مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران.

2 بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی چهار محال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران.

3 گروه علوم دام و طیور، پردیس ابوریحان، دانشگاه تهران، تهران، ایران

4 گروه علوم دامی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

همه نژادهای گوسفندان بومی ایران بجز نژاد زل، دنبه‌دار هستند و علیرغم درصد چربی لاشه کمتر بره‌های نر نسبت به ماده‌ها، دارای وزن دنبه بیشتری می‌باشند. استفاده از میزان تنوع درون‌نژادی جهت تغییر ژنتیکی مستلزم اندازه‌‌گیری دقیق وصحیح وزن دنبه در دام‌های تحت انتخاب می‌باشد. هدف این مطالعه مقایسه روش‌های مدل‌سازی شبکه عصبی مصنوعی (ANN) و مدل خطی جهت پیش‌بینی وزن دنبه در گوسفند از روی وزن بدن و اندازه‌های مختلف ابعاد دنبه بود. برای مدل‌سازی جهت برآورد وزن دنبه، تعداد 32 بره از نژادهای شال و زندی، آمیخته‌های زندی×شال، زل×زندی و زل×شال تهیه گردید. ورودی‌های مدل شامل نوع تولد، جنسیت، نژاد، عرض بالای دنبه، عرض میانی دنبه، عرض پایین دنبه، ارتفاع دنبه و وزن بدن قبل از کشتار و خروجی مدل وزن دنبه بود. صفات وزن بدن، نژاد و عرض میانی دنبه به ترتیب با مقادیر 83/0، 82/0- و 80/0 دارای بیشترین همبستگی با وزن دنبه داشتند. پارامترهای برازش بهترین مدل شبکه عصبی‌مصنوعی دارای ضرایب تبیین 99/0 و مجذور میانگین مربعات خطای(RMSE) 3/70 گرم بودند. میزان پارامترهای مذکور در مدل خطی به ترتیب 89/0 و 86/263 گرم بود. نتایج حاصل از بسط مطالعه اصلی، وجود پیچیدگی روابط متقابل بین‌ورودی‌های مدل را نشان داد. این پژوهش امکان پیش‌بینی دقیق و صحیح وزن دنبه نژادها و آمیخته‌های مختلف را با استفاده از شبکه عصبی به اثبات رساند. این مطالعه همچنین نشان داد که برآورد وزن دنبه از روی صفات قابل اندازه‌گیری در گوسفند با استفاده از مدل شبکه عصبی مصنوعی با صحت و دقت بیشتری نسبت به مدل خطی انجام می‌شود.

کلیدواژه‌ها

مراجع

  1. Agamy, R., Abdel-Moneim, A.Y., Abd-Alla, M.S., Abdel-Mageed I.I. and Ashmawi G.M. (2013). Use of fat tail dimensions for prediction of fat in tail and carcass in Egyptian ram lambs. Egyptian Journal of Animal Production. 50(3):144 -156.
  2. Atti, N., Bocquier, F. and Khaldi, G.(2004). Performance of the fat-tailed Barbarine sheep in its environment: adaptive capacity to alternation of underfeeding and re-feeding periods. Animal Research. 53(3):165-176.
  3. Bedhiaf Romdhani, S., Soumri, N. and Djemali, M. (2004). Use of fat tail and body scores to estimate lamb weights in fat tailed meat sheep. In: Proceedings of the 34th Biennial Session of ICAR, Sousse, Tunisia, p. 71-81.
  4. Esmailizadeh, A.K., Miraei-Ashtiani, S.R., Mokhtari, M.S. and Asadi-Fozi, M. (2011). Growth performance of crossbred lambs and productivity of kurdi ewes as affected by the sire breed under extensive production system. Journal of Agricultural Science and Technology. 13:701-708.
  5. Farid, A. (1991). Slaughter and carcass characteristics of three fat-tailed sheep breed and their crosses with Corriedal and Targhee rams. Small Ruminant Research. 5(3):255–271.
  6. Ghazanfari, S., Nobari, K. and Tahmoorespur, M. (2011). Prediction of Egg Production Using Artificial Neural Network. Iranian Journal of Animal Science. 1(1):11-16.
  7. Khaltabadi Farahani, H., Moradi Shahrbabak, H., Moradi Shahrbabak, M. and Mehrabani Yeganeh, M. (2010). Relationship of fat-tail and body measurements with some economic important traits in fat-tail Makoei breed of Iranian sheep. African Journal of Biotechnology. 9(36):5989-5992.
  8. Kashan, N.E.J., Manafi-Azar, G.H., Afzalzadeh, A. and Salehi, A. (2005). Growth performance and carcass quality of fattening lambs from fat-tailed and tailed sheep breeds. Small Ruminant Research. 60:267-271.
  9. Lavvaf, A. and Farahvash, T. (2012). Body measurements recording as an alternative to determine live weight and carcass performance of Macoei and Afshari sheep. Indian Journal of Animal Research. 46(3):263-267.
  10. Moradi, M.H., Nejati-Javaremi, A., Moradi-Shahrbabak, M., Dodds, K.G. and McEwan, J.C. (2012). Genomic scan of selective sweeps in thin and fat tail sheep breeds for identifying of candidate regions associated with fat deposition. BMC Genetics. 13:10-12.
  11. Norouzian, M.A. and Vakili-Alavijeh, M. (2016). Comparison of Artificial Neural Network and Multiple Regression Analysis for Prediction of Fat Tail Weight of Sheep. Iranian Journal of Applied Animal Science. 6(4):895-900.
  12. Safdarian, , Zamiri, M.J., Hashemi, M. and Noorolahi, H. (2008). Relationships of fat-tail dimensions with fat-tail weight and carcass characteristics at different slaughter weights of Torki-Ghashghaii sheep. Meat Science. 80(3):686-689.
  13. Vatankhah, M. and Talebi, M.A. (2008). Heritability estimates and correlations between production and reproductive traits inLori-Bakhtiari sheep in Iran. South African Journal of Animal Science. 38(2):110-118.
  14. Vatankhah, M., Moradi-Shahre Babak, M., Nejati-Javaremi, A., Mirayi-Ashtiani, S. and Vaez-Torshizi, R. (2004). Relation between body measurements with live weight, warm carcass, warm carcarr without fat-tail in Lori Bakhtiari sheep. Animl Science Journal, 65:7-15.
  15. Wright, D. (2015). The Genetic Architecture of Domestication in animals. Bioinformatics and Biology Insight. 9(4):11-20.
  16. Zamiri, M.J. and Izadifard, J. (1997). Relationships of fat-tail weight with fat-tail measurements and carcass characteristics of Mehraban and Ghezel rams. Small Ruminant Research. 15:261-266.
  17. , M.J. and Izadifard, J. (1997). Relationsheeps of fat-tail weight with fattail Measurements and carcass characteristics of Mehraban and Ghezel rams. Small Rumin. Res. 26:261-266.
علوم دامی
دوره 33، شماره 129
اسفند 1399
صفحه 167-182

فایل ها

هم رسانی

ارجاع به این مقاله

آمار