Mokra ściółka: wcześniejszy sygnał z danych i zadanie dla ekipy
Mokra ściółka zaczyna się lokalnie, pod poidłem albo przy ścianie, i daje amoniak i chore stopy. My zbieramy dane klimatu i stada w jednym miejscu i przekazujemy zadania ekipie, a model wilgotności ściółki i wykrywanie mokrych plam badamy i wdrażamy. Opieramy się na badaniach z kurnika komercyjnego i z laboratorium.
verifiedOd zespołu, który od lat organizuje pracę na fermach drobiu.
Problem zaczyna się w plamach
Stan ściółki to jeden z najlepszych wskaźników tego, jak idzie odchów. Gdy wilgotność rośnie, bakterie szybciej rozkładają kwas moczowy, uwalnia się amoniak, a poduszki stóp stoją w mokrym podłożu. Problem zaczyna się lokalnie: pod nieszczelnym poidłem, przy ścianie, gdzie skrapla się para, albo tam, gdzie ptaki gromadzą się na noc.
Pomiar ściółki jest trudny
Laboratoryjny pomiar wymaga pobrania próbki, zważenia, suszenia i ponownego ważenia. Nikt tego nie robi codziennie. Ocena „na rękę” jest szybka, ale zależy od osoby i miejsca. A skutki widać potem w ocenie poduszek stóp przy uboju. Praktyczne zasady opisujemy w poradniku o ściółce w kurniku.
Jak to rozwiązujemy
1. Dane klimatu i stada w jednym miejscu (działa)
DlaFerm zbiera odczyty ze sterowników klimatu i czujników obok karty stada, gdzie są wiek stada, padnięcia i zużycie wody.
2. Model wilgotności ściółki z tych danych (prowadzimy badania i wdrażamy)
Prowadzimy badania nad modelem wilgotności ściółki z danych środowiskowych i wdrażamy go na fermach. Model ma wskazać dni i kurniki, w których ściółka prawdopodobnie zaczyna nasiąkać, zanim poczujesz amoniak.
3. Wykrywanie mokrych plam (prowadzimy badania i wdrażamy)
Mokra ściółka zaczyna się w plamach, a średnia kurnika może być w normie. Wykrywanie plam kamerą termowizyjną badamy i wdrażamy jako uzupełnienie modelu.
4. Zadanie dla ekipy (działa)
Gdy trzeba dościelić albo naprawić linię poideł, zadanie przekazujesz ekipie przez zlecenia w aplikacji. Sprawdzenie na miejscu i decyzja zostają przy hodowcy. Wynik z ubojni o poduszkach stóp możesz potem zestawić z danymi o ściółce z kolejnych cykli.

Co mówią badania
Wilgotność ściółki da się przewidzieć z danych klimatu
Zespół Küçüktopçu (2026) w komercyjnym kurniku brojlerów przez osiem cykli pobrał ok. 1600 próbek ściółki i zestawił je z danymi środowiskowymi. Modele przewidywały wilgotność ściółki z R² 0,796 i średnim błędem względnym 8,4%, sprawdzane na cyklu, którego nie widziały przy uczeniu. Ten sam zespół modelował pH ściółki. To podstawa naszego modelu.
Radar mierzy wilgotność nawet przez odchody
Zespół Li (2026) zbudował system z radarem ultraszerokopasmowym, który z odbicia impulsów szacuje zawartość wody w ściółce. W laboratorium błąd na czystej ściółce wyniósł 2,48 punktu procentowego, a ze zmieszanymi odchodami, zbrylonym materiałem i ptakiem w wiązce 4,53 punktu. Obecność ptaka rozpoznawał w 98,8% przypadków, więc może odrzucać takie odczyty.
Kamera termowizyjna widzi świeże wydaliny
Mielke i Stein (2024) porównali cztery sieci do wykrywania mokrych wydalin na zdjęciach termowizyjnych z dwóch chlewni. Wszystkie osiągnęły średnią precyzję powyżej 90% i dobrze działały na danych z drugiego budynku. Świeże wydaliny są cieplejsze od podłogi, a kałużę najłatwiej rozpoznać po tym, jak stygnie.
Pomiar przesuwa się z objawu na przyczynę
Czujnik amoniaku mówi, że gaz już jest. Model, radar i kamera mówią, gdzie i dlaczego powstaje. Dla hodowcy to różnica między „zwiększ wentylację” a „dościel przy drugiej linii poideł i sprawdź ciśnienie”. O amoniaku piszemy w poradniku o czujnikach NH₃ i CO₂.
Co zyskuje ferma
Wcześniejsza reakcja na mokrą ściółkę
Sygnał z danych ma przyjść, zanim amoniak i stopy pokażą problem.
Mniej chorych stóp
Sucha ściółka to zdrowsze poduszki stóp przy uboju. O zdrowiu nóg piszemy w artykule o programie zdrowia nóg u brojlerów.
Zadanie wykonane i zapisane
Zlecenie dla ekipy ma datę i potwierdzenie. Widać, kiedy dościelono i naprawiono poidła.
Opisz nam swój problem
Jeśli ściółka w Twoich kurnikach sprawia kłopot, opisz go w formularzu na dole strony, a pokażemy, co dają te dane.
Pytania o wilgotność ściółki
Jak DlaFerm pomaga przy mokrej ściółce?add
Zbieramy dane klimatu i stada w jednym miejscu, a zadania dla ekipy przekazujesz przez zlecenia. Model wilgotności ściółki z danych środowiskowych i wykrywanie mokrych plam badamy i wdrażamy.
Czy potrzebuję czujnika w ściółce?add
Model ma korzystać z danych, które ferma już zbiera ze sterownika. Do nauczenia go potrzebne są próbki ściółki z kilku cykli. Radar i kamerę termowizyjną traktujemy jako uzupełnienie.
Ile pracy wymaga wdrożenie?add
Podłączenie sterownika robimy razem z fermą. Do nauczenia modelu potrzebna jest historia klimatu z kilku cykli i próbki ściółki.
Co, jeśli w kurniku nie ma zasięgu?add
Wpisy i zlecenia w aplikacji robisz bez sieci, a wysyłają się, gdy telefon złapie zasięg.
Czy model zastąpi ocenę ściółki na miejscu?add
Nie. Model wskazuje, gdzie i kiedy warto sprawdzić. Przy problemach ze stopami albo chorobą stada decyduje lekarz weterynarii.
Na co patrzeć w kurniku?add
Na strefę poideł, ściany z kondensacją i miejsca nocowania ptaków. Wycieki i za wysokie ciśnienie w linii usuwaj od razu.
Jakie dane zbieramy?add
Odczyty klimatu ze sterowników i czujników, dane z karty stada, zlecenia dla ekip, a przy modelu także wyniki próbek ściółki.
Skąd wiecie, że wilgotność ściółki da się przewidzieć?add
Zespół Küçüktopçu (2026) na ok. 1600 próbkach z ośmiu cykli w kurniku komercyjnym przewidywał wilgotność ściółki z błędem względnym 8,4% i R² 0,796. Radar zespołu Li (2026) mierzył ją z błędem 2,48–4,53 punktu procentowego. Kamera termowizyjna wykrywała mokre wydaliny z precyzją powyżej 90% (Mielke i Stein, 2024).
Źródła i materiały
- linkLi H. i in. (2026). Ultra-Wideband Radar-Based Sensing Poultry Litter Moisture Content Monitoring System. Animals 16(9), 1382
- linkKüçüktopçu E., Cemek B. i in. (2026). Machine Learning Prediction of Litter Moisture and Litter pH in a Commercial Broiler House Using Nested Leave-One Production-Period-Out Cross-Validation. Animals 16(18), 2906
- linkMielke S., Stein A. (2024). Excretion Detection in Pigsties Using Convolutional and Transformerbased Deep Neural Networks. arXiv:2412.00256
Sucha ściółka w Twoich kurnikach
Pokażemy, jak dane klimatu i stada łączą się w aplikacji, jak działają zlecenia dla ekip i jak wdrażamy model wilgotności ściółki. Napisz do nas.
Telefon
+48 796 258 151