综述：肉牛的日常行为放牧行为模式：连续放牧与利用虚拟围栏实现的条带式放牧

《Veterinary and Animal Science》：Daily behavioral grazing patterns of beef cattle: continuous stocking grazing vs. strip grazing managed by virtual fencing

　　安德烈亚·康费索雷（Andrea Confessore）| 奇亚拉·阿奎拉尼（Chiara Aquilani）| 玛丽亚·基亚拉·法布里（Maria Chiara Fabbri）| 皮埃尔·阿蒂利奥·阿科西（Pier Attilio Accorsi）| 卡罗丽娜·普利亚内塞（Carolina Pugliese）
佛罗伦萨大学农业、食品、环境与林业系（DAGRI），意大利佛罗伦萨卡斯奇内街5号（Via delle Cascine 5），50144

**摘要**
虚拟围栏是一种利用GNSS项圈管理放牧牛只的创新技术。当动物接近虚拟边界时，项圈会发出音频警告；如果警告被忽视，则会施加电脉冲作为厌恶刺激。本研究评估了不同的放牧管理系统以及虚拟围栏的使用是否会影响利穆赞奶牛在季节性放牧条件下的日常行为模式。实验中将每组13头奶牛分别置于以下两种管理方式下，持续36天：
i) 连续放牧（CSG），即在15公顷的牧场上持续放牧；
ii) 条带放牧（SG），使用Nofence?项圈根据饲料可用性逐步扩大放牧区域（共进行五次边界调整，分别为P1–P5）。每头奶牛均佩戴Allflex?智能耳标，用于记录其放牧、反刍和休息时间。数据分析采用广义线性混合效应模型，固定效应包括分组（CSG、SG）、时间阶段（P1–P5）和时间段（00:00–04:00、04:00–08:00、08:00–12:00、12:00–16:00、16:00–20:00、20:00–00:00），协变量包括行走距离、温度和妊娠天数。此外，还分析了毛发皮质醇含量作为慢性压力指标。

**结果**
发现虚拟围栏管理的条带放牧组在放牧时间、反刍时间和休息时间上与连续放牧组没有显著差异。然而，条带放牧组奶牛在夜间和傍晚的反刍行为更为频繁，而连续放牧组则相反。虚拟围栏技术在不改变生理行为或增加慢性压力的前提下，有助于优化牧场管理。

**1. 引言**
在许多牛肉生产地区和国家，放牧系统对牛犊系统的生存至关重要。例如，在欧洲，牛肉生产模式通常包括以草地为基础的哺乳期阶段，随后是集约化的育肥阶段。在集约化育肥系统中，牛通常被圈养并主要喂食浓缩饲料。而在一些地区，育肥阶段完全依赖牧场，尽管不同草基系统的效率存在差异（Claire等人，2021年）。因此，推广基于牧场的育肥系统对于满足日益增长的动物福利需求和消费者偏好至关重要，同时减轻饲料与人用食物资源之间的竞争。此外，良好管理的牧场系统对生态系统服务具有显著贡献（Wróbel等人，2023年）。从牧场利用的角度来看，高效的牲畜放牧管理对于减少过度放牧、防止牧场退化以及提供足够的恢复时间至关重要（Wang等人，2022年）。更合理的放牧系统（如轮牧或条带放牧）在承载能力和饲料利用效率方面具有优势（Sollenberger等人，2020年）。例如，Davies-Jenkins等人（2024年）发现条带放牧相比连续放牧可提高每公顷的承载能力和产毛量。从传统连续放牧转向轮牧系统还能改善多物种牧草作物的土壤健康（Harmel等人，2021年）。然而，建造、移动和维护围栏的较高成本可能阻碍农民采用这些技术（Du等人，2023年）。

因此，利用监测牛只行为并便于放牧管理的新兴技术可以提高系统效率，同时促进生产力、动物福利和环境可持续性（Greenwood，2021年）。特别是通过控制动物位置和放牧行为，并持续监测动物福利，农民可以在异常行为发生时立即得到警报并采取干预措施（Aquilani等人，2022年）。虚拟围栏系统是其中最有前景的技术之一，它实现了放牧管理的实时自动化，降低了人力和材料成本（Goliński等人，2023年）。该系统通过GNSS项圈实时监控牛只位置，并通过项圈传递厌恶刺激来实现放牧行为的控制。当动物接近虚拟边界时，首先会听到音量逐渐增大的警告声，若继续越界，则会受到电脉冲刺激。多项研究表明，虚拟围栏在限制牛只活动方面非常有效，且动物能快速适应该系统（Confessore等人，2022、2024年；Harland等人，2025年）。针对肉牛的研究显示，虚拟围栏系统未影响动物的福利状态。例如，Harland等人（2025年）的研究发现，使用虚拟围栏的奶牛99%的时间都在指定区域内活动；Confessore等人（2022年）发现利穆赞奶牛接收电脉冲的频率随时间逐渐降低，且长期压力未见明显变化（通过毛发皮质醇含量评估）。相比之下，物理围栏对行为和福利指标无显著影响（Hamidi等人，2022年；Fuchs等人，2024年；Verdon等人，2021b年）。

**2. 材料与方法**
**2.1. 研究区域与气候条件**
研究于2024年4月至6月初在意大利博尔戈圣洛伦佐（Borgo San Lorenzo）的一片约33公顷的播种牧场进行（坐标43°57′12.3″N 11°20′55.4″E）。该牧场种植了适合当地土壤和气候条件的草类及豆科植物混种。主要物种包括Lolium sp.、Dactylis glomerata、Festuca arundinacea、Trifolium pratense、Trifolium repens和Lotus corniculatus。牧场中还存在其他植物家族的自生草本植物，丰富了生态多样性。温度数据来源于托斯卡纳地区的气象站（SIR，Servizio Idrologico Regionale，https://www.sir.toscana.it/）。实验期间平均气温从第1周的13℃（4月22日至29日）升至第5周的18℃（5月20日至29日），未出现热浪。

**2.2. 动物与传感器**
实验使用了26头利穆赞肉牛。实验前，这些牛被饲养在开放式自由栏舍中，可自由进入室外区域。牛的年龄介于5至14岁之间（平均9±2岁）。所有牛在实验开始时均处于妊娠期，妊娠天数在62至275天之间。根据年龄和妊娠天数将牛分为两组：CSG组和SG组。实验期间，CSG组有5头牛产犊，SG组有1头牛产犊。所有牛均佩戴Nofence?虚拟围栏（挪威生产）。实验期间使用SenseHub? Beef系统监测动物行为，该系统包括安装在每头牛左耳上的SCR eSense（Allflex）耳标，内置加速度计可检测三种行为：
- 放牧（牛嘴或舌头接触生长中的草，可能伴有咀嚼动作）；
- 反刍（下巴的节奏性圆周运动）；
- 休息（动物静止不动，不反刍）。

**2.3. 实验设计**
实验区域分为两块牧场（牧场1和牧场2），分别用于安置两组妊娠期的利穆赞肉牛（CSG组13头，SG组13头），两组之间设有90米的缓冲区（图1）。两者在地上生物量、植物组成和主要草本植物数量上相当（表S1）。

**3. 结果分析**
虚拟围栏并未改变奶牛的日常行为模式，包括放牧、反刍和休息时间。虽然SG组奶牛在夜间和傍晚的反刍频率更高，但总体行为未见显著差异。与物理围栏相比，虚拟围栏未增加慢性压力（通过毛发皮质醇含量验证）。

**4. 结论**
虚拟围栏技术在不影响奶牛福利的情况下，优化了放牧管理和生产效率，适用于不同年龄段的牛群，适用于不同类型的牧场结构。未来研究可进一步探讨其对肉牛日常行为模式的影响。蓝色线条表示为每个放牧期（P1至P5）设计的虚拟边界。粗饲料产量（AGB）的评估方法遵循了Bellini等人（2023a）描述的方法。简而言之，在牧场1的四个采样点和牧场2的四个采样点随机放置了1平方米的围栏。草被剪到地面水平，新鲜样本在60°C的强制通风烤箱中干燥以确定干物质产量。在剪草之前，每个采样点的植物组成被分类为草本植物（禾本科）、豆科植物和非草本非豆科草本植物，并以总生物量的百分比表示。整个放牧季节的平均干AGB在牧场1为886.5公斤/公顷，在牧场2为896.8公斤/公顷。草本植物、豆科植物和非草本非豆科草本植物的平均比例分别为牧场1的45.8%、38.3%和15.8%，牧场2的57.5%、23.8%和18.8%。总体而言，两个牧场的饲料可用性和植物组成大致相似，这表明动物行为的主要差异不太可能主要由饲料特性驱动。

CSG组在牧场1采用传统的连续放牧管理模式，在研究的整个期间放牧了大约15公顷的土地。而SG组则根据条带放牧管理方法进行管理（“Grazing Management”，2023）。这种管理方式的典型特点是使用后退式围栏，以确保动物能够持续接近不可移动的水源。每周通过移动虚拟边界来逐步扩大SG组的放牧区域，从而实现了五次放牧区域的扩张，这些扩张被定义为不同的放牧期（以下简称P1至P5）。放牧区域的面积根据放牧消耗和生产率进行估算，在P1时期为4.5公顷，到P5时期的最后一个虚拟边界变化时增加到14公顷。在两个牧场之间设立的缓冲区防止了任何潜在的视觉或听觉干扰。

关于SG组的数据处理，通过耳标传感器每小时收集一次放牧、反刍和休息的行为数据。每个记录代表每头牛的一小时观察结果，行为时间以分钟为单位表示。为了改善数据分布的规范性以便模型拟合，并将这些行为与一天中的关键时间段联系起来，数据按4小时间隔进行处理，即汇总该时间段内的每个行为发生的分钟数。这样得到了六个时间段：00:00–04:00、04:00–08:00、08:00–12:00、12:00–16:00、16:00–20:00和20:00–24:00。随后，数据被分配到相应的放牧期（P1至P5）。

虚拟围栏 collar 的数据可按需从 Nofence 系统下载。每条原始数据记录包含每头牛每15分钟的带时间戳的 GNSS 位置（纬度和经度）。此外，每当 collar 发送刺激时，也会记录一个带时间戳的 GNSS 位置（此数据未包含在内）。对于 SG 组，还提取并处理了每个放牧期间每个时间段的电脉冲数据。对于 CSG 组，collar 数据仅用于追踪 GNSS 位置。实验期间每头牛移动的距离是通过使用 geosphere R 包（Hijmans 等人，2025）计算连续 GNSS 位置之间的欧几里得距离来确定的。然后将累计距离以米为单位分配到每个放牧期的每个时间段。

为了评估实验期间两组动物慢性压力暴露的差异，通过检测毛发样本中的皮质醇含量来进行评估。实验开始时（2024年4月22日），从每头牛的额头采集大约5厘米宽的毛发样本。实验结束后一周（2024年6月5日），在同一区域重新采样，以便充分捕捉到毛发的再生情况。每个样本都存储在避光处并随后进行分析。皮质醇（17-α-羟基皮质酮）浓度通过 RIA 方法测定，该方法基于3H-类固醇的竞争性吸附结合（Accorsi 等人，2008年描述）。所有浓度均以 pg/mg 的头发重量为单位表示。

数据处理和统计分析使用 R 软件 v. 4.2.2（R Core 团队，2021）进行。分析从耳标收集到的每头牛在实验每一天（即第1天至第38天）的重复观察数据，以评估两组之间的行为差异。我们的因变量是放牧时间、反刍时间和休息时间，以每天4小时时间段内的总分钟数表示。构建了具有固定效应的广义线性混合效应模型，固定效应包括组别（两个水平：CSG 和 SG）、放牧期（五个水平：P1至P5）、时间段（六个水平：00:00–04:00、04:00–08:00、08:00–12:00、12:00–16:00、16:00–20:00 和 20:00–24:00）及其三重组合。此外，还纳入了移动距离的效果，以及每头牛的日均温度和妊娠天数作为额外协变量。动物数据和实验天数作为随机效应。来自耳标的活动预算数据使用高斯似然分布进行建模。

对于 SG 组的分析，每个放牧期间4小时间隔内的电脉冲总数通过拟合负二项式广义混合效应模型来建模，固定效应包括放牧期（五个水平：P1至P5）、时间段（六个水平：00:00–04:00、04:00–08:00、08:00–12:00、12:00–16:00、16:00–20:00 和 20:00–24:00）及其两组合。此外，还加入了动物的随机效应和实验天数。为了评估实验期间分娩事件对动物的潜在影响，在实验前一周，SG 组的动物在一个单独的围场内按照 Nofence 培训协议（https://www.manula.com/manuals/nofence-as/master-user-guide/1/en/topic/learning）进行了系统训练。

由于 EarTag 传感器的数据缺失，CSG 组中有3头牛的记录从数据集中被删除。

**结果**
3.1. **动物行为**
广义线性混合效应模型对动物活动预算的输出结果显示在表1中。所有三种行为中，时期、组别和时间段的三重交互作用都显著。影响动物时间预算的主要因素是时间段和放牧及休息行为的效果。对于协变量，移动距离对所有时间预算变量都有显著影响，温度对反刍和放牧行为也有影响。组别效应（CSG 对 SG）从未显著。

表1. 广义线性混合效应模型输出，显示了每个4小时时间段的反刍、放牧和休息的总分钟数。模型评估了时期（P1至P6）、组别（CSG 和 SG）、时间段（00:00–04:00、04:00–08:00、08:00–12:00、12:00–16:00、16:00–20:00、20:00–24:00）及其三重组合的效果，以及每头牛的日均温度和实验期间的移动距离。报告了自由度（DF）和卡方值（Chisq）。显著性水平表示为 * P < 0.05、** P < 0.01 和 *** P < 0.001。

| 因变量 | DF | Chi-square | p-value | Signif. |
|-------------|--------|---------|--------|---------|
| 反刍 | 18 | 27.80 | < 0.001 | *** |
| 时期 | 49 | 9.91 | 0.058 | |
| 组别 | 11 | 1.14 | 0.240 | |
| 时间段 | 52 | 30.68 | < 0.001 | *** |
| 温度 | 15 | 10.01 | 0.0167 | * |
| 距离 | 15 | 6.00 | 0.0180 | * |
| 妊娠天数 | 10 | 0.02 | 0.083 | |
| 时期 × 组别 | 43 | 3.27 | < 0.001 | *** |
| 时期 × 时间段 | 20 | 24 | 2.68 | < 0.001 | *** |
| 组别 × 时间段 | 51 | 15 | 5.28 | < 0.001 | *** |
| 放牧 | 13 | 47.20 | < 0.001 | *** |
| 时期 | 48 | 6.19 | < 0.001 | *** |
| 组别 | 10 | 2.22 | 0.634 | |
| 时间段 | 59 | 79.71 | < 0.001 | *** |
| 温度 | 15 | 13.65 | < 0.001 | *** |
| 距离 | 12 | 13.93 | < 0.001 | *** |
| 妊娠天数 | 10 | 0.02 | 0.870 | |
| 时期 × 组别 | 43 | 3.12 | 0.536 | |
| 时期 × 时间段 | 20 | 32 | 6.74 | < 0.001 | *** |
| 组别 × 时间段 | 51 | 15 | 5.88 | < 0.001 | *** |
| 休息 | 13 | 47.20 | < 0.001 | *** |
| 时期 | 43 | 9.61 | < 0.001 | |
| 组别 | 11 | 1.08 | 0.298 | |
| 时间段 | 52 | 26.92 | < 0.001 | *** |
| 温度 | 10 | 0.84 | 0.355 | |
| 距离 | 11 | 14.28 | < 0.001 | *** |
| 妊娠天数 | 10 | 0.01 | 0.870 | |
| 时期 × 组别 | 41 | 12.24 | 0.0157 | * |
| 时期 × 时间段 | 20 | 31 | 11.77 | < 0.001 | *** |

图2显示了所研究变量之间的相关性。无论管理方式如何，放牧行为都与反刍和休息行为呈负相关，而反刍和休息行为与移动距离和4小时/平均温度呈负相关。相反，放牧行为与移动距离和4小时/平均温度呈正相关。

图3报告了两个实验组在不同放牧期和每个时间段内的放牧活动。两组动物在12:00–16:00期间的放牧活动估计均值最高；这些数值在P1期间为71.64 ± 36.18分钟/4小时，在P4期间达到最高，为106.55 ± 37.85分钟/4小时。相比之下，16:00–20:00和20:00–00:00时间段是最不受欢迎的放牧时间，P1期间的活动水平最低，为6.38 ± 10.55分钟/4小时，而在P5期间达到最高，为53.87 ± 26.56分钟/4小时。

图4显示了每个实验组在每个放牧期间和时间段内的放牧时间（以分钟/4小时为单位）。条形图表示中位数（中心线）、四分位数范围（箱子）以及延伸至1.5 × IQR的须状线。灰色点表示组间边际均值对比的显著性：*P < 0.05、** P < 0.01 和 *** P < 0.001。

通过对比每个时间段内的放牧时间估计均值，可以观察到所有时间段内略有增加的趋势，特别是将P1-P3与P4-P5进行比较时，两组在P4和P5期间的放牧活动更高。CSG组更倾向于在00:00–04:00、08:00–12:00和12:00–16:00时间段放牧。SG组在16:00–20:00和20:00–00:00时间段有较高的放牧倾向，这在P3、P4和P5时间段具有统计学意义。在04:00–08:00时间段内，两组之间的放牧时间没有显著差异，除了CSG组放牧时间显著更长。

图4还显示了每个实验组在每个时期和时间段内的反刍时间估计均值，以及组间的显著差异。两组都偏好在下午晚些时候（16:00至20:00和20:00至00:00）反刍（89.85 ± 20.72分钟/4小时或以上），而下午早些时候（12:00至16:00）的活动水平最低（< 51.65 ± 18.28分钟/4小时）。从00:00至12:00，所有实验期间的反刍时间在55.75 ± 24.29分钟/4小时（P1，时间段08:00–12:00）到75.72 ± 20.34分钟/4小时（P1，时间段00:00–04:00）之间波动。**反刍时间（以分钟/4小时计）在连续放牧（CSG）和条带放牧（SG）组中的表现（CSG = 蓝色箱形图，SG = 粉色箱形图），分别对应每个放牧周期和时间段。箱形图表示中位数（中心线）、四分位数范围（箱体）以及延伸至1.5 × IQR的须状部分。灰色点表示异常值。标签显示了组间估计边际均值差异的显著性：*P < 0.05，** P < 0.01，*** P < 0.001。** 在多个周期和时间段内观察到两种实验组之间的反刍时间存在显著差异。** SG管理的动物在00:00–04:00和12:00–16:00时间段内通常反刍时间更长，尽管在某些周期内差异不显著（00:00–04:00时间段内的P2以及12:00–16:00时间段内的P1、P2和P5）。相比之下，在P2和P5的16:00–20:00时间段内，CSG动物的反刍时间显著更长。相反，在P5的20:00–00:00时间段内，SG动物的反刍时间更长。总体上，反刍模式主要在夜间和傍晚时段在组间有所不同。** 每个实验组（CSG vs. SG）在每个周期和时间段内的休息时间估计均值及其显著性对比如图5所示。** 休息活动主要集中在夜间20:00至08:00之间。在这些时间段内，休息时间从55.08 ± 22.39分钟/4小时（P5，04:00–08:00时间段）到96.58 ± 23.74分钟/4小时（P1，20:00–00:00时间段）不等。然而，在12:00–16:00时间段内，动物休息时间最少，平均为41.62 ± 20.53分钟/4小时，P5时间段如此，P1-P4时间段也是如此。** 在每个时间段内，至少有一个组间的显著性差异，部分反映了反刍活动的观察结果。** 与反刍活动相比，** SG动物在04:00–08:00时间段内休息时间多于CSG动物，在08:00–12:00时间段内P2、P3和P5时间段也是如此；相反，** CSG动物在16:00–20:00时间段内以及20:00–00:00时间段内休息时间多于SG动物。** 下载：下载高分辨率图片（447KB）** 下载全尺寸图片**

** 交互作用分析显示，这些因素与实验周期对任何行为变量（反刍p = 0.91，放牧p = 0.86，休息p = 0.12）均无显著影响，表明产犊事件并未影响实验期间观察到的行为模式。**

** 3.2 虚拟围栏**
** 基于项圈发出的电脉冲数量，广义线性混合模型的输出结果如表2所示。** 在各时间段内，每头动物平均发出的电脉冲数量相对稳定，范围从零到最多7次（P5，12:00–16:00时间段），尽管个体间存在较大差异。**

** 表2. 项圈发出的总电脉冲次数的广义线性混合效应模型输出结果。** 该模型评估了周期（P1至P6）、时间段（00:00–04:00、04:00–08:00、08:00–12:00、12:00–16:00、16:00–20:00和20:00–24:00）及其二元交互作用的影响。** 自由度（DF）和卡方值（Chisq）已报告。** 显著性（Signif.）水平表示为* P < 0.05、** P < 0.01和*** P < 0.001。**

** 在表6中显示了每个试验周期内，虚拟围栏项圈发出的电脉冲次数的模型估计边际均值（± SE）。** 不同颜色代表不同实验周期（P1–P5）的调整均值，误差条表示标准误差。**

** 3.3 毛发皮质醇含量**
** 表3总结了毛发皮质醇含量线性模型的结果。** 积组间的毛发皮质醇浓度无显著差异。** 然而，模型估计表明CSG组的数值略高于SG组（0.871 ± 0.159 pg/mg；95% CI：0.538–1.204 pg/mg vs SG组（0.400 ± 0.169 pg/mg；95% CI：0.045–0.755 pg/mg）。** 结果显示，毛发皮质醇含量不受管理方式或产犊事件的影响，无论是在实验结束前还是之后（9头CSG牛和1头SG牛）。**

** 4.1 动物行为**
** 使用商业传感器估算动物反刍、放牧和休息时间已被证明是监测动物福利和早期检测健康问题的有用指标（Halachmi等人，2019年）。** 安装在动物身上的传感器也有助于分类放牧（Obermeyer等人，2025年；Werner等人，2019年）、反刍和进食（Leso等人，2021年；Obermeyer等人，2025年）等行为。** 本研究选择了牛的这三个主要活动来评估放牧管理方式（即连续放牧或条带放牧）是否对怀孕母牛在春季放牧期间的正常行为产生影响。**
** 放牧牛的日常活动（>90%）主要由反刍、休息或进食行为组成（Andriamandroso等人，2016年；Hamidi等人，2022年；Kilgour，2012年）。** 因此，反刍、躺卧或进食时间的显著变化可能与不适和压力有关（Bristow & Holmes，2007年）。** 文献中广泛报告了主动行为（如站立/行走/放牧）与静止行为（如躺卧/反刍/休息）之间的相关性，躺卧和站立/行走之间呈现相反趋势（Hejcmanová等人，2009年；Marini等人，2020年；Wilms等人，2024年）。** 放牧活动与动物覆盖的距离呈正相关，表明放牧期间动物对牧场有积极的空间探索行为。** 以往的研究显示，牛在牧场的日行走距离可能在1.7至12.6公里之间，白天活动通常更为频繁（Kilgour，2012年）。** 此外，诸如草料供应量、放牧密度和牧场异质性等因素会影响动物在放牧期间的行走距离（Hamidi等人，2021年、2022年、2023年）。** 尽管使用了不同的放牧密度，CSG和SG组的日行走距离大致相似（分别为4.6 ± 1.6公里和5.0 ± 1.5公里）。** 低牧场异质性和充足的草料供应量（即使对于SG管理的组也是如此）可以解释我们的结果。**

** 管理方式、周期和时间段的三元交互作用显著，表明在不同的试验期间和特定时间窗口内，两种放牧管理方式可能存在差异。** 多位作者试图区分放牧管理、放牧密度、日常模式和季节性牧场变化对动物活动时间的影响。** Venter等人（2019年）观察到放牧管理方式并不影响放牧、休息和行走所花费的时间，这些时间主要受日常模式的影响。** 同样，不同放牧管理下的非泌乳牛的总放牧或反刍/休息时间也未受影响（Scotton & Crestani，2019年）以及不同放牧强度下的放牧时间（Hejcmanová等人，2009年）。**
** 随着时间和季节的变化，生物量可用性和营养价值的变化是影响动物时间预算的两个主要因素。** 在整个实验周期内，无论是虚拟围栏还是电带管理的动物，躺卧次数均有所减少（Campbell等人，2019年；Hejcmanová等人，2009年）。** 作者将这一变化归因于牧场可用性的减少，这可能导致两组动物都需要更多地站立进行放牧。** 在我们的研究中，特别是在日间时间段观察到了类似的放牧模式（Chopra等人，2025年；Kilgour，2012年）。** 然而，在其他时间段，尤其是P1-P3与P4-P5之间，放牧活动略有增加，而休息时间则呈现相反趋势。** Hejcmanová等人（2009年）也记录了从休息行为向放牧活动的转变，他们比较了在不同放牧强度下管理的两组肉牛。** 随着夏季的推进，预计放牧时间会增加，而生物量生长速度会持续下降，这需要更大的行走努力（Hamidi等人，2023年）。** 季节性放牧期间放牧活动的变化也可能与温度变化有关。** 日温度变化已被认为会影响牛的行为（Pinto等人，2020年）和放牧时间（Hejcmanová等人，2009年）。** 然而，在本研究中，温度始终低于热应激的临界值；因此，放牧时间的变化更可能与生物质数量及其质量的变化有关。** 休息和反刍通常在夜间同时进行，而放牧则发生在白天（Kilgour，2012年）。** 在我们的研究中，两种管理方式的动物在白天（12:00–16:00时间段）放牧最多，而在黄昏和傍晚则更倾向于反刍。** 我们的结果与Caram等人（2021年）的研究结果一致，他们研究了牛在白天（07:00–19:30）的放牧行为。** 比较他们的结果，我们在同一时间段内观察到下午放牧时间增加而反刍和静止时间减少的现象。** Caram等人（2021年）假设牛在下午增加放牧行为是为了最大化摄食量并为夜间准备胃的充盈。** 反刍时间曾被用于预测产犊时间，通常在分娩前约两小时减少，分娩后约六小时恢复（Pahl等人，2014年）。** 此外，Jensen（2012年）表明，分娩后的最初几个小时内母牛与犊牛的互动最多，随后的几个小时和第二天进食活动减少。** 这些结果表明，产犊事件的影响主要集中在最初的24小时内。** 这与我们的结果一致，我们的结果显示实验期间这些行为未受影响。**

** 4.2 虚拟围栏**
** 虚拟围栏支持条带放牧管理，帮助农民无需额外劳动即可每周更换牧场围栏。** 实际上，大多数作者都认为虚拟围栏系统（如Nofence、E-shepard和Vence）在限制牛的活动范围内非常有效（Confessore等人，2024年；Fuchs等人，2025年；Hamidi等人，2022年；Harland等人，2025年；Staahltoft等人，2023年）。** 对肉牛（Jeffus等人，2025年）和奶山羊（Wilms等人，2025年）的研究表明，物理围栏和虚拟围栏下的站立时间和躺卧次数没有差异。同样，在比较使用虚拟围栏（带有前置虚拟线）前后奶牛的行为时，站立和躺下的行为是相似的（Fuchs等人，2024；Verdon等人，2021b），泌乳山羊的躺下和吃草行为也是如此（Eftang等人，2023）。相反，与使用电带管理相比，使用虚拟围栏管理的安格斯牛躺下的时间略有减少（<20分钟的差异），而站立的时间增加（Campbell等人，2019）。多项研究调查了虚拟围栏对动物福利和行为的影响，强调显著的结果主要与主要因素之间的相互作用有关，而不仅仅是虚拟围栏本身（Fuchs等人，2024；Hamidi等人，2022；Jeffus等人，2025；Wilms等人，2025），并得出结论认为这种技术对动物行为和福利的影响很小或没有影响。实际上，当学习过程成功时，随着动物逐渐能够正确响应声学警告并避免电脉冲，电脉冲的数量会随着时间的推移而减少（Wilms等人，2024）。适当的训练时间因公司和实验而异，从72小时（Gerhardt等人，2025；Langworthy等人，2021；Verdon等人，2021a）到12天（Fuchs等人，2025；Hamidi等人，2022）不等。通常情况下，动物在3-5天的训练后可以达到至少60%以上的成功率（通过电脉冲与声音警告的比例来衡量）（Fuchs等人，2024，2025；Harland等人，2025）。然而，Hamidi等人（2024）观察到学习过程可以分为两个阶段：首先是获得避免电脉冲的能力，然后是正确响应虚拟围栏颈圈发出的声学信号。第二种学习通常发生在动物对系统足够有信心时，可以仅依靠声学提示自主测试虚拟边界。本研究中使用的牛群在试验开始前已经接受过训练，因此预计电脉冲的数量会较少，因为它们已经学会了避免这种负面刺激。然而，在大多数时间段内，电脉冲的数量确实有所减少。这可能是由于动物随着时间的推移学习能力进一步提高，变得更加自信地测试虚拟边界而无需接受负面刺激，正如Hamidi等人（2024）所建议的。此外，从P1到P5的更大牧场面积也可能减少了动物测试虚拟围栏的情况。Campbell等人（2019）也报告了在5周试验期间电脉冲数量的类似减少。Fuchs等人（2025）还记录了每天以及每次重新分配牧场后电脉冲数量的减少。此外，这些作者还发现电脉冲数量与草的高度之间存在负相关关系，表明草的生长量是促使牛测试并可能超过虚拟边界的一个重要因素。这些发现与图6中12:00–16:00和16:00–20:00时间段的结果一致。在该时间段内，颈圈发出的电脉冲数量从P1到P5呈上升趋势。考虑到吃草活动与覆盖距离之间的正相关关系（图2b），以及更长的吃草时间（图3），电脉冲数量的增加可以解释为在12:00–16:00和16:00–18:00时间段内遇到虚拟边界的机会增加，这些时间段主要由吃草活动主导，而不是休息和反刍等静止行为。与我们的结果一致，Harland等人（2025）发现放牧行为次数与肉牛小母牛收到的电脉冲数量之间存在正相关。此外，由于吃草和季节性导致的牧场消耗可能会促使动物测试虚拟边界以到达禁区内的新鲜牧场（Fuchs等人，2025）。Verdon等人（2021a）也报告了白天对肉牛小母牛收到电脉冲数量的影响，他们观察到夜间与虚拟围栏系统的互动减少。

4.3 毛发皮质醇评估
多项研究通过检测毛发中的皮质醇（Confessore等人，2022；Jeffus等人，2025）、粪便（Hamidi等人，2022；Jeffus等人，2025；Sonne等人，2022）、牛奶（Confessore等人，2024；Fuchs等人，2024；Verdon等人，2021）以及行为变化来评估虚拟围栏对动物福利的影响，以确定这项新技术是否对动物健康有影响。很少有研究关注使用虚拟围栏数周后的慢性压力（例如在季节性放牧期间）（Fuchs等人，2025）。专注于毛发皮质醇含量的研究结果表明，我们在5周时间内使用虚拟围栏的结果与Jeffus等人（2025）和Confessore等人（2022）的研究一致。两项研究都认为虚拟围栏不会影响动物的慢性压力。这些发现证实，在几周内管理奶牛时，这种技术并不会造成压力。

5. 结论
本研究表明，不同的放牧管理方式并不会改变关键的生理行为，因为两组动物在反刍、休息和吃草方面的总体时间分配相似。同时，也显示出一些日常行为模式的改变。因此，奶牛在执行这些生理行为时表现出不同的日常偏好。SG组的奶牛在夜间和下午早些时候反刍更多，而吃草主要发生在下午晚些时候和晚上；而CSG组的奶牛则在夜间和下午早些时候吃草更多，反刍则在下午晚些时候进行。毛发皮质醇含量没有显示出实验期间无论管理方式如何，奶牛存在慢性压力的证据。总之，我们的研究结果表明，从传统的连续放牧管理方式转变为使用虚拟围栏的条带放牧方式并未影响动物的活动时间分配。虚拟围栏可以作为一种有价值且创新的方法来改进放牧管理，提高牛肉生产系统的效率，同时不会增加农民的劳动负担。此外，缺乏慢性压力反应的情况证实了虚拟围栏可以在较长的放牧期间使用而不影响动物福利。

本研究的局限性在于无法完全将虚拟围栏的效果与其它放牧管理策略的影响区分开来。因此，观察到的日常行为模式的差异应被视为综合管理方法的结果（即通过虚拟围栏实现的条带放牧管理），而不仅仅是围栏系统本身的效果。未来的研究应通过实验分离放牧管理策略与围栏系统（虚拟围栏与实体围栏）的影响，并评估其他关键行为参数和牧场利用率指标，如饲料摄入量或草的消耗率。

伦理批准
本研究已获得佛罗伦萨大学动物实验伦理委员会的批准（协议编号0056846，2024年12月3日）。

关于本文的研究数据
由于研究项目负责人与智能耳标技术提供者之间签订了保密协议，原始数据将保持保密，不会被共享。

作者贡献声明
Andrea Confessore：撰写 – 审稿与编辑、撰写 – 初稿、方法学、调查、数据分析、概念化。
Chiara Aquilani：撰写 – 初稿、方法学、调查、数据分析、概念化。
Maria Chiara Fabbri：验证、软件使用、数据管理。
Pier Attilio Accorsi：方法学、数据分析。
Carolina Pugliese：撰写 – 审稿与编辑、可视化、项目监督、资金获取、概念化。