دوره 13، شماره 35 - ( بهار 1401 )
جلد 13 شماره 35 صفحات 27-19 |
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:
mirderikvandi M, Mahmoudi M, Farhoomand P, Masoudi A, omidi M. (2022). Evaluation of Growth Parameters of Broiler Chickens Fed with Different Dietary Levels of Hemp Seed (Cannabis sativa L.) using Gompertz Model Compare with Artificial Neural Network. Res Anim Prod. 13(35), 19-27. doi:10.52547/rap.13.35.19
URL: http://rap.sanru.ac.ir/article-1-1173-fa.html
URL: http://rap.sanru.ac.ir/article-1-1173-fa.html
میردریکوندی مریم، محمودی محمد، فرهومند پرویز، مسعودی عباس، امیدی محسن. استفاده از مدل ریاضی گمپرتز برای تخمین پارامترهای رشد جوجه های گوشتی تغذیه شده با مقادیر مختلف دانه شاهدانه (Cannabis sativa L.) و مقایسه آن با شبکه عصبی مصنوعی پژوهشهاي توليدات دامي 1401; 13 (35) :27-19 10.52547/rap.13.35.19
گروه علوم دامی، دانشکده کشاورزی، دانشگاه ارومیه، ایران
چکیده: (1755 مشاهده)
چکیده مبسوط
مقدمه و هدف: این آزمایش به منظور بررسی اثر مصرف سطوح مختلف جیرهای دانه شاهدانه (Cannabis sativa L.) بر پارامترهای رشد جوجه های گوشتی برآورد شده توسط مدل ریاضی گمپرتز و شبکه عصبی مصنوعی انجام گرفت.
مواد و روش‌ها: در این پژوهش از 192 قطعه جوجه خروس یک روزه (Ross 308) با چهار تیمار جیرهای شاهد (فاقد شاهدانه)، 2/5 درصد، 5 درصد و 7/5 درصد شاهدانه در چهار تکرار (هرتکرار شامل 12 قطعه جوجه) در قالب طرح کاملاً تصادفی استفاده شد. در طول دوره پرورش جوجه‌ها به آب و خوراک دسترسی آزاد داشتند. برای ارزیابی پارامترهای رشد، وزن تجمعی بدن پرندگان با مدل گمپرتز برازش شد.
یافته‌ها: نتایج نشان داد که سطوح مختلف دانه شاهدانه اثر معنی داری بر پارامترهای رشد در جوجه های گوشتی نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تأثیر افزودن جیرهای دانه شاهدانه قرار گرفت. نتایج مقایسه شاخص های نکوئی مدلها نشان داد که مدل غیرخطی گمپرتز با داشتن ضریب تعیین بالاتر و میانگین مربعات خطا، میانگین انحراف مطلق، میانگین درصد خطای مطلق و اریبی کمتر در مقایسه با شبکه عصبی مصنوعی، برآورد بهتری از وزن جوجه های گوشتی دارد.
نتیجه‌گیری: نتایج این پژوهش نشان داد که سطوح مختلف جیرهای دانه شاهدانه اثر معنی داری بر فراسنجه های رشد جوجه های گوشتی شامل ضریب رشد نسبی، وزن زنده در زمان بلوغ، نقطه عطف منحنی رشد و وزن بدن در زمان نقطه عطف منحنی رشد نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تأثیر افزودن جیرهای دانه شاهدانه قرار گرفت. از طرفی نتایج این تحقیق حاکی از این بود که مدل گمپرتز توانست وزن 42 روزگی جوجه های گوشتی را با دقت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی برآورد کند.
یافته‌ها: نتایج نشان داد که سطوح مختلف دانه شاهدانه اثر معنی داری بر پارامترهای رشد در جوجه های گوشتی نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تأثیر افزودن جیرهای دانه شاهدانه قرار گرفت. نتایج مقایسه شاخص های نکوئی مدلها نشان داد که مدل غیرخطی گمپرتز با داشتن ضریب تعیین بالاتر و میانگین مربعات خطا، میانگین انحراف مطلق، میانگین درصد خطای مطلق و اریبی کمتر در مقایسه با شبکه عصبی مصنوعی، برآورد بهتری از وزن جوجه های گوشتی دارد.
نتیجه‌گیری: نتایج این پژوهش نشان داد که سطوح مختلف جیرهای دانه شاهدانه اثر معنی داری بر فراسنجه های رشد جوجه های گوشتی شامل ضریب رشد نسبی، وزن زنده در زمان بلوغ، نقطه عطف منحنی رشد و وزن بدن در زمان نقطه عطف منحنی رشد نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تأثیر افزودن جیرهای دانه شاهدانه قرار گرفت. از طرفی نتایج این تحقیق حاکی از این بود که مدل گمپرتز توانست وزن 42 روزگی جوجه های گوشتی را با دقت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی برآورد کند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تغذیه طیور
دریافت: 1399/11/1 | ویرایش نهایی: 1401/4/26 | پذیرش: 1400/8/23 | انتشار: 1401/1/10
دریافت: 1399/11/1 | ویرایش نهایی: 1401/4/26 | پذیرش: 1400/8/23 | انتشار: 1401/1/10
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. Alkan, S., M. Mendes, K. Karaba and M. S. Balcıolu. 2009. Effect of short-term divergent selection for 5-week body weight on growth characteristics of Japanese quail. Arch Geflügelk, 1(73): 124-131.
3. Amirabadi, Z., H. Farhangfar, A. Riasi and H. Janmohammadi. 2011. Evaluation of growth parameters of ross broiler chickens fed with different levels of raw or heated grass pea using gompertz model. Journal of Animal Science Research, 21(1): 105-115. magiran.com/p904168
4. Avicenna. 1999. The canon of medicine. Book 3. Part 1. 65 pp.
5. Barinaga, M. 2001. How cannabinoids work in the brain. Journal of Science, 291(5513): 2530-1. [DOI:10.1126/science.291.5513.2530]
6. Callaway, J.C. and T.T. Laakkonen. 1996. Cultivation of cannabis oil seed varieties in Finland. Journal of the International Hemp Association, 3(1): 32-36.
7. Callaway, J.C. 2004. Hempseed as a nutritional resource: An overview. Euphytica, 140(1-2): 65-72. [DOI:10.1007/s10681-004-4811-6]
8. Darmani Kuhi, H., E. Kebreab, S. Lopez and J. France. 2003. An evaluation of different growth functions for describing the profile of live weight wit time [age] in meat and egg strains of chicken. Poultry Science, 82(10): 1536-1543. [DOI:10.1093/ps/82.10.1536]
9. Ebrahimi, KH., GH.R. Dashab, H. Faraji-Arough and M. Rokouei. 2018. Growth curves fitting in Japanese quail di-allele crosses and comparison of growth patterns of crossbreds. Research on Animal Production, 9(20): 110-122 (In Persian). [DOI:10.29252/rap.9.20.110]
10. Ghazanfari, Sh. 2012. Application of linear model and artificial neural network to predict growth performance in broilers. Fifth Iranian Congress of Animal Sciences, Isfahan University of Technology, 1417-1421.
11. Goliomytis, M., E. Panopoulou and E. Rogdakis. 2003. Growth curves for body weight and major component parts, feed consumption, and mortality of male broiler chickens raised to maturity. Poultry Science, 82(7): 1061-1068. [DOI:10.1093/ps/82.7.1061]
12. Hashemirad, M., N. Farzin and A. Seraj. 2018. Genetic parameters of body weight and carcass characteristics in two strains of Japanese quail. Research on Animal Production, 8(17): 166-174 (In Persian). [DOI:10.29252/rap.8.17.166]
13. House, J.D., J. Neufeld and G. Leson. 2010. Evaluating the quality of protein from hemp seed (Cannabis sativa L.) products through the use of the protein digestibility-corrected amino acid score method. Journal of Agricultural and Food Chemistry, 58(22): 11801-11807. [DOI:10.1021/jf102636b]
14. Kalmendal, R. 2008. Hemp seed cake fed to broilers. Swedish University of Agricultural Sciences Department of Animal Nutrition and Management, 4-15 pp.
15. Karimi, I. and H. Hayatghaibi. 2006. Effect of Cannabis Sativa L. seed (hempseed) on serum lipid and protein profiles of rat. Pakistan Journal of Nutrition, 5(6): 585-588. [DOI:10.3923/pjn.2006.585.588]
16. Knizetova, H., J. Hyanek, H. Hajkova, B. Knize and R.S. Iler. 1985. Growth curves of chickens with different type of performance. Journal of Animal Breeding and Genetics, 102(1‐5): 256-270. [DOI:10.1111/j.1439-0388.1985.tb00694.x]
17. Knizetova, H., J. Hyanek, B. Knize and H. Prochazkova. 1991. Analysis of growth curves of fowl. II. Ducks. British Poultry Science, 32(5): 1039-1053. [DOI:10.1080/00071669108417428]
18. Lopez, S. 2008. Non-linear functions in animal nutrition. Mathematical Modeling in Animal Nutrition, 1: 47-88. [DOI:10.1079/9781845933548.0047]
19. Mahmoudi, M., P. Farhoomand and A. Azarfar. 2012. Effects of graded levels of hemp seed (cannabis sativa l.) on performance, organ weight and serum cholesterol levels on Broilers. Journal of Medicinal Plants, 11 (42): 121-129
20. Mahmoudi, M., P. Farhoomand and R. Nourmohammadi. 2015. Effects of different levels of hemp seed (Cannabis sativa L.) and dextran oligosaccharide on growth performance and antibody titer response of broiler chickens. Italian Journal of Animal Science, 14(1): 3473. [DOI:10.4081/ijas.2015.3473]
21. Marcato, S.M., N.K. Sakomura, D.P. Munari, J.B.K. Fernandes, I.M. Kawauchi and M.A. Bonato. 2008. Growth and body nutrient deposition of two broiler commercial genetic lines. Brazilian Journal of Poultry Science, 10(2): 117-123. [DOI:10.1590/S1516-635X2008000200007]
22. Mediavilla, V., P. Basseti and M. Leupin. 1999. Agronomic characteristics of some hemp genotypes. Journal of the International Hemp Association, 6(2): 45-53.
23. Mirderikvandi, M., A. Masoudi, A. Azarfar and A. Kiani. 2015. Comparison of Gompertz and artificial neutral network models of broiler growth received Artichoke extract in their drinking water. Iranian Journal of animal Science, 46(1): 9-16.
24. Roush, W.B. and S.L. Branton. 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]
25. Roush, W.B., W.A. Dozier and S.L. Branton. 2006. Comparison of Gompertz and neural network models of broiler growth. Poultry Science, 85(4): 794-797. [DOI:10.1093/ps/85.4.794]
26. SAS Institute Inc. 2003. SAS/STAT User's Guide Version 9. SAS Institute Inc., Cary, NC.
27. Sengul, T. and S. Kiraz. 2005. Non-linear models for growth curves in large white turkeys. Turkish Journal of Veterinary and Animal Sciences, 29(2): 331-337.
28. Soleimani Roodi, P., A. Golian and M. Sedghi. 2010. Multiple linear regression and artificial neural network models for prediction of amino acids in pearl millet using an approximate analysis. Iranian Journal of Animal Science Research, 3(4): 363-368.
29. Tzeng, R.Y. and W.A. Becker. 1981. Growth patterns of body and abdominal fat weights in male broiler chickens. Poultry Science, 60(6): 1101-1106. [DOI:10.3382/ps.0601101]
30. Wilson, B.J. 1977. Growth curves: Their analysis and use. Pages 89-115 in Growth and Poultry Meat Production.
31. Wiseman, J. and C.E. Lewis. 1998. Influence of dietary energy and nutrient concentration on the growth of body weight and of carcass components of broiler chickens. The Journal of Agricultural Science, 131(3): 361-371. [DOI:10.1017/S0021859698005851]
32. Zoons, J., J. Buyse and E. Decuypere. 1991. Mathematical models in broiler rising. World's Poultry Science Journal, 47(3): 243-255. [DOI:10.1079/WPS19910020]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
