Journals / Gaziosmanpaşa Üniversitesi Ziraat Fakültesi Dergisi / 2020 / Cilt: 37 - Sayı: 2

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

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

Pages
68–76
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

MSE and MAPE values were observed lower compared to the Gompertz model.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Mathematical models offer great convenience in estimating the variation in the growth of the living.
📊
Key Findings & Data: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.
💡
Conclusion & Impact:MSE and MAPE values were observed lower compared to the Gompertz model.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yapay sinir ağları · Gompertz modeli · etlik piliç

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.

Özet

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.

🔖

Cite This Article

BERBEROĞLU, E., ÖZKAN, N. (2020). Estimation and Comparison of Growth Curve in Broilers Through the Artificial Neural Networks and Gompertz Models. Gaziosmanpaşa Üniversitesi Ziraat Fakültesi Dergisi, Cilt: 37 - Sayı: 2, 68–76. https://ajindex.com/articles/220530

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  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. 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.
  6. Çayıroğlu İ (2003). İleri Algoritma Analizi Ders Notu. Karabük Üniversitesi Mühendislik Fakültesi Karabük. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. Gevrekçi Y, Yeğenoğlu ED, Akbaş