eShepherd Webbinar APR 2025 Avsnitt 4.

Sammanfattning av eShepherd-webbinariet om Virtuella Stängsel

Webbinariets Träningsguide – Avsnitt (Sammanfattning baserad på transkript)

Den här artikeln sammanfattar de viktigaste ämnena, kundinsikterna, praktiska demonstrationerna och Q&A-momenten från eShepherds webbinarie om virtuella stängsel. Sessionen tog upp grundläggande plattformsnavigering, skapande av virtuella fållor, träning av djur, betesutnyttjande, avancerade flyttstrategier och verkliga fallstudier från producenter i USA och Australien.

Introduktion

Webbinariet öppnades av Mark Dempsey, Business Development Manager för eShepherd i Australien.

Sessionen inkluderade:

• En kort genomgång av eShepherd Web App för nya användare
• Livesända demonstrationer av hur man ritar virtuella fållor, utökar betesområden och skapar drivgångar
• Verkliga fallstudier från producenter i USA och Australien
• Publikens frågor och svar
• Plattforms-tips och framtidsplaner från eShepherd-teamet

Deltagarna uppmuntrades att skriva frågor i chatten eller räcka upp handen för att ställa dem muntligt.

Använda eShepherd Web App

Virtuella Fållor och Stängselritning

Plattformsdemonstrationen (ledd av Zippo) visade hur man:

• Loggar in och ser fastighetsgränser
• Identifierar fysiska stängsel (vita linjer) och virtuella stängsel (orange linjer)
• Ser djuren på kartan (orange prickar grupperade efter mobb)
• Ritar nya virtuella stängsel med Create-verktyget
• Justerar stängselstolpar för komplexa former eller miljöegenskaper
• Aktiverar eller inaktiverar virtuella fållor när betesområden förändras

Producenter kan snabbt omforma betesfördelningen, utesluta känsliga områden eller öppna nya zoner utan att bygga fysiska stängsel.

Rotationbete och Förflyttning av Djurgrupper

Utöka Betesområden

Demonstrationen visade hur man:

• Utökar befintliga fållor genom att öppna ytterligare segment
• Flyttar djur gradvis mot nya vattenpunkter
• Delar upp stora områden i mindre, tidsstyrda betesytor
• Använder inaktiva men förritade fållor redo att aktiveras

Dessa verktyg stödjer strip grazing, cell grazing och flexibla rotationsbetesstrategier.

Plattformstips

• Tryck Q för att rensa ditt aktuella val på kartan.
• Håll Ctrl och dra musen för att markera djur.
• Använd Tracks-verktyget för att visa de senaste 7 dagarnas rörelser för valda djur.
• Visa förhållandet mellan ljud/puls för att förstå hur väl djuren reagerar på virtuella gränser.

Kundfallstudier

Fallstudie 1: Brandon (Montana, USA)

Brandon driver boskap i sydöstra Montana på kortgräsprärier, med säsongsförhållanden mellan –60°C och 110°F.

Viktiga insikter:

• Systemet fungerade tillförlitligt i extrema temperaturväxlingar.
• Lera på halsbanden hindrade inte soluppladdning — den nötte bort naturligt när djuren rörde sig.
• Han behövde aldrig samla djuren manuellt; rotationsarrangemangen förde djuren till fållorna automatiskt.
• Han räddade djur ur farliga situationer tack vare varningar.
• Virtuella drivgångar gjorde det möjligt att styra djuren mot vattenpunkter eller fångstområden på distans.
• Besättningen ökade från ~100 till ~700 aktiva halsband under sommaren.
• Träningshastighet:
• 80% tränade inom 48 timmar
• Full följsamhet inom ~5 dagar
• Nya djur lär sig snabbare när de blandas med tränade kor

Fallstudie 2: Peter (Queensland, Australien)

Peter driver en avelsverksamhet med svår terräng, tät vegetation och varierande vattennivåer i floden.

Varför han valde virtuella stängsel:

• Hög arbetsbelastning och underhåll för fysiska stängsel
• Vegetation som orsakade kortslutningar på eltrådar
• Svårigheter att hitta pålitlig arbetskraft
• 6 km flodstrand där stängsel är opraktiskt
• Önskan att förbättra nyttjandet av buskmarker och högkvalitativt bete

Nyckelresultat:

• Virtuella stängsel som sträckte sig in i floden förhindrade att djuren gick runt änden.
• Exklusionszoner möjliggjorde bättre hantering av våtmarker och värdefulla betesytor.
• Heatmaps gav realtidsinsikt i betesfördelningen.
• Han samlade boskap på distans hemifrån — 4 timmar bort.
• Virtuella drivgångar effektiviserade tillgången till fållor vid planerat arbete.
• Teknikstödd fastighetsförvaltning förbättrade framtida generationsmöjligheter.

Fallstudie 3: Adrian (Queensland, Australien)

Adrian verkar över 65 000 acres med flera arrenderade områden.

Motiv:

• Minska helikopterkostnader för boskapssamling (upp till 10 000 USD/dag för två helikoptrar)
• Förbättra överblicken över stora områden
• Bibehålla verksamheten medan han arbetar utanför gården
• Öka kontrollen över flera grupper och vattenpunkter

Tidigt användande:

• Började med 20 halsband och expanderade till 170+
• Lyckades samla svårhanterlig boskap med hjälp av en virtuell drivgång från sitt kontor
• Stark kommunikationsprestanda trots ojämn täckning
• Testar systemets gränser för att finslipa arbetsflöden innan hela besättningen utrustas

Träning av Djur

I alla fallstudier:

• De flesta djur förstår ljudsignaler inom 24–48 timmar.
• Full följsamhet i besättningen uppnås vanligtvis inom 5–10 dagar.
• Tränade djur påskyndar inlärningen hos nya.
• Ljud/puls-förhållandet ger en tydlig bild av förståelsen i gruppen.
• Rätt paddockstorlek och fysiska gränser stödjer snabb träning.

Virtuella Drivgångar

Drivgångar är effektiva för:

• Att styra djur mot vattenkällor
• Att flytta boskap till fållor eller väntområden
• Att forma betesmönster i brant eller komplex terräng
• Att samla djur på distans utan helikopter

Rekommenderad minsta bredd: 10 m (30 ft), men många använder bredare utformningar (t.ex. 100 ft).

Framtida Roadmap

eShepherd-teamet presenterade kommande förbättringar, inklusive:

• Integrerad betesmätning och prognoser
• Automatiserade beslut om betestilldelning
• Levande vikt- och prestationsdata via integrerade vägplattformar
• Upptäckt av djurhälsa
• Reproduktionsövervakning från befruktning till kalvning
• Starkare integrationer med externa teknologipartners

Source:

Den här artikeln baseras på innehållet från eShepherds webbinarie om Virtuella Stängsel.

Den ursprungliga sessionen finns som en YouTube-inspelning tillhandahållen av Gallagher eShepherd.

V1.0, 12/2025

Uppdaterad den: 09/12/2025