دوره 15، شماره 3 - ( پاییز 1403 )
جلد 15 شماره 3 صفحات 9-1 |
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:
Gholizadeh M, Tajikkhari M. (2024). Growth Curve Modeling in Holstein Dairy Calves Using Non-Linear Functions. Res Anim Prod. 15(3), 1-9. doi:10.61186/rap.15.3.1
URL: http://rap.sanru.ac.ir/article-1-1393-fa.html
URL: http://rap.sanru.ac.ir/article-1-1393-fa.html
قلی زاده محسن، تاجیک خواری محمد. مدل‌سازی منحنی رشد گوساله‌های شیری هلشتاین با استفاده از توابع غیرخطی پژوهشهاي توليدات دامي 1403; 15 (3) :9-1 10.61186/rap.15.3.1
1- گروه علوم دامی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (900 مشاهده)
چکیده مبسوط
مقدمه و هدف: منحنی رشد تغییرات وزن بدن در طول زمان یا سن را با استفاده از فراسنجه‌های ریاضی که قابلیت تفسیر بیولوژیکی دارند توصیف می‌کند. امروزه، چندین منحنی رشد، از جمله منحنی‌های لجستیک، ریچاردز، گومپرتز، ون برتالانفی و برودی برای توصیف رشد در حیوانات و گیاهان مورد استفاده قرار میگیرند. این منحنی‌ها شامل فراسنجه‌هایی هستند که می‌توان آن‌ها را بهعنوان صفات جدید در نظر گرفت. ضرایب رگرسیون و فراسنجه‌های رشد نقش مهمی در تصمیم‌گیری برای برنامههای مدیریت، تغذیه، اصلاحنژاد و بهبود ژنتیک ایفا می‌کنند. با اینحال، این نرخ رشد بسته به نژاد، فرد و محیط متفاوت است. از آنجاییکه رشد حیوانات مختلف دارای منحنی‌های رشد متفاوتی است، فرآیند انتخاب مدل‌های منحنی رشد برای تعیین اینکه کدامیک تحت شرایط مطالعه بهترین کارایی را دارد، ضروری است. فراسنجه‌های منحنی رشد، وراثت‌پذیر هستند و با انتخاب، می‌توان شکل منحنی رشد را تغییر داد و رشد را بهبود بخشید. فراسنجه A در منحنی رشد، نشان‌دهنده وزن مجانبی بوده که حیوان در آن به حداکثر وزن دوره خود می‌رسد. پارامتر B مقیاس زمانی (ضریب ثابت) است که زمان رسیدن یک فرد به حداکثر نرخ رشد را نشان می‌دهد. ضریب ثابت B مرحله اول رشد را قبل از نقطه عطف توصیف می‌کند. ضریب k نرخ رشد بلوغ، قسمت دوم منحنی رشد را توصیف می‌کند که در آن سرعت رشد کاهش می‌یابد تا حیوان به وزن مجانبی یا بلوغ (A) برسد. هدف از این مطالعه، بررسی و تعیین بهترین تابع بیانگر الگوی رشد گوساله‌های شیری از تولد تا شیرگیری است که بتوان از این اطلاعات در مدیریت گوساله‌های شیری و اهداف تجاری استفاده نمود.
مواد و روش‌ها: در این پژوهش برای مقایسه عملکرد مدل‌های غیرخطی در آنالیز منحنی رشد و شناسایی بهترین الگوی رشد، از داده‌های وزن 45 گوساله‌ی شیری استفاده شد. گوساله‌ها بلافاصله پس از تولد، توسط باسکول دیجیتال وزن‌کشی شدند و رکوردهای آن‌ها در دفتر زایش ثبت شد. گوساله‌ها از زمان تولد تا سهروزگی، فقط از آغوز مصرف کردند و از روز چهارم تولد مصرف شیر و خوراک آغازین آغاز شد. آب از روز سوم تولد بهصورت کاملاً آزاد در اختیار گوساله‌ها قرار گرفت. وزن‌کشی‌ها بهطور مرتب هر ده روز یکبار با باسکول دیجیتال صورت گرفت و اطلاعات آن بهطور دقیق ثبت شد. سن از شیرگیری گوساله، هفته هشتم بعد از تولد بود. مدل‌های غیرخطی مورد مطالعه شامل مدل‌های لجستیک، ریچاردز، گومپرتز، ون برتالانفی و برودی بودند. برازش مدل‌های غیرخطی با استفاده از رویه حداقل مربعات غیرخطی (NLIN) نرمافزارSAS انجام شد. بهمنظور انتخاب بهترین مدل از آماره‌های نکوئی برازش شامل ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و معیار اطلاعات آکائیک (AIC) استفاده شد.
یافتهها: نتایج نشان داد که همه توابع غیرخطی مورد بررسی بهطور کامل برازش شدند. براساس آماره‌های نکوئی برازش، بیشترین مقدار R2 و کمترین مقادیر برای معیارهای AIC و RMSE مربوط به مدل لجستیک بود. بنابراین مدل لجستیک بهعنوان بهترین مدل برای مدل‌سازی منحنی رشد در گوساله‌های هلشتاین انتخاب شد. براساس این مدل مقدار وزن مجانبی (وزن پایانی دوره)، 85/1876 کیلوگرم برآورد شد. بالاترین وزن مجانبی (A) در این مطالعه مربوط به مدل گمپرتز (85/3962 کیلوگرم) برآورد شد. بیشترین و کمترین مقدار فراسنجه B مربوط به مدل‌های لجستیک و گمپرتز بود. بیشترین و کمترین مقدار فراسنجه k در مدل‌های ریچاردز و لجستیک برآورد گردید. بیشترین و کمترین همبستگی بین داده‌های مشاهده شده و داده‌های پیش‌بینی شده، بهترتیب با استفاده از توابع غیرخطی لجستیک (95/9 درصد) و ریچاردز (94/9 درصد) بهدست آمد. در منابع مختلف، بهترین مدل‌ها براساس نژاد و موقعیتی جغرافیایی که مدل‌سازی صورت می‌گیرد، متفاوت هستند. تنوع ژنتیکی درون و بین نژادها، روش‌ها و معیارهای انتخاب و اصلاحنژاد، سیستم مدیریت و شرایط محیطی در تفاوت الگوی رشدی و تعریف بهترین مدل مؤثر هستند.
نتیجهگیری: در مجموع، 5 مدل مختلف غیرخطی منحنی رشد در گوساله هلشتاین مورد بررسی و مطالعه قرار گرفت که با توجّه به نتایج، مدل لجستیک بهترین توصیف از منحنی رشد گوساله‌ها را در اختیار قرار داد و بهعنوان مدل برتر انتخاب شد. بنابراین، این مدل می‌تواند برای تعیین راهبردهای مدیریتی و تعیین سنّ شیرگیری مورد استفاده قرار گیرد. نرخ رشدِ مطلق، منعکس‌کننده افزایش وزن بدن از بدو تولد تا نقطه‌ای است که رشد در آن به حداکثر می‌رسد، که با نقطه اوج مطابقت دارد و متعاقباً کاهش می‌یابد تا به مقادیر نزدیک به صفر برسد یعنی زمانیکه فرد به حداکثر وزن می‌رسد (وزن مجانبی). بهدلیل کوتاه بودن دوره شیردهی و ادامه رشد در گوساله‌های از شیر گرفته شده، منحنی رشد در هنگام از شیرگیری نمی‌تواند بهحالت مسطح برسد. بنابراین، معادلات ریاضی مرسوم مورد استفاده احتمال دارد که نتوانند با الگوی رشد و برای توصیف افزایش وزن در رابطه با سن قبل از شیرگیری مناسب باشد. بنابراین، توابع غیرخطی که منحنی رشد غیر سیگموئیدی را توصیف می‌کنند، این امکان را دارد که در طول دوره شیرخواری مطابقت بیشتری با داده‌های رشدی در گوساله‌های شیری داشته باشند.
مقدمه و هدف: منحنی رشد تغییرات وزن بدن در طول زمان یا سن را با استفاده از فراسنجه‌های ریاضی که قابلیت تفسیر بیولوژیکی دارند توصیف می‌کند. امروزه، چندین منحنی رشد، از جمله منحنی‌های لجستیک، ریچاردز، گومپرتز، ون برتالانفی و برودی برای توصیف رشد در حیوانات و گیاهان مورد استفاده قرار میگیرند. این منحنی‌ها شامل فراسنجه‌هایی هستند که می‌توان آن‌ها را بهعنوان صفات جدید در نظر گرفت. ضرایب رگرسیون و فراسنجه‌های رشد نقش مهمی در تصمیم‌گیری برای برنامههای مدیریت، تغذیه، اصلاحنژاد و بهبود ژنتیک ایفا می‌کنند. با اینحال، این نرخ رشد بسته به نژاد، فرد و محیط متفاوت است. از آنجاییکه رشد حیوانات مختلف دارای منحنی‌های رشد متفاوتی است، فرآیند انتخاب مدل‌های منحنی رشد برای تعیین اینکه کدامیک تحت شرایط مطالعه بهترین کارایی را دارد، ضروری است. فراسنجه‌های منحنی رشد، وراثت‌پذیر هستند و با انتخاب، می‌توان شکل منحنی رشد را تغییر داد و رشد را بهبود بخشید. فراسنجه A در منحنی رشد، نشان‌دهنده وزن مجانبی بوده که حیوان در آن به حداکثر وزن دوره خود می‌رسد. پارامتر B مقیاس زمانی (ضریب ثابت) است که زمان رسیدن یک فرد به حداکثر نرخ رشد را نشان می‌دهد. ضریب ثابت B مرحله اول رشد را قبل از نقطه عطف توصیف می‌کند. ضریب k نرخ رشد بلوغ، قسمت دوم منحنی رشد را توصیف می‌کند که در آن سرعت رشد کاهش می‌یابد تا حیوان به وزن مجانبی یا بلوغ (A) برسد. هدف از این مطالعه، بررسی و تعیین بهترین تابع بیانگر الگوی رشد گوساله‌های شیری از تولد تا شیرگیری است که بتوان از این اطلاعات در مدیریت گوساله‌های شیری و اهداف تجاری استفاده نمود.
مواد و روش‌ها: در این پژوهش برای مقایسه عملکرد مدل‌های غیرخطی در آنالیز منحنی رشد و شناسایی بهترین الگوی رشد، از داده‌های وزن 45 گوساله‌ی شیری استفاده شد. گوساله‌ها بلافاصله پس از تولد، توسط باسکول دیجیتال وزن‌کشی شدند و رکوردهای آن‌ها در دفتر زایش ثبت شد. گوساله‌ها از زمان تولد تا سهروزگی، فقط از آغوز مصرف کردند و از روز چهارم تولد مصرف شیر و خوراک آغازین آغاز شد. آب از روز سوم تولد بهصورت کاملاً آزاد در اختیار گوساله‌ها قرار گرفت. وزن‌کشی‌ها بهطور مرتب هر ده روز یکبار با باسکول دیجیتال صورت گرفت و اطلاعات آن بهطور دقیق ثبت شد. سن از شیرگیری گوساله، هفته هشتم بعد از تولد بود. مدل‌های غیرخطی مورد مطالعه شامل مدل‌های لجستیک، ریچاردز، گومپرتز، ون برتالانفی و برودی بودند. برازش مدل‌های غیرخطی با استفاده از رویه حداقل مربعات غیرخطی (NLIN) نرمافزارSAS انجام شد. بهمنظور انتخاب بهترین مدل از آماره‌های نکوئی برازش شامل ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و معیار اطلاعات آکائیک (AIC) استفاده شد.
یافتهها: نتایج نشان داد که همه توابع غیرخطی مورد بررسی بهطور کامل برازش شدند. براساس آماره‌های نکوئی برازش، بیشترین مقدار R2 و کمترین مقادیر برای معیارهای AIC و RMSE مربوط به مدل لجستیک بود. بنابراین مدل لجستیک بهعنوان بهترین مدل برای مدل‌سازی منحنی رشد در گوساله‌های هلشتاین انتخاب شد. براساس این مدل مقدار وزن مجانبی (وزن پایانی دوره)، 85/1876 کیلوگرم برآورد شد. بالاترین وزن مجانبی (A) در این مطالعه مربوط به مدل گمپرتز (85/3962 کیلوگرم) برآورد شد. بیشترین و کمترین مقدار فراسنجه B مربوط به مدل‌های لجستیک و گمپرتز بود. بیشترین و کمترین مقدار فراسنجه k در مدل‌های ریچاردز و لجستیک برآورد گردید. بیشترین و کمترین همبستگی بین داده‌های مشاهده شده و داده‌های پیش‌بینی شده، بهترتیب با استفاده از توابع غیرخطی لجستیک (95/9 درصد) و ریچاردز (94/9 درصد) بهدست آمد. در منابع مختلف، بهترین مدل‌ها براساس نژاد و موقعیتی جغرافیایی که مدل‌سازی صورت می‌گیرد، متفاوت هستند. تنوع ژنتیکی درون و بین نژادها، روش‌ها و معیارهای انتخاب و اصلاحنژاد، سیستم مدیریت و شرایط محیطی در تفاوت الگوی رشدی و تعریف بهترین مدل مؤثر هستند.
نتیجهگیری: در مجموع، 5 مدل مختلف غیرخطی منحنی رشد در گوساله هلشتاین مورد بررسی و مطالعه قرار گرفت که با توجّه به نتایج، مدل لجستیک بهترین توصیف از منحنی رشد گوساله‌ها را در اختیار قرار داد و بهعنوان مدل برتر انتخاب شد. بنابراین، این مدل می‌تواند برای تعیین راهبردهای مدیریتی و تعیین سنّ شیرگیری مورد استفاده قرار گیرد. نرخ رشدِ مطلق، منعکس‌کننده افزایش وزن بدن از بدو تولد تا نقطه‌ای است که رشد در آن به حداکثر می‌رسد، که با نقطه اوج مطابقت دارد و متعاقباً کاهش می‌یابد تا به مقادیر نزدیک به صفر برسد یعنی زمانیکه فرد به حداکثر وزن می‌رسد (وزن مجانبی). بهدلیل کوتاه بودن دوره شیردهی و ادامه رشد در گوساله‌های از شیر گرفته شده، منحنی رشد در هنگام از شیرگیری نمی‌تواند بهحالت مسطح برسد. بنابراین، معادلات ریاضی مرسوم مورد استفاده احتمال دارد که نتوانند با الگوی رشد و برای توصیف افزایش وزن در رابطه با سن قبل از شیرگیری مناسب باشد. بنابراین، توابع غیرخطی که منحنی رشد غیر سیگموئیدی را توصیف می‌کنند، این امکان را دارد که در طول دوره شیرخواری مطابقت بیشتری با داده‌های رشدی در گوساله‌های شیری داشته باشند.
فهرست منابع
1. Adinata, Y., Noor, R. R., Priyanto, R., Cyrilla, L. & Sudrajad, P. (2022). Comparison of growth curve models for Ongole Grade cattle. Tropical Animal Health and Production, 54(5), 252. [DOI:10.1007/s11250-022-03254-z]
2. Akbulut, Ö., Bayram, B. & Tüzemen, N. (2004). Esmer sığırlarda büyümenin doğrusal olmayan (non-linear) modellerle analizi. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 35(3-4).
3. Alves, T. C. & Franzolin, R. (2015). Growth curve of buffalo grazing on a grass pasture. Revista Brasileira de Zootecnia, 44, 321-326. [DOI:10.1590/S1806-92902015000900003]
4. Araújo, R. O. de, Marcondes, C. R., Damé, M. C. F., Garnero, A. del 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]
5. Bahreini, B. M. R. (2015). Comparison of different growth models and artificial neural network to fit the growth curve of Lori-Bakhtiari sheep. Journal of Ruminant Research, 3(2), 123-146. [In Persian]
6. Barapour, M., Gholizadeh, M., Hafezian, H. & Farhadi, A. (2021). Comparison of some Non-Linear Statistical Models to Describe the Growth Curve of Mazandaran Native Chickens. Research On Animal Production, 12(33), 132-138. [in Persian] [DOI:10.52547/rap.12.33.132]
7. Brody, S. & Lardy, H. A. (1946). Bioenergetics and growth. The Journal of Physical Chemistry, 50(2), 168-169. [DOI:10.1021/j150446a008]
8. Bruzzone, O., Castillo, D. A. & Villagra, E. S. (2022). Growth curve of early-weaned Hereford calves in a semidesert temperate zone (Patagonia, Argentina). Livestock Science, 259, 104908.
https://doi.org/10.1016/j.livsci.2022.104908 [DOI:https://doi.org/10.1016/j.livsci.2022.104908]
9. Capper, J. L. (2012). Is the grass always greener? Comparing the environmental impact of conventional, natural and grass-fed beef production systems. Animals, 2(2), 127-143. [DOI:10.3390/ani2020127]
10. Domínguez-Viveros, J., Reyes-Cerón, A., Enrique Aguirre-Calderón, C., Martínez-Rocha, R., Luna-Palomera, C. & Aguilar-Palma, N. (2023). Growth curves in purebred and crossbred Limousin cattle. Revista Mexicana de Ciencias Pecuarias, 14(2). [DOI:10.22319/rmcp.v14i2.6286]
11. 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.
12. Handcock, R. C., Lopez-Villalobos, N., McNaughton, L. R., Back, P. J., Edwards, G. R. & Hickson, R. E. (2019). Live weight and growth of Holstein-Friesian, Jersey and crossbred dairy heifers in New Zealand. New Zealand Journal of Agricultural Research, 62(2), 173-183. [DOI:10.1080/00288233.2018.1465984]
13. Havstad, K. M., McInerney, M. J. & Church, S. B. (1989). Growth patterns of range beef calves over discrete preweaning intervals. Canadian Journal of Animal Science, 69(4), 865-869. [DOI:10.4141/cjas89-099]
14. Junior, C. A. S. A., Martins, P. C., Moreno, L. A. & Silva, D. A. S. (2023). Reference growth curves to identify weight status (underweight, overweight or obesity) in children and adolescents: systematic review. British Journal of Nutrition, 1-40.
15. Koskan, O. & Ozkaya, S. (2014). Determination of growth curves of female Holstein calves using five non-linear models. Pakistan Journal of Agricultural Sciences, 51(1), 225-228.
16. Kozakli, Ö., Hasan, M. U. & Ceyhan, A. (2022). The Prediction of Brody, Logistik and Von Bertalanffy Models by Using the Bayesian Approach for Modeling the Growth Curves in Holstein Calves. Tekirdağ Ziraat Fakültesi Dergisi, 19(3), 600-609. [DOI:10.33462/jotaf.1035184]
17. Adinata, Y., Noor, R. R., Priyanto, R., Cyrilla, L. & Sudrajad, P. (2022). Comparison of growth curve models for Ongole Grade cattle. Tropical Animal Health and Production, 54(5), 252. [DOI:10.1007/s11250-022-03254-z]
18. Akbulut, Ö., Bayram, B. & Tüzemen, N. (2004). Esmer sığırlarda büyümenin doğrusal olmayan (non-linear) modellerle analizi. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 35(3-4).
19. Alves, T. C. & Franzolin, R. (2015). Growth curve of buffalo grazing on a grass pasture. Revista Brasileira de Zootecnia, 44, 321-326. [DOI:10.1590/S1806-92902015000900003]
20. Araújo, R. O. de, Marcondes, C. R., Damé, M. C. F., Garnero, A. del 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]
21. Bahreini, B. M. R. (2015). Comparison of different growth models and artificial neural network to fit the growth curve of Lori-Bakhtiari sheep. Journal of Ruminant Research, 3(2), 123-146. [In Persian]
22. Barapour, M., Gholizadeh, M., Hafezian, H. & Farhadi, A. (2021). Comparison of some Non-Linear Statistical Models to Describe the Growth Curve of Mazandaran Native Chickens. Research On Animal Production, 12(33), 132-138. [in Persian] [DOI:10.52547/rap.12.33.132]
23. Brody, S. & Lardy, H. A. (1946). Bioenergetics and growth. The Journal of Physical Chemistry, 50(2), 168-169. [DOI:10.1021/j150446a008]
24. Bruzzone, O., Castillo, D. A. & Villagra, E. S. (2022). Growth curve of early-weaned Hereford calves in a semidesert temperate zone (Patagonia, Argentina). Livestock Science, 259, 104908.
https://doi.org/10.1016/j.livsci.2022.104908 [DOI:https://doi.org/10.1016/j.livsci.2022.104908]
25. Capper, J. L. (2012). Is the grass always greener? Comparing the environmental impact of conventional, natural and grass-fed beef production systems. Animals, 2(2), 127-143. [DOI:10.3390/ani2020127]
26. Domínguez-Viveros, J., Reyes-Cerón, A., Enrique Aguirre-Calderón, C., Martínez-Rocha, R., Luna-Palomera, C. & Aguilar-Palma, N. (2023). Growth curves in purebred and crossbred Limousin cattle. Revista Mexicana de Ciencias Pecuarias, 14(2). [DOI:10.22319/rmcp.v14i2.6286]
27. 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.
28. Handcock, R. C., Lopez-Villalobos, N., McNaughton, L. R., Back, P. J., Edwards, G. R. & Hickson, R. E. (2019). Live weight and growth of Holstein-Friesian, Jersey and crossbred dairy heifers in New Zealand. New Zealand Journal of Agricultural Research, 62(2), 173-183. [DOI:10.1080/00288233.2018.1465984]
29. Havstad, K. M., McInerney, M. J. & Church, S. B. (1989). Growth patterns of range beef calves over discrete preweaning intervals. Canadian Journal of Animal Science, 69(4), 865-869. [DOI:10.4141/cjas89-099]
30. Junior, C. A. S. A., Martins, P. C., Moreno, L. A. & Silva, D. A. S. (2023). Reference growth curves to identify weight status (underweight, overweight or obesity) in children and adolescents: systematic review. British Journal of Nutrition, 1-40.
31. Koskan, O. & Ozkaya, S. (2014). Determination of growth curves of female Holstein calves using five non-linear models. Pakistan Journal of Agricultural Sciences, 51(1), 225-228.
32. Kozakli, Ö., Hasan, M. U. & Ceyhan, A. (2022). The Prediction of Brody, Logistik and Von Bertalanffy Models by Using the Bayesian Approach for Modeling the Growth Curves in Holstein Calves. Tekirdağ Ziraat Fakültesi Dergisi, 19(3), 600-609. [DOI:10.33462/jotaf.1035184]
33. López de Torre, G., Candotti, J. J., Reverter, A., Bellido, M. M., Vasco, P., Garcia, L. J. & Brinks, J. S. (1992). Effects of growth curve parameters on cow efficiency. Journal of Animal Science, 70(9), 2668-2672. [DOI:10.2527/1992.7092668x]
34. Marcato, S. M., Sakomura, N. K., Munari, D. P., Fernandes, J. B. K., Kawauchi, I. M. & Bonato, M. A. (2008). Growth and body nutrient deposition of two broiler commercial genetic lines. Brazilian Journal of Poultry Science, 10, 117-123. [DOI:10.1590/S1516-635X2008000200007]
35. Mignon-Grasteau, S. (1999). Genetic parameters of growth curve parameters in male and female chickens. British Poultry Science, 40(1), 44-51. [DOI:10.1080/00071669987827]
36. Mirai-Ashtiani, S. R., Bashiri, M., Abbas Pakdel, A. & Moradi-Shahrbabak, M. (2022). Fitting Growth Curve in Japanese Quail (Coturnix Coturnix Japonica) using Nonlinear and Nonlinear Mixed Models. Research On Animal Production, 13(36), 124-129. [in Persian] [DOI:10.52547/rap.13.36.124]
37. Moharrery, A., Rahmani, H. & Zamiri, M. J. (2021). Evaluation of models for predicting the preweaning body weight in Holstein calves. Journal of Livestock Science and Technologies, 9(1), 51-59.
38. Moran, J. B. (1992). Growth and development of buffaloes. Growth and Development of Buffaloes, 191-221.
39. Moreira, R. P., Mercadante, M. E. Z., Pedrosa, V. B., Cyrillo, J. N. dos S. G. & Henrique, W. (2016). Growth curves on females of the Caracu breed. Semina: Ciências Agrárias, 37(4), 2749-2757. [DOI:10.5433/1679-0359.2016v37n4Supl1p2749]
40. Myers, S. E., Faulkner, D. B., Ireland, F. A. & Parrett, D. F. (1999). Comparison of three weaning ages on cow-calf performance and steer carcass traits. Journal of Animal Science, 77(2), 323-329. [DOI:10.2527/1999.772323x]
41. Negueira, J. R. N., Lima, M. L. P., Soares, W. V. B. & Gadini, C.H. (2000). Curve do crescimento de bubalions Mediterrâneo no noroest do estado de são Paulo. Boletim de Hndustria Animal. 27, 163-169.
42. Najari, S., Gaddoun, A., Hamouda, M. Ben, Djemali, M. & Khaldi, G. (2007). Growth model adjustment of local goat population under pastoral conditions in Tunisian arid zone. Journal of Agronomy, 6(1), 61-67. [DOI:10.3923/ja.2007.61.67]
43. Onogi, A., Ogino, A., Sato, A., Kurogi, K., Yasumori, T. & Togashi, K. (2019). Development of a structural growth curve model that considers the causal effect of initial phenotypes. Genetics Selection Evolution, 51(1), 19. [DOI:10.1186/s12711-019-0461-y]
44. Richards, F. J. (1959). A flexible growth function for empirical use. Journal of Experimental Botany, 10(2), 290-301. [DOI:10.1093/jxb/10.2.290]
45. Șahİn, A., Ulutaș, Z., Karadavut, U., Yildirim, A. & Arslan, S. (2014). Comparison of growth curve using some nonlinear models in Anatolian buffaloe calves. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 20(3), 357-362.
46. Santos, S. A., Souza, G. S., Costa, C., Abreu, U. G. P. de, Alves, F. V. & Ítavo, L. C. V. (2011). Growth curve of Nellore calves reared on natural pasture in the Pantanal. Revista Brasileira de Zootecnia, 40, 2947-2953. [DOI:10.1590/S1516-35982011001200043]
47. Schoonmaker, J. P., Cecava, M. J., Faulkner, D. B., Fluharty, F. L., Zerby, H. N. & Loerch, S. C. (2003). Effect of source of energy and rate of growth on performance, carcass characteristics, ruminal fermentation, and serum glucose and insulin of early-weaned steers. Journal of Animal Science, 81(4), 843-855. [DOI:10.2527/2003.814843x]
48. Shahroodi, N., Rokouei, M., Faraji- Arough, H., Maghsoudi, A. & Kykha Saber, M. (2021). Comparison of some non-linear mathematical models to describe the growth curve of Sistani calves. Animal Production, 23(4), 491-500. [DOI:10.22059/jap.2021.326557.623626]
49. Taheri Dezfuli, B. (2017). Evaluation of nonlinear models in fitting growth curve for one of the buffalo herds in Khuzestan province. Animal Sciences Journal, 30(116), 177-192. [DOI:10.22092/asj.2017.113957]
50. Trenkle, A. & Marple, D. N. (1983). Growth and development of meat animals. Journal of Animal Science, 57(suppl_2), 273-283.
51. Tutkun, M. (2019). Growth curve prediction of Holstein-Fresian bulls using different non-linear model functions. Applied Ecology and Environmental Research, 17(2), 4409-4416. [DOI:10.15666/aeer/1702_44094416]
52. Verhulst, P.-F. (1838). Notice sur la loi que la population suit dans son accroissement. Correspondence Mathematique et Physique, 10, 113-129.
53. Von Bertalanffy, L. (1957). Quantitative laws in metabolism and growth. The Quarterly Review of Biology, 32(3), 217-231. [DOI:10.1086/401873]
54. Winsor, C. P. (1932). The Gompertz curve as a growth curve. Proceedings of the National Academy of Sciences, 18(1), 1-8. [DOI:10.1073/pnas.18.1.1]
55. Zimmermann, M. J., Kuehn, L. A., Spangler, M. L., Thallman, R. M., Snelling, W. M. & Lewis, R. M. (2019). Comparison of different functions to describe growth from weaning to maturity in crossbred beef cattle. Journal of Animal Science, 97(4), 1523-1533. [DOI:10.1093/jas/skz045]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
