Sheep and Predator Interactions: An Investigation into the Behavioural Patterns of Sheep during Attacks and the Feasibility of Predictive Modelling using GPS Data

Abstract

Rovdyrangrep utgjør en betydelig utfordring for sauebønder i Norge, med årlige tap av besetninger som har store økonomiske konsekvenser. Denne masteroppgaven har utforsket muligheten for å oppdage rovdyrangrep ved å analysere bevegelsesmønstre og atferden til sauer. Målet var å forbedre husdyrforvaltningen og forebygge skader og tap av sau forårsaket av rovdyr. GPS-halsbånd festet til sauene gir en dypere innsikt i hvordan de beveger seg og oppfører seg. Masteroppgaven ble utført ved bruk av to ikke-veiledet maskinlæringsmodeller K-means og DBSCAN og en veiledet maskinlæringsmodell Random Forest Classifier, samt bruk av statistisk analyse. Data fra sau lokalisert i Meråker 2015-2021 ble brukt sammen med informasjon fra 235 antatte rovdyrangrep fra samme periode. Ulike variabler ble brukt i analysen basert på de spesifikke målene. Den første K-means-modellen identifiserte fire distinkte aktivitetsperioder gjennom dagen, ved å bruke tid på dagen og sauens hastighet. Den andre K-means-modellen og DBSCAN brukte sauens hastighet, høyde og banevinkel og fant liten til ingen korrelasjon mellom atferdsmønster og rovdyrangrep. Den veiledede modellen, Random Forest Classifier, klarte ikke å skille mellom datapunkter med angrep og uten angrep. De innsamlede dataene viste seg å være utilstrekkelige for å oppdage rovdyr i nærheten av sau. Den statistiske analysen derimot støttet flere teorier knyttet til daglig saueatferd, og bidro med verdifull innsikt til eksisterende forskning. Analysen viste også at sauer i flokk viser antipredatorisk atferd som er et betydelig tillegg til dagens forskning på emnet. Denne oppgaven demonstrerte behovet for ytterligere forskning på å detektere rovdyrangrep basert på sauens atferd og bevegelse. Selv om noen av analysene ikke ga avgjørende resultater, legger de grunnlaget for fremtidig forskning knyttet til rovdyrangrep og saueatferd sammen med maskinlæring. Dette kan i fremtiden hjelpe til en bedre velferd blant sauer på utmarksbeite.

Predator attacks pose a significant challenge for sheep farmers in Norway, resulting in annual livestock losses and financial losses. This master thesis explored the feasibility of detecting predator attacks by analysing the sheep's movement patterns and behaviour. The aim was to enhance livestock management and prevent injuries and fatalities among sheep caused by predators. The GPS collars attached to the sheep enable a deeper insight into the sheep's trajectory and behaviour. The research in this thesis was conducted with the unsupervised machine learning models K-means and DBSCAN and the supervised machine learning model Random Forest Classifier, along with statistical analysis. The study used data collected from electronic GPS collars used by sheep located in Meråker, Norway, from 2015-2021, along with information from 235 assumable predator attacks during the same period. The first K-means model identified four distinct activity periods throughout the day, utilising the time of the day and the velocity of the sheep. The second K-means model and DBSCAN used the sheep's velocity, altitude and trajectory angle and deduced little to no correlation between behaviour and attacks. The supervised model, Random Forest Classifier, failed to accurately distinguish between attack occurrences and when there had been no attack, yielding unsatisfactory results. Consequently, the collected data proved insufficient for detecting the presence of predators. Nonetheless, the statistical analysis supported several theories related to everyday sheep behaviour, contributing valuable insights to existing research. The study observed that flocks exhibit antipredatory behaviour, a new contribution to current research on the topic. This thesis demonstrated the need for further research in predicting predator attacks based on sheep behaviour and movement and the need to collect data of better quality. While some analyses did not produce definitive results, they lay the groundwork for future research in the study of sheep and predator attacks using machine learning. In the future, this could improve the well-being of sheep in outfield pastures.