دوره 16، شماره 2 - ( تابستان 1404 )
جلد 16 شماره 2 صفحات 114-104 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Tajik khari M, Peykani Machiani G, Salehi A, Gholizadeh M. (2025). Estimation of Parameters of the Growth Models of Holstein Calves Using the DOLS Method and Comparing it with Some Non-Linear Models. Res Anim Prod. 16(2), 104-114. doi:10.61882/rap.2024.1471
URL: http://rap.sanru.ac.ir/article-1-1471-fa.html
URL: http://rap.sanru.ac.ir/article-1-1471-fa.html
تاجیک خواری محمّد، پیکانی ماچیانی غلامرضا، صالحی عبدالرضا، قلی زاده محسن. برآورد پارامترهای مدل های رشد گوساله های شیرخوار هلشتاین با استفاده از روش حداقل مربعات غیر خطّی پویا و مقایسه ی آن با برخی مدل های غیر خطّی پژوهشهاي توليدات دامي 1404; 16 (2) :114-104 10.61882/rap.2024.1471
1- گروه علوم دامی، دانشکده علوم دام و شیلات، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران
3- گروه علوم دام و طیور، دانشکده فناوری کشاورزی، دانشگاه تهران، تهران، ایران
2- گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران
3- گروه علوم دام و طیور، دانشکده فناوری کشاورزی، دانشگاه تهران، تهران، ایران
چکیده: (583 مشاهده)
چکیده مبسوط
مقدمه و هدف: اهمیّت رشد و مطالعهی آن از اصلیترین جنبههای اقتصادی در پرورش حیوانات اهلی است چرا که وزن گاو بالغ یک صفت مهمّ در برنامههای اصلاح نژادی است که بهدلیل اثرات آن روی صفات اقتصادی از جمله نیازهای نگهداری، تولیدمثل و سایر صفات بیولوژیکی مورد توجّه قرار میگیرد. مدل‌های ریاضی گستردهای از جمله، لجستیک، گمپرتز، ون برتالانفی، برودی و ریچادرز وجود دارد که برای بیان ظرفیّت رشد و نسبتهای آماری بین سنّ و وزن حیوان مورد استفاده قرار میگیرند. مدل‌های ریاضی خلاصهای از وضعیت رشد را که در قالب چند پارامتر دارای تفسیر بیولوژیکی است، تفسیر کرده، فرصت مناسبی را برای توسعهی استراتژیهای اصلاح نژادی از طریق تعدیل مدیریت و یا ساختارهای ژنتیکی منحنی رشد فراهم میکنند. بنابراین، مطالعهی منحنیهای رشد زمینهی مناسبی را برای تغییر سیاستهای اصلاح نژادی، تعیین نیازمندیهای تغذیهای و روند تصمیمگیری برای ایجاد یک تکنولوژی خاصّ فراهم میکند. فراسنجهی A در منحنی رشد، نشاندهندهی وزن بلوغ است و در واقع، حداکثر وزن حیوان است. فراسنجهی B زمان رسیدن یک فرد به حداکثر نرخ رشد را نشان می‌دهد و فراسنجهی K نرخ رشد بلوغ را نشان می‌دهد. ضرایب رگرسیون و فراسنجههای رشد نقش مهمّی را در تصمیمگیری برای مدیریت و اصلاح نژاد دارند. فراسنجه های رشد از وراثتپذیری خوبی برخوردارند و می توان از آن ها در بهبود ژنتیکی گوساله های شیری استفاده کرد. در این مطالعه، برای نخستین مرتبه از مدل غیر خطّی پویا (DOLS) برای بررسی وضعیت الگوی رشد گوسالههای شیرخوار هلشتاین استفاده و با برخی از مدل‌های غیر خطّی مانند گمپرتز و لجستیک، مقایسه و کارآیی این مدلها با همدیگر بررسی شد.
مواد و روشها: برای این منظور، از رکوردهای وزن تولّد و وزن بدن در سنین 10 تا 90 روزگی موجود در واحد کشت و صنعت کوهان ابردژ استان تهران استفاده شد. برای هر گوسالهی شیرخوار، تقریباً 10 رکورد وزن بدن ثبت و ابتدا با استفاده از نرمافزار 2007 Excel مورد بررسی اولیه قرارگرفت. سپس برای تجزیه و تحلیلهای آماری مدل‌های غیرخطّی گمپرتز و لجستیک از بستهی آماری nlme نرمافزار R استفاده گردید. بسته nlme در R برای برازش و مقایسه مدل‌های خطی و غیرخطی اثرات مختلط گاوسی استفاده می‌شود. این بسته به کاربران امکان می‌دهد که ساختارهای واریانس-کوواریانس را مشخص کنند و تجزیه و تحلیل داده‌ها را با ساختارهای سلسله مراتبی یا همبسته امکان‌پذیر می‌سازد. فراسنجههای رشد، با روش محاسبات عددی و تکرار با استفاده از الگوریتم گاوسنیوتون برآورد شدند. در روش DOLS، از یک روش غیر خطّی مبتنیبر قانون بازدهی نزولی برای تخمین پارامترهای مدل رشد استفاده شده است که ضرایب رگرسیونی مراحل رشد را به درستی تخمین میزند. پس از تجزیه و تحلیل محاسبات، مناسبترین مدل توسط معیارهای برازش نیکوئی مورد ارزیابی قرارگرفت و در آخر، مقدارR Adj
یافتهها: نتایج این مطالعه نشان دادند که مدل‌های لجستیک و DOLS با داشتن مقدار بالایR Adj
مقدمه و هدف: اهمیّت رشد و مطالعهی آن از اصلیترین جنبههای اقتصادی در پرورش حیوانات اهلی است چرا که وزن گاو بالغ یک صفت مهمّ در برنامههای اصلاح نژادی است که بهدلیل اثرات آن روی صفات اقتصادی از جمله نیازهای نگهداری، تولیدمثل و سایر صفات بیولوژیکی مورد توجّه قرار میگیرد. مدل‌های ریاضی گستردهای از جمله، لجستیک، گمپرتز، ون برتالانفی، برودی و ریچادرز وجود دارد که برای بیان ظرفیّت رشد و نسبتهای آماری بین سنّ و وزن حیوان مورد استفاده قرار میگیرند. مدل‌های ریاضی خلاصهای از وضعیت رشد را که در قالب چند پارامتر دارای تفسیر بیولوژیکی است، تفسیر کرده، فرصت مناسبی را برای توسعهی استراتژیهای اصلاح نژادی از طریق تعدیل مدیریت و یا ساختارهای ژنتیکی منحنی رشد فراهم میکنند. بنابراین، مطالعهی منحنیهای رشد زمینهی مناسبی را برای تغییر سیاستهای اصلاح نژادی، تعیین نیازمندیهای تغذیهای و روند تصمیمگیری برای ایجاد یک تکنولوژی خاصّ فراهم میکند. فراسنجهی A در منحنی رشد، نشاندهندهی وزن بلوغ است و در واقع، حداکثر وزن حیوان است. فراسنجهی B زمان رسیدن یک فرد به حداکثر نرخ رشد را نشان می‌دهد و فراسنجهی K نرخ رشد بلوغ را نشان می‌دهد. ضرایب رگرسیون و فراسنجههای رشد نقش مهمّی را در تصمیمگیری برای مدیریت و اصلاح نژاد دارند. فراسنجه های رشد از وراثتپذیری خوبی برخوردارند و می توان از آن ها در بهبود ژنتیکی گوساله های شیری استفاده کرد. در این مطالعه، برای نخستین مرتبه از مدل غیر خطّی پویا (DOLS) برای بررسی وضعیت الگوی رشد گوسالههای شیرخوار هلشتاین استفاده و با برخی از مدل‌های غیر خطّی مانند گمپرتز و لجستیک، مقایسه و کارآیی این مدلها با همدیگر بررسی شد.
مواد و روشها: برای این منظور، از رکوردهای وزن تولّد و وزن بدن در سنین 10 تا 90 روزگی موجود در واحد کشت و صنعت کوهان ابردژ استان تهران استفاده شد. برای هر گوسالهی شیرخوار، تقریباً 10 رکورد وزن بدن ثبت و ابتدا با استفاده از نرمافزار 2007 Excel مورد بررسی اولیه قرارگرفت. سپس برای تجزیه و تحلیلهای آماری مدل‌های غیرخطّی گمپرتز و لجستیک از بستهی آماری nlme نرمافزار R استفاده گردید. بسته nlme در R برای برازش و مقایسه مدل‌های خطی و غیرخطی اثرات مختلط گاوسی استفاده می‌شود. این بسته به کاربران امکان می‌دهد که ساختارهای واریانس-کوواریانس را مشخص کنند و تجزیه و تحلیل داده‌ها را با ساختارهای سلسله مراتبی یا همبسته امکان‌پذیر می‌سازد. فراسنجههای رشد، با روش محاسبات عددی و تکرار با استفاده از الگوریتم گاوسنیوتون برآورد شدند. در روش DOLS، از یک روش غیر خطّی مبتنیبر قانون بازدهی نزولی برای تخمین پارامترهای مدل رشد استفاده شده است که ضرایب رگرسیونی مراحل رشد را به درستی تخمین میزند. پس از تجزیه و تحلیل محاسبات، مناسبترین مدل توسط معیارهای برازش نیکوئی مورد ارزیابی قرارگرفت و در آخر، مقدار
یافتهها: نتایج این مطالعه نشان دادند که مدل‌های لجستیک و DOLS با داشتن مقدار بالای
نتیجهگیری: نتایج نشان دادند که بر خلاف مدل‌های غیرخطّی گمپرتز و لجستیک، مدل رشد غیر خطّی DOLS دارای پویائی در تخمین فراسنجههای مدل رشد است. علاوهبر آن، با استفاده از مدل‌های لجستیک و گمپرتز، نمیتوان حداکثر بهرهوری اقتصادی را با استفاده از نهادههای غذائی بهدست آورد، امّا مدل حداقل مربعات غیر خطّی پویا، توانایی ایجاد ارتباط بین مقدار نهادههای مصرفی و حداکثر بهرهوری را بهخوبی نشان داد و به این خاطر، میتوان از این مدل برای ارائهی توصیههای کارشناسی و اصلاح نژادی استفاده کرد. با مشتق گیری از مدل DOLS، می توان مقادیر وزن بلوغ را به درستی پیش بینی کرد و زمان بازاریابی و فروش گوسالهها را تخمین زد. بهدلیل آنکه مدل رشد DOLS پیشبینی های درستی را از وزن بلوغ رائه می دهد، می توان از آن در برنامه های مدیریتی استفاده کرد و در افزایش بهره وری اقتصادی کمک گرفت.
واژه‌های کلیدی: برازش مدل، فراسنجه های رشد، قانون بازده نزولی، کالیبره سازی، نقطه ی عطف، نکوئی مدل
فهرست منابع
1. Aggrey, S. E. (2002). Comparison of three nonlinear and spline regression models for describing chicken growth curves. Poultry science, 81(12), 1782-1788. [DOI:10.1093/ps/81.12.1782]
2. Alonso, J., Díez, J., Luaces, O., & Bahamonde, A. (2018). A new method to learn growth curves of beef cattle using a factorization approach. Computers and Electronics in Agriculture, 151, 77-83. [DOI:10.1016/j.compag.2018.05.033]
3. Araújo, R. O. D., Marcondes, C. R., Damé, M. C. F., Garnero, A. D. V., Gunski, R. J., Everling, D. M., & Rorato, P. R. N. (2012). Classical nonlinear models to describe the growth curve for Murrah buffalo breed. Ciência Rural, 42, 520-525. [DOI:10.1590/S0103-84782012000300022]
4. Bahreini, B. M., Aslaminejad, A. A., Sharifi, A. R., & Simianer, H. (2014). Comparison of mathematical models for describing the growth of Baluchi sheep.
5. Beltran, J. J., Butts Jr, W. T., Olson, T. A., & Koger, M. (1992). Growth patterns of two lines of Angus cattle selected using predicted growth parameters. Journal of animal science, 70(3), 734-741. [DOI:10.2527/1992.703734x]
6. Costa, R. B., Misztal, I., Elzo, M. A., Bertrand, J. K., Silva, L. O. C., & Łukaszewicz, M. (2011). Estimation of genetic parameters for mature weight in Angus cattle. Journal of Animal Science, 89(9), 2680-2686. [DOI:10.2527/jas.2010-3574]
7. Da Silva Marinho. K.N., De Freitas, A.R., Da Silva Falcao, A.J. and Dias, F.E.F. (2013). Nonlinear models for fitting growth curves of Nellore cows reared in the Amazon Biome. Revista Brasileira de Zootcnia. 42(9): 645-650 [DOI:10.1590/S1516-35982013000900006]
8. Daskiran, I.,koncogul, S., and Bingol, M. (2010). Growth characteristics of non-linear Norduz female and male lambs. Journal of Agricultural Sciences. 16:62-69 [DOI:10.1501/Tarimbil_0000001122]
9. Gano G, Blanco M, Casasús I, Cortés-Lacruz X and Villalba D (2016) Comparison of B splines and non-linear functions to describe growth patterns and predict mature weight of female beef cattle. Animal Production Science, 56: 1787-1796. [DOI:10.1071/AN15089]
10. Gbangboche, A. B., Alkoiret, T. I., Toukourou, Y., Kagbo, A., & Mensah, G. A. (2011). Growth curves of different body traits of Lagune cattle. Research Journal of Animal Science, 5(2), 17-24.
11. Gholizadeh, M., & Tajikkhari, M. (2024). Growth Curve Modeling in Holstein Dairy Calves Using Non-Linear Functions. Research On Animal Production, 15(3), 1-9. [In Persian]. [DOI:10.61186/rap.15.3.1]
12. Kum, D., Karakus, K., & Ozdemir, T. (2010). The best non-linear function for body weight at early phase of Norduz female lambs. Trakia Journal of Sciences, 8(2).
13. Malakouti M., J and Homaei M. (1994). Fertility of dry matag soils. Problems and solutions. Publications of Modares University.1:494.
14. Moreira RP, Mercadante MEZ, Pedrosa VB, Cyrillo JNDSG and Henrique W (2016). Growth curves on females of the Caracu breed. Semina: Ciências agrârias, 37 (4 supll): 2749-2758. [DOI:10.5433/1679-0359.2016v37n4Supl1p2749]
15. Nasri, M. F., France, J., Odongo, N. E., López, S., Bannink, A., & Kebreab, E. (2008). Modelling the lactation curve of dairy cows using the differentials of growth functions. The Journal of Agricultural Science, 146(6), 633-641. [DOI:10.1017/S0021859608008101]
16. Nelder, J. A. (1961). The fitting of a generalization of the logistic curve. Biometrics, 17(1), 89-110. [DOI:10.2307/2527498]
17. Pinheiro J, Bates D, DebRoy S, Sarkar D, Heisterkamp S and Van Willigen B (2016) R Core Team. nlme: linear and nonlinear mixed effects models. R package version 3.1-128.Available at http://CRAN.R-project.org/package=nlme/ (accessed 15 May 2021).
18. Roush, W. B., & Branton, S. L. (2005). A comparison of fitting growth models with a genetic algorithm and nonlinear regression. Poultry Science, 84(3), 494-502. [DOI:10.1093/ps/84.3.494]
19. Salem, M.M.I., EL-Hedainy, Dalia, K.A., Latif, M.G.A and Mahdy, A.E. (2013). Comparison of non-linear growth models to describe the growth curves in fattening crossbred and buffalo male calves. Alexandria Journal of Agricultural Researches. 58(3):273-277.
20. Shadan, A. (1401). Investigating the effects of changing the cultivation pattern on the profitability of farmers in Tehran province. Master's thesis in agricultural economics. University of Tehran. Iran.
21. Tajik khari, M., Salehi, A., Peykani Macciani, Gh., & Asadi Alamuti, A. (2024). Analysis of profitabilityopportunities derived from breeding a dairy cattle herd (Case study: An industrial dairy cattle herd unit in Tehran province).Journal of Animal Production, 26 (1), 111-121.[In Persian]
22. Tamari, S., Wösten, J. H. M., & Ruiz‐Suárez, J. C. (1996). Testing an artificial neural network for predicting soil hydraulic conductivity. Soil Science Society of America Journal, 60(6), 1732-1741. [DOI:10.2136/sssaj1996.03615995006000060018x]
23. Tawhidi Mehr, h. (1400). Determining the optimal economic age of fattening in calf fattening units (case study: livestock breeding complex of Qom province). Master's thesis in agricultural economics. University of Tehran. Iran.
24. Ullah, M. A., Amin, M., & Abbas, M. A. (2013). Non-linear regression models to predict the lamb and sheep weight growth. Pakistan Journal of Nutrition, 12(9), 865. [DOI:10.3923/pjn.2013.865.869]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
