Kıvırcık Kuzularda Silaj Tipi, Silaj Tüketimi, Doğum Tipi ve Doğum Ağırlığının Besi Sonu Canlı Ağırlık Üzerine Etkilerinin MARS ve Bagging MARS Algoritmaları ile Saptanması

Bu çalışma, Kıvırcık kuzularında silaj tipi, silaj tüketimi, doğum tipi (tek veya ikiz) ve doğum ağırlığının besi sonu canlı ağırlığa etkisini belirlemek amacıyla yapılmıştır. Deneyde 2.5-3 aylık 40 erkek Kıvırcık kuzu kullanılmış ve hayvanlar 56 gün beslenmiştir. Kuzular besi döneminde 5 farklı silaj çeşidi (%100 ayçiçeği silajı, %75 ayçiçeği + %25 mısır silajı, %50 ayçiçeği + %50 mısır silajı, %25 ayçiçeği + %75 mısır silajı, %100 mısır) saf ve farklı oranlarda karıştırılmış ve konsantre yem ile beslenmiştir. Besi sonuçlarına ilişkin veriler MARS ve Bagging MARS algoritmaları ile analiz edilmiştir. Bu araştırmanın temel amacı, parametrik olmayan bir regresyon tekniği olarak Çok Değişkenli Uyarlanabilir Regresyon Splines (MARS) ve Bagging MARS algoritmalarını kullanarak kuzuların canlı ağırlığını tahmin etmektir. Canlı ağırlık değeri, doğum tipi, doğum ağırlığı, silaj tipi ve silaj tüketimi gibi faktörlere göre modellenmiştir. Canlı ağırlığı tahmin eden MARS algoritması için korelasyon katsayısı (r), belirleme katsayısı (R2), Düzeltilmiş R2, Hata Kareler Ortalamasının Karekökü (RMSE), standart sapma oranı (SD oranı), ortalama mutlak yüzde hatası (MAPE), ortalama mutlak sapma (MAD) ve Akaike Bilgi Kriterleri (AIC) değerleri sırasıyla 0.9986, 0.997, 0.977, 0.142, 0.052, 0.2389, 0.086 ve -88’dir. Bagging MARS algoritması için benzer istatistikler sırasıyla 0.754, 0.556, 0.453, 1.8, 0.666, 3.96, 1.47 ve 115’dir. MARS ve Bagging MARS algoritmalarının uyum iyiliği istatistiklerine göre doğru sonuçlar ortaya koyduğu gözlemlenmiştir. Bu çalışmada, MARS algoritmasının canlı ağırlık modellemesinde daha iyi sonuçlar verdiği ortaya çıkmıştır.

Determination of the Eff ects of Silage Type, Silage Consumption, Birth Type and Birth Weight on Fattening Final Live Weight in Kıvırcık Lambs with MARS and Bagging MARS Algorithms

Th is study was carried out to determine the eff ect of silage type, silage consumption, birth type (single or twin) and birth weight on live weight at the end of fattening in Kıvırcık lambs. In the experiment, 40 male Kıvırcık lambs aged 2.5-3 months were used and the animals were fattened for 56 days. During the fattening period, the lambs fed with 5 diff erent types of silage (100% sunfl ower silage, 75% sunfl ower + 25% corn silage, 50% sunfl ower + 50% corn silage, 25% sunfl ower + 75% corn silage, 100% corn silage) pure and mixed in diff erent proportions and concentrate feed. Data on fattening results were analyzed with MARS and Bagging MARS algorithms. Th e main objective of this research is to predict fattening final live weight (FFLW) of lambs using Multivariate Adaptive Regression Splines (MARS) and Bagging MARS algorithms as a nonparametric regression technique. Live weight value was modeled based on factors such as birth type, birth weight, silage type and silage consumption. Correlation coefficient (r), determination coefficient (R2), Adjust R2, Root-meansquare error (RMSE), standard deviation ratio (SD ratio), mean absolute percentage error (MAPE), mean absolute deviation (MAD), and Akaike Information Criteria (AIC) values of MARS algorithm predicting live weight were as follows: 0.9986, 0.997, 0.977, 0.142, 0.052, 0.2389, 0.086 and -88 respectively. Like statistics for Bagging MARS algorithm were 0.754, 0.556, 0.453, 1.8, 0.666, 3.96, 1.47 and 115 respectively. It was observed that MARS and Bagging MARS algorithms have revealed correct results according to goodness of fit statistics. In this study it has been determined that the MARS algorithm gives better results in live weight modeling.

PDF

___

1. Kara H, Eroğlu A: Tam sayılı doğrusal programlama metodu ile entansif hayvancılık işletmesinin kapasite planlaması: Konya (Ereğli) örneği. Çukurova Tarım Gıda Bil Der, 33 (2): 31-46, 2018.
2. Kutlu HR: Tüm yönleriyle silaj yapımı ve silajla besleme. ÇÜ Ziraat Fakültesi, Zootekni Bölümü, 2002. http://www.zootekni.org.tr/upload/file/ silaj%20el%20ktabi.pdf. Accessed: 29.01.2022.
3. Alçiçek A: Silo yemi; önemi ve kalitesini etkileyen faktörler. E.Ü.Z.F. Tarımsal Uygulama ve Araştırma Merkezi Yayını No. 22, İzmir, 1995.
4. Yaylak E, Alçiçek A: Sığır besiciliğinde ucuz bir kaba yem kaynağı: Mısır silajı. Hayvansal Üretim, 44 (2): 29-36, 2003.
5. Yıldız S: Saanen x Kıl keçisi melezi (F1) keçilerin rasyonlarında mısır silajı yerine ayçiçeği silajının kullanılmasının rumen ve kan parametreleri ile süt verimi ve bileşimine etkisi. Doktora tezi. Yüzüncü Yıl Üniv. Fen Bil. Enst., 2017.
6. Öztürk D: The characteristics of goat farming systems in Kahramanmaraş in the North Eastern Mediterranean region of Turkey. 7th International Conference on Goats. 15-21 May 2000, Paris, France, pp.360-361, 2000.
7. Koyuncu M, Akgün H: Some fertility traits of Kıvırcık sheep in rural farms. J Anim Prod, 59 (1): 33-40, 2018. DOI: 10.29185/hayuretim.406696
8. Erdoğmuş Süer İN, Kocabağlı N: Yüksek düzeyde konsantre yemle beslenen kuzularda yeme maya (Saccharomyces cerevisiae) veya malik asit ilavesinin performans üzerine etkisi. IJVAR, 1 (1): 01-04, 2018.
9. Ekiz B, Yilmaz A, Yalcintan H, Yakan A, Kocak O, Ozcan M: The effect of production system and finish weight on carcass and meat quality of Kivircik lambs. Ann Anim Sci, 19 (2): 517-538, 2019. DOI: 10.2478/aoas- 2019-0010
10. Kader Esen V, Elmacı C: The estimation of live weight from body measurements in different meat-type lambs. J Agr Sci, 27 (4): 469-475, 2021. DOI: 10.15832/ankutbd.719037
11. Karabacak A, Boztepe S: Yağlı kuyruklu ve ince yağsız ince koyun ırklarının besi performanslarının karşılaştırılması. Selçuk Üniv Ziraat Fak Derg, 21 (42): 89-95, 2007.
12. Canbolat Ö, Kara H, Filya İ, Kamalak A: Kuzu besi rasyonlarına ilave edilen canlı mayanın besi performansı ile bazı rumen sıvısı ve kan parametreleri üzerine etkisi. Uludağ Üniv Ziraat Fak Derg, 29 (1): 73-85, 2015.
13. Friedman JH: Multivariate adaptive regression splines. Ann Statist, 19 (1): 1-67, 1991. DOI: 10.1214/aos/1176347963
14. Goh ATC, Zhang W, Zhang Y, Xiao Y, Xiang Y: Determination of earth pressure balance tunnel-related maximum surface settlement: A multivariate adaptive regression splines approach. Bull Eng Geol Environ, 77, 489-500, 2018. DOI: 10.1007/s100640160937-8
15. Zhang YZ, Ma W, Wang TL, Cheng BY, Wen A: Characteristics of the liquid and vapor migration of coarse-grained soil in an open-system under constant temperature freezing. Cold Reg Sci Technol, 165:102793, 2019. DOI: 10.1016/j.coldregions.2019.102793
16. Ju X, Chen VCP, Rosenberger JM, Liu F: Fast knot optimization for multivariate adaptive regression splines using hill climbing methods. Expert Sys Appl, 171:114565, 2021. DOI: 10.1016/j.eswa.2021.114565
17. Hastie T, Tibshirani R, Friedman J: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed., Springer, New York, USA, 2009.
18. Milborrow S: Notes on the earth package 2021; http://www.milbo.org/ doc/earthnotes.pdf. Accessed: 22.11.2021.
19. Kunn M, Johnson K: Applied predictive modeling. NY, 2013. https:// doi.org/10.1007/978-1-46146849-3. Accessed: 17.10.2021.
20. Breiman L: Bagging Predictor Technical Report No. 421. Department of Statistics University of California, 1994.
21. Hasyim M, Rahayu DS, Muliawati NE, Hayuhantika D, Puspasari R, Anggreini D, Hastari RC, Hartanto S, Utomo FH: Bootstrap aggregating multivariate adaptive regression splines (Bagging MARS) to analyze the lecturer research performance in private university. J Physi Conf Ser, 1114:012117, 2018. DOI: 10.1088/1742-6596/1114/1/012117
22. Willmott CJ, Matsuura K: Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim Res, 30, 79-82, 2005. DOI: 10.3354/cr030079
23. Liddle AR: Information criteria for astrophysical model selection. Mon Not R Astron Soc, 377: L74-L78, 2007. DOI: 10.1111/j.1745-3933. 2007.00306.x
24. Takma C, Atil H, Aksakal V: Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Univ Vet Fak Derg, 18, 941-944, 2012. DOI: 10.9775/ kvfd.2012.6764
25. Eyduran E, Akın M, Eyduran SP: Application of multivariate adaptive regression splines in agricultural sciences through R software. Nobel Bilimsel Eserler Sertifika, p.20779, 2019.
26. Grzesiak W, Zaborski D: Examples of the use of data mining methods in animal breeding. In, Karahoca A (Ed): Data Mining Applications in Engineering and Medicine. 303-324, InTech, Rijeka, Croatia. 2012.
27. Milborrow S: Derived from Mda: Mars by Trevor Hastie and Rob Tibshirani. Uses Alan Miller’s Fortran utilities with Thomas Lumley’s leaps wrapper. earth: Multivariate Adaptive Regression Splines. R package version 4.4. 4. 20164; 2016.
28. Milborrow MS: Package ‘earth’. R Software package, 2019.
29. Altın T, Karaca O, Cemal İ, Yılmaz M, Yılmaz O: Kıvırcık ve Karya kuzularda besi ve karkas özellikleri. Hayvansal Üretim, 46 (1): 19-29, 2005.
30. Alarslan E, Aygün T: Yalova’da yetiştirilen Kıvırcık kuzularında büyümegelişme ve bazı morfolojik özelliklerinin belirlenmesi. J Anim Prod, 60 (1): 39-50, 2019. DOI: 10.29185/hayuretim.556669
31. Ekiz B, Yılmaz A, Özcan M, Kaptan C, Hanoğlu H, Erdoğan I, Yalcıntan H: Carcass measurements and meat quality of Turkish Merino, Ramlic, Kıvırcık, Chios and Imroz lambs raised under an intensive production system. Meat Sci, 80, 64-70, 2009. DOI: 10.1016/j.meatsci.2008.12.001
32. Ekiz B, Altınel A: The growth and survival characteristics of lambs produced by commercial crossbreeding Kıvırcık ewes with F2 rams with the German Black-Headed Mutton genotype. Turk J Vet Anim Sci, 30, 507-512, 2006.
33. Cihan P, Gökçe E, Atakişi O, Kırmızıgül AH, Erdoğan HM: Prediction of immunoglobulin G in lambs with artificial intelligence methods. Kafkas Univ Vet Fak Derg, 27 (1): 21-27, 2021. DOI: 10.9775/kvfd.2020.24642
34. Tahtali Y, Sahin M, Bayyurt L: Comparison of different growth curve models in Romanov lambs. Kafkas Univ Vet Fak Derg, 26 (5): 609-615, 2020. DOI: 10.9775/kvfd.2020.23954