动物差异对声学监测方法准确率的影响，结果表明牧草的种类、高度和颗粒大小及形态近似的家畜个体不会显著影响声学监测的识别分类准确率，但牧草含水率会有影响。这表明以上各种分类方法可在形态近似的家畜和特定牧草含水率条件下，应用于家畜的牧食行为识别分类。

综上，基于声信号监测方法的牧食行为识别与分类研究虽然还处于试验阶段而未应用于实际草场环境，但已有适用于实时在线监测牧食行为的研究报道^[33-34]，为实际应用提供了理论和技术基础；下一步研究的重点在于建立一种通用算法，适用于不同牧草种类、含水率、动物种类、采集装置及麦克风类型，对全部牧食行为进行识别与分类；在草场实际应用时，需解决以下几个问题:

1) 环境噪声和动物交叉干扰影响分类精度问题；虽然Clapham等^[35]考虑了这种问题，且通过分析证明得出两者对其提出的识别分类方法准确率没有显著影响，但应注意到其方法是在高频条件下应用；对于其他情况，例如Chelotti等^[33]和Vanrell等^[34]所提算法，在牧场实际应用时，动物叫声、风声、机器声等环境干扰将会显著影响分类精度；因此最小化背景噪声干扰提高信噪比是一项十分重要的工作^[42]；Chelotti等^[31]研究了在信号调理环节增加背景噪声弱化处理前后对分类精度的影响，试验表明增加经验模态分解或最小均方滤波器弱化背景噪声后，分类精度得到显著提高；Laca等^[28]提出了一种多麦克风噪声对消方法:第1个麦克风固定在动物的前额上，记录下咀嚼、咬食和背景噪声；第2个麦克风靠近头部，但与头部没有直接接触，主要记录咬食和背景噪声，将其所得信号与第1个麦克风相减，可获得"干净"的咀嚼声信号；第3个麦克风安置在远离动物头部的背部，记录环境噪声，利用其消除另2个麦克风所采集信号中的噪声；宣传忠^[42]提出一种改进的小波去噪方法，有效弱化了羊舍中的风机、饲喂设备等背景噪声，在强背景噪声干扰条件下仍能取得高分类精度；Navon等^[38]虽然提出一种利用机器学习算法分离背景噪声的方法，但文中并没有具体阐述；此外，增加过滤棉球也可以有效弱化背景噪声；

2) 系统供电问题。电池供电时间直接决定系统运行时长。大容量可充电电池连接太阳能充电板是一种理想的供电方式^[34]。一种思路为将柔性太阳能充电板贴附在家畜项圈外壁或穿戴到身体上，在家畜牧食时，太阳能电池板随时补充消耗掉的电量。市场上也有将太阳能内板和定位器集成到一起的定位装置。此外，设计易于电池更换的装置也很重要，便于在监测系统提示电量不足时更换电池。

3) 数据获取问题。人工方式获取采集的牧食行为数据，工作量大，不便于操作。数据的无线传送弥补了以上不足，一定范围内可用蓝牙、Zigbee等，远程可通过GPRS、4G等将数据上传至服务器，当终端需要时从服务器下载。前者可在家畜回圈时统一获取数据，但不能实时监测。若使用后者，当牧场网络质量差甚至断网情况下，应将数据保存在预置大容量存储单元内，当系统检测到网络质量良好时，将存储单元内的数据依次上传，谨防数据丢失。此外应注意现场采集的声信号数据量太大，不便于实时传输和保存，若嵌入式设备能够实时将语音信号分类为对应牧食行为，可大幅度缩小数据传输量和存储压力。

4) 算法运算成本问题。嵌入式处理器运行能力有限，识别分类算法计算成本过高将无法实现实时处理，甚至出现数据丢失造成更大误差。除Chelotti等^{[31, 33]}考虑计算成本外，其他研究未见进行计算成本的核算。同时，好的算法应综合考虑分类精度、计算成本及嵌入式设备易用性等指标。

2 采食量的估测

采食量直接影响家畜成长速度，指示家畜生理健康状况，准确估测采食量对及时发现患病个体和调整家畜膳食具有重要意义。舍饲条件下，定量饲喂或衡量饲喂前后草料质量差异可准确估测家畜进食量。放牧条件下，家畜直接采食草场牧草，测定采食量比较困难，这一直是草原生态和动物营养研究者关注而又棘手的问题^[43]。

2.1 传统人工估测方法

多年来，众多学者提出许多估测放牧家畜采食量的方法，可分为直接法和间接法^[44]。直接法有2种:1)牧草差分法。在家畜牧食前后获取具有代表性小区域面积草场的牧草质量差异，以此推算整块草场被采食的状况，即依据样本估测总体^[45]。若放牧周期短(最多1~2d)、放养率高(理想情况下，草场内所有的草都必须被均匀采食)，牧草差分法应用方便，结果可靠。若放牧周期较长，则需考虑牧草的再生长影响^[46]。2)体质量差分法。在家畜无排泄行为的短期内(例如1h内)，将其牧食后体质量增加量视为采食量。长期时需考虑排泄和运动消耗影响。

间接法有5种:1)标记法。测定家畜排泄粪便中天然不可消化的植物成分含量，如木质素、烷烃或不溶性灰，参照天然植物中的含量，以此估测采食量。Mayes等^[47]提出的正构烷烃法是估算放牧条件下采食量的最佳方法。该方法基于测定植物和粪便中天然烷烃和合成烷烃的浓度，以此估算采食量，其精度较高，应用广泛^[48-49]。2)比例法^[21]。比例法利用饲料消化率和粪便产量推算采食量。无论标记法或比例法，牧草的取样必须具有代表性，否则会产生较大误差。3)模拟采食法。人工模拟家畜咬食牧草以估测采食量。此法测量的准确性取决于操作人员的观察和模仿家畜采食的相似程度^[50]。4)微观组织学分析法^[51]。对粪便或胃肠道中的植物残留物进行微观组织学分析进而估算采食量，需宰杀家畜，精度不高。5)近红外光谱法(NIRS)。它依靠参考数据库，将采集的近红外光谱数据与通过试验测量得到的化学或生物成分含量等值对应起来以实现采食量估测^[44]。最新的NIRS技术通过检测家畜粪便，能够实现家畜消化率、进食量和饮食特点的检测，且精度高。但此法所用分析设备昂贵，需开发大型参考数据库且必须持续更新，是广泛应用的主要限制因素。

以上方法在一定条件下具有较高的检测精度，但存在应用成本较高、费时费力，无法实现自动远程监测^[52]和满足PLP的发展要求。

2.2 自动检测方法

牧食过程中动物和牧草相互作用，产生声音信号。利用声音信号不仅可以监测牧食行为，且能估测采食量。牧食行为相关的参数，比如咬食次数、咀嚼次数和反刍次数等，称作行为变量；声音信号相关的参数，比如声信号能量，称作声学变量。行为变量和声学变量简称为特征变量。利用特征变量估测采食量时，需考虑牧草种类、高度、含水率、颗粒大小等影响因素；还需考虑动物种类、体质量、头部大小、牙齿、头部组织结构等影响因素，这样建立的预测模型方法具有普遍性、信服性和高精度。根据各种自动检测方法依赖的主要变量类型的不同，可分为行为变量法和声学变量法。

2.2.1 行为变量法

行为变量法主要利用采食过程中咬食行为相关变量，例如采食时间、咬食速率和单口咬食量等以估测采食量^[44]。行为变量可通过1.4节中所述声学方法监测牧食行为得到，也可以通过其他方式。例如，Umemura等^[53]利用集成摆钟传感器的项圈检测牛的咬食次数，线性回归预测进食量。田富洋等^[13]依据奶牛在采食、反刍和吞咽时颞窝部位振动频率不同，利用开关式传感器获取奶牛吞咽次数，以此估算奶牛采食量，精度较高。Campos等^[54]采集放置在山羊咬肌上电极的电信号，提取特征变量线性回归预测山羊采食多种草料的纤维进食量，准确率超过86.7%。Oudshoorn等^[55]利用加速度传感器监测牛的采食时间、咬食频率，使用能量需求方法估算采食量，在动物连续采食条件下获得最佳采食量预测精度，每头牛误差为±1.3kg·d^-1。Pahl等^[18]研究了利用饲喂和咀嚼时间估测进食量的可行性。研究中将饲喂前后饲料质量差当做进食量的参考值，用MSR-ART压力传感器行为监测装置检测咀嚼行为及其时间。结果表明鲜物质进食量和饲喂、咀嚼时间的相关性系数分别为0.891、0.780。

以上研究中，采食时间和咬食速率可自动/人工测量，方法多样，精度高。但单口咬食量受牧草特征(草高和单位体积密度)影响^[28]，测定存在一定困难。Carvalho等^[56]提出一种单口采食量测定公式:单口咬食量=咬食面积×咬食深度×牧草密度。在牧草密度和高度近似的草场环境下，使用经验数值法可以短期内精准估算采食量，但复杂草场环境下会产生较大误差，推广应用存在困难。此外，单口采食量的测定还与家畜个体特征(咬食面积、咬食深度)有关。同一批次的家畜在形态、年龄等方面具有极大相似性，个体差异影响不显著。质量较好的草场，其牧草种类相同、密度均匀、高度相似，牧草差异影响不显著，应用行为变量法精度较高。若用在天然草场特别是荒漠化草原中，牧草差异较大，需自动检测牧草特征参数，精度低，难度大。综上，单口咬食量的准确测定是行为变量法应用的一项巨大挑战^[21]。单独使用行为变量预测采食量往往不能得到满意的结果，但在其他预测模型中加入行为变量能有效提高模型预测的准确性^{[52, 57]}。

2.2.2 声学变量法

声学变量法主要利用采食过程中咀嚼行为产生的声信号相关变量，例如咀嚼次数、咀嚼声信号的总能量通量密度，结合行为变量、时间变量等以估测采食量。一般而言，咀嚼行为的声信号包含的信息比咬食行为更丰富^[28]。

Laca等^[28]从小公牛采食种类相同但高度不同的人工牧草时咀嚼行为产生的声信号中，提取5个咀嚼声信号相关的特征变量线性回归预测干物质进食量(dry matter intake，DMI):①总能量通量密度(chew energy flux density，EFDC)；②频域内1~2kHz频带的平均强度；③频域内2~3kHz频带的平均强度；④单次咀嚼产生的平均咀嚼能量密度；⑤单口咬食产生的平均咀嚼能量通量密度。结果表明:①②③④或②③④⑤预测采食量的准确率高达88%；DMI与EFDC具有极高的线性相关性。经分析，尽管因牧草高度不同引起家畜单口咬食的DMI为1.37~4.5g，但单位DMI产生的EFDC基本保持不变，利用EFDC可准确估测DMI。此外，EFDC包含咀嚼声强度和持续时间的信息，而持续时间可作为有效的预测因子也在Pahl等^[18]和Oudshoorn等^[55]研究中得到证实。尽管Laca等^[28]研究发现利用EFDC可估测DMI，但其试验中只考虑牧草高度这一单一因素，不具有普遍性。Galli等^[41]的试验考虑了更多牧草特性因素，如植物种类(2种)、含水率、喂入量及牧草颗粒大小。提取10个特征变量，多元回归估测DMI，结果表明:1)DMI中66%的变化由EFDC引起，但鲜、干牧草回归线的斜率不同，鲜牧草单位DMI产生的声能比干牧草多28%。2)单位咀嚼声能量密度(EI)包括咀嚼声信号幅值、咀嚼声持续时间(TCC)和单位干物质咀嚼次数(CI)3个分量。咀嚼声信号幅值解释了EI的最大变异，鲜牧草的EI比干牧草高21%，而TCC和CI对EI有显著且相似的影响，TCC不受各种因素影响，CI则不然。3)利用行为和声学2种变量，可准确预测DMI。其中EFDC、咀嚼次数、牧草含水率是最有效的预测变量。4)本试验中没有证据表明牧草的种类、喂入量和颗粒大小显著影响EFDC预测DMI的精度。Galli等^[41]研究发现，牧草含水率对预测结果有重要影响。根据水分位于牧草细胞壁不同位置，含水率可分为内部含水率和外部含水率。鲜草和干牧草之间的差异几乎由内部含水率决定，部分咀嚼声由细胞破裂和内部水分的挤压产生。含水率对鲜、干牧草影响不同。鲜牧草中，较高内部水分和膨胀增加单位DMI声能量；干牧草和其他干饲料中，较高外部水分会软化饲料脆性，降低单位EFDC。牧草在不同生长阶段内部含水率不同；不同放牧时间(例如早、中、晚)，牧草的外部含水率也不同。因此牧草含水率对于声学方式下的采食量预测影响显著，具有很强的挑战性。Galli等^[29]在暂不考虑含水率因素，只考虑牧草种类和高度的条件下，对综合利用声学变量和行为变量估算DMI的准确性进行了研究。结果发现声学变量比行为变量准确；估测DMI的最佳声学变量依次为EFDC、咀嚼时间，而最佳行为变量为咀嚼次数。Galli等^[40]使用2种变量估算DMI得到最佳模型，变量包括:EFDC、咬食强度、EFDC/咀嚼次数、咀嚼强度、EFDC/咬食次数，此时相关系数(R²)为0.92，变异系数(CV)为18%。同时发现，尽管鲜、干牧草含水率有所差异，但EFDC与DMI仍然呈线性关系；用行为变量法和声学变量法同时估测DMI时，进食量对估测结果没有影响^[40]。

综上，在一定牧草含水率和具体动物个体条件下，行为变量和声学变量相结合可准确估测DMI。现有报道中，试验对象均为体态、年龄相仿家畜，没有研究表明家畜的种类、年龄、质量、头部尺寸、牙齿和头部结构是否影响DMI的预测，也没有研究表明不同牧草含水率的具体影响。

2.3 多变量预测模型

除传统人工和自动检测方法外，综合利用草场气候、环境、饲喂、动物个体等相关特征变量也能预测采食量。例如Rombach等^[52]收集与动物个体差异特征、牧食行为特征、表现特征和补给饲料特征相关的4类特征的52个变量，以个体差异特征和表现特征变量为基础，添加或舍弃牧食行为特征变量(10个)、补给饲料特征变量(2个)，建立了4种DMI多元回归预测模型。研究中利用正烷烃和RumiWatch行为监测系统分别检测采食量和牧食行为(咬食、咀嚼)作为参考值或特征变量。结果表明:使用全部特征变量时误差为11.1%，此时增加牧食行为特征变量不能降低模型误差；不使用补给饲料特征变量时，增加牧食行为特征变量能够有效降低模型误差；单独使用牧食行为变量不能准确预测DMI。除这种预测方法外，还有经验预测法、机械理论预测法等，它们从考虑影响家畜进食量的诸多因素的角度来预测采食量，在Galyean等^[58]的研究中进行了详细的总结归纳。在实际应用中，多变量数据的采集存在一定难度。

3 采食量时空分布模型 3.1 单只家畜采食量时空分布模型

放牧家畜采食量时空分布指家畜在单位放牧周期(日、月)内，不同时间、地点采食牧草质量的分布情况，可反映草地放牧强度和家畜采食特点，常用于分析动物和环境的相互影响。

Rutter等^[59]发现全球定位系统可以用来追踪放牧家畜并确定其活动区域。Akasbi等^[60]利用带有定位功能的项圈，研究山羊群每日的运动轨迹和草地放牧强度的季节变化，以及采集位置数据的频率对预测羊群每日行走距离的影响及放牧强度与距离的关系，计算了聚落周围区域的放牧强度。汪传建等^[1]根据放牧家畜的位置数据，拟合出放牧路径曲线，以路径曲线为中线向两侧扩展一定宽度(缓冲区)，拟合出畜群采食区域曲线带；结合GIS地理信息数据，以网格细分采食区域；将定量进食量按家畜在每段放牧路径曲线上所耗时间占总时间的比例，划分到采食区域曲线带上，形成具有采食量和时间属性的家畜放牧路径曲线带，也即畜群采食量时空分布图。

以上研究中，利用位置数据拟合放牧曲线，将放牧曲线当做采食曲线，忽略了放牧曲线中家畜的非采食过程。鉴于此，Anderson等^[61]利用位置数据拟合肉牛的放牧路径曲线，且从中提取运动速度特征，依据放牧过程中不同活动状态下肉牛运动速度的差异，将各段放牧曲线分类为静止、牧食和行走等。不同于Anderson等^[61]仅采用单一速度特征，Williams等^[62]从中提取多种特征训练机器学习算法来区分静止、采食和行走行为。两者已经注意到从放牧曲线中挖掘出实际牧食曲线。单利用位置数据仅可以准确区分家畜运动状态，对于牧食行为始终无法精确识别。因此，将牧食行为和采食量监测技术共同应用到家畜采食量时空分布监测中，才能获得精确的采食量时空分布模型。

在应用牧食行为和采食量监测技术条件下，可以建立更加精确的模型。参考前述牧食行为和采食量监测方法，有3种思路:1)选用任一种牧食行为自动监测技术，将定量采食量按家畜在不同时空咬食次数占总次数的比例，或采食时间占总采食时间的比例，分布到采食路径曲线上。2)依照在不同时空咀嚼声能量占总咀嚼能量的比例，将定量采食量按比例分布到采食路径曲线上。3)综合利用行为和声学变量，实时监测家畜特定时空范围内采食量，作为路径曲线的附加属性。以上各种思路中，第1种思路的方法简单，技术成熟，虽然精度难以保证，但是相对于单纯依靠位置数据建立的采食量分布模型依然具有较大进步。后2种思路，在理论上精度较高，但技术方面还存在一些尚未解决的问题。3种思路的优劣有待于试验验证。

无论以上哪种思路，都应注意到单只家畜定点短时站立采食时，其影响范围是一定宽度的扇形，随时间推移，扩展为曲线带，带宽等于家畜站立时可左右采食最远牧草之间的距离。实际应用时，鉴于定位装置精度的原因，可将其简化为单条曲线。综上，能够得到以时间为基本轴线，包含单只家畜位置信息、运动状态信息、牧食行为信息、采食量信息、采食量时空分布信息的曲线带。

3.2 畜群采食量时空分布模型 3.2.1 放牧区域的拟合

单次放牧活动中，单只家畜的放牧区域为一条曲线带，故畜群为与其数量对应的多条曲线带，这种方法无疑十分精确，可作为畜群放牧区域的标准参考值。但实际应用时，需要数量庞大的数据采集装置，费用昂贵且不便于管理。监控畜群的部分家畜(以下简称子群)而不是整个畜群的方法可降低成本，节省劳动力。利用子群放牧路径曲线拟合整个畜群的放牧区域也是一个难题，相关研究较少。Liu等^[63]研究了不同数量子群对表征整个畜群平面区域占用率的影响。研究中利用核密度估计法拟合平面区域占用率，具体为基于家畜位置数据点，拟合出基于位置点的内核光滑曲面函数^[64]，函数在每个位置点时值最大，随距离增加函数值递减，边界时为零。结果表明，如仅为观察家畜活动区域，一个十分小的子群就足以确定畜群到访的区域，原因为家畜是群体性动物^[65]，活动规律相同^[66]。而若想要准确表征畜群平面空间占有率，建议使用较大的子群(子群占畜群总数75%以上，此时精度在95%以上)。王伟强^[67]使用牧食曲线向两侧扩展一定宽度，形成矩形带的方法拟合畜群的采食区域。这种方法中安装定位装置家畜的具体数量未见说明，试验的验证是采用相对比较方式进行，未设置标准参考值。

鉴于反刍家畜是群居动物，采食时相互靠近、相对密集^[38]，适当数量比例的子群放牧曲线包络线形成的封闭区域也具有准确拟合畜群放牧区域的潜力，最优数量比例还需进一步试验确定。

3.2.2 采食量时空分布模型

鉴于畜群牧食活动同步，一定数量比例子群可准确表征畜群活动状态^[68]，因此可通过子群运动特征(形心速度)^[63]和牧食行为推测整个畜群的放牧状态(采食、行走、卧息、反刍)和采食量。建立畜群采食量时空分布模型，一种思路为监测子群单位时间内采食牧草总量，得到单只家畜平均采食量，再乘以总畜数量得到畜群的总采食量。将总采食量平均分布到拟合的采食区域内，得到单位时间内畜群的采食量时空分布。随时间推移，可得到单次放牧过程的畜群采食量时空分布。单次放牧曲线带上包括畜群位置、运动状态、牧食行为、采食量、采食量时空分布等信息。当畜群处于非采食状态时，其采食量为零。在单个放牧周期(如每日)中，叠加多次放牧过程的采食量时空分布图，形成单群单日畜群的采食量时空分布图，再叠加后，即可形成多群多日畜群采食量时空分布图。

基于畜群采食量时空分布图，可充分分析家畜牧食活动对草地环境的影响，为制定最小环境影响和最大家畜生产力的轮牧管理方案提供基础数据支持。

4 研究展望

近年来国内已有学者利用声信号开展畜禽叫声识别分类^[42]、禽类声信号与采食量检测^[69]、舍饲条件下家畜进食行为识别分类^[6]的相关研究，但放牧条件下家畜牧食行为及采食量的研究鲜有报道。综合国内外研究现状，如下几个方向可能将成为未来研究重点:

1) 牧食行为监测。目前基于声信号监测家畜牧食行为的算法及相应的嵌入式装置已有报道^[33-34]，但尚未应用到实际环境当中。下一步应重点研发可应用到草场环境条件下的实时在线监测设备。

2) 采食量监测。行为变量和声学变量能够准确估测采食量已经得到证实，且建立了较为精确的预测模型。牧草特性对模型的影响基本清晰，但动物个体差异和牧草含水率的影响尚未充分研究。下一步重点研究两者的具体影响，并根据EFDC、咀嚼次数、咀嚼时间等变量建立一种可应用于嵌入式设备的采食量实时估测算法，以完善家畜牧食信息的监测。

3) 畜群采食量时空分布模型。基于位置数据的简易畜群采食量时空模型已经建立，但并未利用牧食行为和采食量检测技术，畜群放牧区域拟合的报道也较少。应重点研究拟合畜群放牧区域的最佳拟合方法，以及建立精准的畜群采食量时空分布模型。

4) 声学监测方法与其他监测方法的结合研究。声学监测方法能够监测动物的情绪、进食和交流等，与其他检测方法的结合，将更全面地监测动物的生理、心理状况。比如机器视觉能够自动检测动物体尺信息，动态称量技术能够在动物无应激情况下测量其体质量。声学监测方法与两者的结合，将有望建立动物进食-生长模型。

综上，声学监测不仅可实现放牧家畜牧食行为的监测，同时还可监测采食量，结合定位器、加速度传感器、电子信息技术等，可实现放牧家畜牧食信息的实时在线监测。这无论对于牧区草畜平衡问题的解决，还是PLP的实施都具有重大的价值。