Paw O. F. Christensen, Mads H. Clausen, Thea L. Faddersbøll, Frej Gammelgård, Silje M. Lund, Alexander P. M. Nielsen, Jonas Nielsen, Nynne H. Olsen, Tobias K. Olsen, Sussie Pagh, Cino Pertoldi · Journal of Zoological and Botanical Gardens · 2026

Assessing Welfare in Ex Situ Lowland Tapirs Through Activity Patterns and Machine Learning

Resumo em português

Este estudo avalia os padrões de atividade e determina os períodos ótimos de observação para avaliação do bem-estar de antas-piranga (Tapirus terrestris L.) mantidas em duas instituições zoológicas dinamarquesas: Aalborg Zoo e Randers Regnskov. Os objetivos foram identificar a janela de tempo mais eficiente para avaliações de bem-estar, determinar se aprendizado de máquina (ML) poderia apoiar avaliações comportamentais fornecendo estimativas automatizadas de atividade e examinar se o rastreamento automatizado baseado em pose poderia servir como proxy para observações manuais por etograma. Os dados comportamentais foram coletados por meio de etogramas padronizados a partir de filmagens com câmeras de vida selvagem registradas durante 72 h. As antas-piranga apresentaram maior atividade durante o dia, com indivíduos de Aalborg Zoo mostrando picos de atividade entre 07:00 e 14:00, enquanto os de Randers Regnskov foram mais ativos entre 12:00 e 18:00. Os padrões de atividade diferiram entre as instituições, sendo que os indivíduos de Aalborg exibiram picos concentrados de atividade e os de Randers uma atividade mais uniformemente distribuída. Uma análise preliminar de ML usando a ferramenta de estimação de pose SLEAP demonstrou que as estimativas de atividade baseadas em movimento coincidiram de perto com os dados codificados manualmente, sugerindo que o rastreamento automatizado pode oferecer uma ferramenta eficiente e não invasiva para monitoramento do bem-estar. Os resultados destacam o potencial para integrar análise automatizada nas avaliações rotineiras de bem-estar de animais mantidos em zoológicos.

Resumo original em inglês

This study evaluates activity patterns and determines optimal observation periods for assessing the welfare of lowland tapirs ( Tapirus terrestris L.) housed in the following two Danish zoological institutions: Aalborg Zoo and Randers Regnskov. The objectives were to identify the most efficient time window for welfare assessments, determine whether machine learning (ML) could support behavioral evaluations by providing automated estimates of activity, and examine whether automated pose-based tracking could serve as a proxy for manual ethogram observations. Behavioral data were collected using standardized ethograms from wildlife camera footage recorded over 72 h. Lowland tapirs were generally more active during daytime, with individuals at Aalborg Zoo showing peak activity between 07:00 and 14:00, while those at Randers Regnskov were most active between 12:00 and 18:00. Activity patterns differed between institutions, with Aalborg individuals displaying concentrated activity peaks and Randers individuals showing more evenly distributed activity. A preliminary ML analysis using the pose-estimation tool SLEAP demonstrated that movement-based activity estimates closely matched manually coded data, suggesting that automated tracking may offer an efficient and non-invasive tool for welfare monitoring. The findings highlight the potential for integrating automated analysis into routine welfare assessments of zoo-housed animals.