مقایسه مدل خطی و شبکه عصبی مصنوعی در پیش‌بینی تولید شیر با استفاده از رکوردهای اولین دوره شیردهی ثبت شده

سابقه و هدف: پیش‌بینی دقیق تولید شیر یکی از ملزومات مدیریت دامپروری و مدل‌سازی درآمد دامداران در تجزیه و تحلیل های هزینه-فایده می‌باشد. بطوری که پیش‌بینی دقیق رکوردهای آینده می‌تواند طول دوره رکوردبرداری را کاهش دهد. برآوردهای زودهنگام ارزش اصلاحی گاوهای نر با استفاده از رکوردهای بخشی از دوره شیردهی می‌تواند باعث کاهش فاصله نسل و بیشتر شدن شدت انتخاب و پیشرفت ژنتیکی گردد. مدل خطی یکی از روشهای مرسوم مدلسازی در تحقیقات رشته های مختلف علوم می باشد. شبکه عصبی مصنوعی روشی مبتنی بر هوش مصنوعی است که اصول کارکرد آن مانند سلول‌های مغز انسان می‌باشد. کاربرد آسان شبکه عصبی مصنوعی و توان مدل‌سازی توابع و روابط پیچیده یک از عوامل کاربرد وسیع آن است. در طول دو دهه گذشته انقلابی در جهت استفاده از شبکه‌های عصبی مصنوعی برای مدل‌سازی در حوزه‌های مختلف علوم ایجاد شده است که نشان از موفقیت کاربرد این تکنیک قدرتمند در حل دامنه وسیعی از مشکلات مربوط به علوم مختلف می‌باشد. با این مقدمه تحقیق حاضر با هدف پیش‌بینی تولید شیر گاوهای شیری در دوره‌های شیردهی مختلف با استفاده از تولید شیر اولین دوره شیردهی رکوردبرداری شده و مدل‌سازی شبکه عصبی مصنوعی انجام شد. علاوه بر آن نتایج مدل شبکه عصبی مصنوعی با مدل خطی مورد مقایسه قرار گرفت. مواد و روشها: در این تحقیق از رکوردهای دو دوره‌شیردهی متوالی 2460 راس گاو شیری مربوط به یک گله استفاده شد. در شجره سری داده مورد استفاده تعداد 2517 گاو شیری وجود داشت. جهت برازش مدل شبکه عصبی مصنوعی، داده ها به دو دسته آموزش و آزمون تقسیم شدند. مدل شبکه عصبی با استفاده از داده‌های آموزش روابط بین خروجی و ورودی‌ها را یادگیری نمود. با پیش‌بینی خروجی داده-های آزمون توسط مدل و مقایسه برآوردها با اندازه‌های واقعی، پارامترهای برازش مدل مورد بررسی قرار گرفتند. ساختار شبکه‌ای که بهترین پارامترهای برازش را ایجاد می‌نمود در مدل شبکه عصبی مصنوعی مورد استفاده قرار گرفت. در نهایت، مدل خطی بر روی داده ها برازش شده و با مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. یافته ها: بهترین ساختار مدل شبکه عصبی دارای 8 ورودی، 4 نرون در لایه پنهان اول، 2 نرون در لایه پنهان دوم و یک خروجی بود که ورودی‌های آنها شامل ارزش اصلاحی میانگین تولید شیر دوره اول شیردهی ثبت شده، نوبت زایش،‌ گروه پدری، سن اولین زایش ثبت شده، تعداد رکورد برای هر دوره شیردهی و میانگین، حداقل و حداکثر روزهای شیردهی ثبت شده و خروجی مدل شامل رکورد شیر تولیدی بود. مدل شبکه عصبی مورد استفاده، رکورد مربوط به دوره‌های شیردهی را به ترتیب با RMSE و ضریب تبیین 94/7 و 625/0 برآورد کرد. ضریب تبیین و RMSE مدل خطی مورد بررسی به ترتیب 39/0 و 63/26 بود. نتیجه گیری: مدل شبکه عصبی مورد استفاده در این تحقیق قادر به پیش‌بینی تولید شیر دوره آینده بر اساس اطلاعات اولین دوره شیردهی ثبت شده بود. این تحقیق نشان داد که استفاده از مدل‌سازی شبکه عصبی می تواند در کاهش طول دوره رکوردبرداری برای ارزیابی ژنتیکی گاوهای شیری بخصوص گاوهای نر مفید می‌باشد و می‌تواند باعث کاهش فاصله نسل گردد. نتایج همچنین نشان داد که با بکارگیری مدل شبکه عصبی مصنوعی داده‌های ناقص نیز در ارزیابی ژنتیکی قابل استفاده می‌باشند. مقایسه تحقیق حاضر با تحقیقات گذشته نشان داد که استفاده از عوامل موثرتر برای تولید شیر به عنوان ورودی مدل می‌تواند دقت و صحت پیش‌بینی ها را افزایش دهد.