Estimation and Comparison of Growth Curve in Broilers Through the Artificial Neural Networks and Gompertz Models

Abstract

Mathematical models offer great convenience in estimating the variation in the growth of the living. The time-dependent change in weight and body sizes of the organism can be estimated easily via mathematical models. In this study, the growth curves of Ross 308 broilers compared through the Gompertz model, which explains growth best and the ANN model, which is assumed to be an alternative to this model. The model with high-estimated R² and low-estimated MSE, MAD, and MAPE values considered as the best model. The criteria obtained from the ANN and Gompertz models are 5625 and 2950 for MSE; 0.27, and 0.17 for MAPE; 0.5 and 1.2 for MAD, respectively while R² values were observed as 0.99 in both models. MSE and MAPE values were observed lower compared to the Gompertz model.

Keywords

• Artificial neural networks
• broiler
• Gompertz model
• growth curve live weight

Etlik Piliçlerde Büyüme Eğrisinin Yapay Sinir Ağları ve Gompertz Modeli ile Tahmin Edilmesi ve Karşılaştırılması

Öz

Canlının büyümesindeki değişimin tahminlenmesinde matematiksel modeller büyük kolaylıklar sağlamaktadır. Canlının ağırlık ve vücut ölçülerindeki zamana bağlı değişiminin tahmini matematiksel modeller ile kolay şekilde yapılabilmektedir. Çalışmada Ross 308 etlik piliçlerinin büyüme eğrileri, büyümeyi en iyi açıklayan Gompertz modeli ile bu modele alternatif olabileceği düşünülen YSA modeli karşılaştırılmıştır. R²’sı yüksek; HKO, OMS ve OMYH değerleri düşük tahminlenen model en iyi model olarak dikkate alınmıştır. YSA ve Gompertz modelinden elde edilen kriterler sırasıyla HKO için 5625ve 2950; OMYH için 0.27 ve 0.17; OMS değerleri ise 0.5 ve 1.2; R² değerleri ise her iki model için de 0.99 olarak gözlenmiştir. HKO ve OMYH değerleri Gompertz modeline göre daha düşük olarak gözlenmiştir. 

Anahtar Kelimeler

• Yapay sinir ağları
• Gompertz modeli
• etlik piliç
• canlı ağırlık
• büyüme eğrisi

Kaynakça

1. Adenaike AS, Akpan U, Udoh JE, Wheto M, Durosaro SO, Sanda AJ and Ikeobi CON (2017). Comparative evaluation of growth functions in three broiler strains of nigerian chickens. Tropıcal Agrıcultural Science. 40(4): 611–620.
2. Ahmadi H, Mottaghitalab M and Zadeh NN (2007). Group method of data handling- typeneural network prediction of broiler performance based on dietary metabolizable energy, methionine and lysine. The Journal of Applied Poultry Research 16(4): 494-501.
3. Aka S ve Akyüz (2018). Yapay sinir ağları analizi ile süreçlerinin iyileştirilmesi. Ege Akademik Bakış Dergisi, 18(2): 261-271.
4. Aksu N ve Uçan K (2016). Zaman ve konum girdileri kullanılarak yapay sinir ağlarıyla referans evapotraspirasyonun tahmin edilmesi. El-Cezeri Fen ve Mühendislik Dergisi, 3(2): 204-221.
5. Alpar R (2013). Çok Değişkenli İstatistiksel Yöntemler. Detay Yayıncılık. Bizim Büro ve Basım Evi. Ankara. 886.
6. Asilkan Ö ve Irmak S (2009). İkinci el otomobillerin gelecekteki fiyatlarının yapay sinir ağları ile tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi.14(2): 375-391.
7. Çayıroğlu İ (2003). İleri Algoritma Analizi Ders Notu. Karabük Üniversitesi Mühendislik Fakültesi Karabük.
8. Çelikoğlu K ve Tekerli M (2014). Pırlak kuzularında büyüme eğrilerini etkileyen genetik ve çevresel faktörlerin belirlenmesi ve eğri parametreleri yönünden baba koçların değerlendirilmesi. I. Bazı çevresel faktörlerin canlı ağırlığa ilişkin büyüme eğrilerine etkileri. Afyon Kocatepe Üniversitesi Veterinerlik Fakültesi, Zootekni Anabilim Dalı, Lalahan Hayvan Araştırma Enstitüsü Dergisi, 54(1): 8-14.

9. Çolak C, Orman MN ve Ertuğrul O (2006). Simental x Güney Anadolu Kırmızısı sığırına ait beden ölçüleri için basit doğrusal ve lojistik büyüme modeli. Ankara Üniversitesi Veterinerlik Fakültesi Dergisi, 53: 195-199.
10. Çuhadar M, Güngör İ ve Göksu A (2009). Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1): 99-114.
11. Doğan İ (2003). Kuzularda büyümenin çok boyutlu ölçekleme yöntemi ile değerlendirilmesi. Uludag University Journal of The Faculty of Veterinary Medicine 22(1-3): 33-37.
12. Eleroğlu, H, Bircan, H, Yıldırım, A. ve Kılıç, F, (2016). Ticari etlik piliçlerde büyüme eğrilerinin doğrusal olmayan modeller kullanılarak karşılaştırılması. Tavukçuluk Araştırma Dergisi 13(2): 12-16.
13. Gevrekçi Y, Yeğenoğlu ED, Akbaş Y ve Sesli M (2011). Yapay sinir ağlarının tarımsal alanda kullanımı. Ege Üniversitesi Ziraat Fakültesi Dergisi, 48(1): 71-76.
14. Kaastra, I and Boyd M (1996). Designing a neural network for forecasting financial and econometric time series, Neurocomputing, 10: 215-236.
15. Köyceyiz, F (2003). İvesi ve Morkaraman Kuzularında Değişik Vücut Ölçüleri Bakımından Büyüme Eğrileri.), Atatürk Üniversitesi Fen Bilimleri Enstitüsü Yayınlanmamış Yüksek Lisans Tezi, Erzurum.
16. Kubat, C (2015). Matlab Yapay Zeka ve Mühendislik Uygulamaları. Deniz Ofset Matbaacılık, s. 762, İstanbul.
17. Lambe NR, Navajas EA, Simm G and Bunger L (2006). A Genetics investigation of various growth models to describe growth of lambs of to contrasting breeds. Journal of Animal Science 84: 2642-2654.
18. Levis CD (1982). Industrial and Business Forecasting Methods, Butterworths Publishing. London.
19. Mohammed FA (2015). Comparison of three nonlinear functions for describing chicken growth curves. Science Agriculture, 9(3): 120-123.
20. Nabiye, VV (2003). Yapay Zeka. Birinci Baskı, Ankara. Seçkin Yayıncılık. 710.
21. Narinç D, Aksoy T, Çürek D. ve Karama, E (2007). Farklı gelişme hızına sahip etlik piliçlerde büyümenin analizi. Hayvancılık Araştırma Dergisi, 17(2):1-8.
22. Narinç D, Aksoy T, Karaman E ve Karabağ K (2009). Japon bıldırcınlarında yüksek canlı ağırlık yönünde uygulanan seleksiyonun büyüme parametreleri üzerine etkisi. Akdeniz Üniversitesi Ziraat Fakültesi Dergisi, 22(2): 149-156.
23. Öztemel E (2003). Yapay Sinir Ağları. Birinci Baskı, İstanbul. Papatya Yayıncılık, 231.
24. Roush WB, Dozier WA and Branton SL (2006). Comparison of gompertzandneural network models of broiler growth. Poultry Science 85(4): 794-797.
25. Şahin A, Ulutaş Z, Karadavut U, Yıldırım A ve Arslan S (2014). Anadolu mandası malaklarında büyüme eğrisinin çeşitli doğrusal olmayan modeller kullanılarak karşılaştırılması. Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, 20(3): 357-362.
26. Şekeroğlu A, Tahtalı Y, Sarıca M, Gülay MŞ, Abacı S. ve Duman M (2013). Farklı yerleşim sıklıklarındaki etlik piliçlerin büyüme eğrilerinin gompertz modeli ile karşılaştırılması. Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, 19(4): 669-672.
27. Takma Ç, Atı, H ve Aksakal V (2012). Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, 18(6): 941-944.
28. Witt SF and Witt C (1992). Modeling and Forecasting Demand in Tourism. Academic Pres, London. 195.
29. Yakupoğlu Ç (1999). Etlik piliçlerde büyüme eğrilerinin karşılaştırılması. Ege Üniversitesi Fen Bilimleri Enstitüsü, Yayınlanmamış Yüksek Lisans Tezi, İzmir.
30. Yazıcı AC, Öğüş E, Ankaralı S, Canan S, Ankaralı H ve Akkuş, Z (2007). Yapay sinir ağlarına genel bakış. Türkiye Klinikleri Dergisi, 27: 65-71.
31. Yavuz, S ve Deveci M (2013). İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40: 167-187.
32. Yıldız G, Soysal MI ve Gürcan EK (2009). Tekirdağ ilinde yetiştirilen Karacabey merinosu kıvırcık melezi kuzularda büyüme eğrilerinin farklı modellerle belirlenmesi. Tekirdağ Ziraat Fakültesi Dergisi, 6(1): 11-19.
33. Yılmaz B (2015). Akarçay Havzasında Çözünmüş Oksijen Değerlerinin Yapay Sinir Ağları ile Belirlenmesi. (Uzmanlık Tezi), Orman ve Su İşleri Bakanlığı Su Yönetimi Genel Müdürlüğü, Ankara.