تغذیه طیور در سیستم دامپروری هوشمند: استفاده از برنامه ها و مدل های مختلف در تامین نیازمندی دقیق طیور

1. مقدمه

تغذیه هوشمند سیستمی از اطلاعات جمع آوری شده توسط حسگرها برای پاسخگویی به تامین دقیق و بلادرنگ نیازهای پرندگان است. استفاده از چنین سیستمی علاوه بر صرفه‌جویی در زمین‌های قابل کشت و منابع آب، منجر به شفاف‌سازی فرآیندهای تولید مواد خوراکی برای مصرف کنندگان می‌شود. در این مقاله به اصول جیره‌نویسی هوشمند و چالش‌هایی که در پراکندگی ترکیب شیمیایی مواد خوراکی در تامین نیازمندی‌های دقیق پرندگان وجود دارد، با بهره‌گیری از اصول تغدیه هوشمند پرداخته شده است.

2. جیره‌نویسی هوشمند

جیره‌نویسی فرآیند پیچیده‌ای است که در آن نه تنها عوامل تغذیه‌ای، بلکه عوامل اقتصادی، زیست‌محیطی و اجتماعی نیز باید در نظر گرفته شود. برای بهینه‌سازی در این زمینه، علاوه بر اطلاعات راجع به احتیاجات غذایی به معنای کلاسیک آن (حداقل سطح ماده مغذی مورد نیاز برای به حداکثر رساندن پاسخ)، اطلاعات در زمینه شکل منحنی رشد و شکل پاسخ احتمالی حیوان به تغییرات سطح ماده مغذی در جیره بسیار مهم خواهد بود.

شورای ملی تحقیقات آمریکا (NRC، 1994) از دیرباز ارزش استفاده از مدل‌های ریاضی برای تخمین غلظت‌های بهینه مواد مغذی جیره جهت دستیابی به تولید مطلوب در طیور را شناسایی کرده است. در شرایط عملی، در نظر گرفتن تنوع شرایط بازار و ترکیب مواد مغذی تشکیل دهنده مواد خوراکی بسیار مهم است. به دلیل پراکندگی در سطوح مواد مغذی موجود در مواد خوراکی، متخصصین تغذیه اغلب سطوح مواد مغذی جیره را اندکی بالاتر از احتیاجات در نظر می‌گیرند. به این طریق آن‌ها به تعهد قانونی خود برای تأمین حداقل سطح مواد مغذی مورد نیاز برای جیره‌های خاص عمل می‌کنند و معمولاً با این روش حیوانات به سطوح مورد انتظار بهره‌وری می‌رسند؛ اما این راه‌کار علاوه بر گران نمودن قیمت تمام شده خوراک، موجب دفع مواد مغذی بیشتری به محیط زیست شده و مخاطرات زیست‌محیطی را به دنبال خواهد داشت.

نوسانات بازار معمولا بر قیمت مواد اولیه خوراک و ارزش محصول تولیدی اثر می‌گذارد. این عوامل نیز به نوبه خود بر غلظت و نسبت بهینه مواد مغذی در جیره تأثیر می‌گذارند. بنابراین، تعریف محصول (به عنوان مثال، هر کیلوگرم گوشت مرغ)، و ارزش اقتصادی پیش‌بینی‌شده محصول (قیمت محصول تولیدی)، از جمله عوامل دیگر تاثیرگذار بر جیره‌نویسی هوشمند است. بهینه‌سازی بیشتر در این زمینه تنها زمانی امکان پذیر است که هم نیاز به مواد مغذی و هم زیست فراهمی مواد مغذی در مواد خوراکی مختلف، مشخص باشد. بنابراین، تغذیه هوشمندانه طیور هم به توصیف ریاضی پاسخ‌های مواد مغذی و هم به دانش دقیق از سطوح مواد مغذی موجود در مواد خوراکی نیاز دارد. لذا، فن‌آوری‌های پیشرفته مانند طیف‌سنجی نزدیک مادون قرمز (NIRS) که برای پیش‌بینی آنالیز تقریبی مواد خوراکی مورد استفاده قرار می‌گیرد، بخش مهمی از یک سیستم هوشمندانه تغذیه طیور خواهد بود.

3. پراکندگی در ترکیب شیمیایی مواد خوراکی

ترکیب مواد مغذی موجود در مواد خوراکی می‌تواند به دلیل تفاوت در ژنتیک گیاه و شرایط محیطی محل کشت متفاوت باشد. اگر در تنظیم جیره های غذایی به چنین پراکندگی هایی توجه نشود، سطوح واقعی مواد مغذی در جیره‌های دام و طیور می‌تواند به راحتی دچار نوسان شود. جیره‌های نامتعادل هزینه‌های تغذیه را با کاهش عملکرد و بازدهی تولید پرندگان و افزایش دفع مواد مغذی مازاد در محیط (که منجر به آلودگی‌های زیست محیطی می‌شود)، بالا می‌برند. بنابراین، پراکندگی در ترکیب مواد مغذی و زیست فراهمی مواد خوراکی باید هنگام فرموله کردن جیره در نظر گرفته شود. راه‌کارهای مختلفی برای مقابله با پراکندگی مواد مغذی در فرمولاسیون خوراک وجود دارد.

• در نظرگرفتن حاشیه اطمینان و برنامه نویسی تصادفی

در حال حاضر جیره نویسی معمولا با استفاده از نرم‌افزار‌های مبتنی بر برنامه‌ریزی خطی صورت می‌گیرد. در این نرم‌افزار‌ها برای هر ماده خوراکی معمولاً سطوح ثابت و مشخصی از مواد مغذی در نظر گرفته می‌شود، که غالباً میانگین میزان ماده مغذی مورد نظر در ارقام مختلف ماده خوراکی می‌باشد. چنانچه فرض کنیم توزیع سطح ماده مغذی در ارقام مختلف یک ماده خوراکی (مثلا ذرت) نرمال باشد، استفاده از اعداد میانگین در جیره نویسی به این معنی است که در 50 درصد موارد سطح واقعی ماده مغذی در جیره کمتر از سطح در نظر گرفته شده خواهد بود، که این امر سبب نامتوازنی جیره خواهد شد. برای حل این مشکل متخصصین تغذیه گاهاً یک حاشیه اطمینان جهت سطح ماده مغذی در نظر می‌گیرند (مقداری از عدد میانگین کسر می‌کنند) که این کار اگر چه احتمال کمبود در جیره را کاهش می‌دهد ولی به طور همزمان احتمال زیاد بود ماده مغذی و دفع مازاد در محیط را افزایش می‌دهد. به عنوان مثال، یکی از روش‌ها برای در نظر گرفتن حاشیه اطمینان به این صورت است که به اندازه نصف انحراف معیار (SD) از عدد میانگین کسر می‌شود. همان طور که گفته شد این کار اگر چه احتمال تامین احتیاجات پرنده را افزایش می‌دهد ولی به طور همزمان احتمال حضور مازاد ماده مغذی در جیره و دفع آن در محیط را نیز افزایش می‌دهد. به نظر می‌رسد که استفاده از برنامه‌های تصادفی (Stochastic) به جای برنامه‌های خطی (Linear) در جیره‌نویسی می‌تواند مشکل کمتر در نظر گرفته شدن سطح ماده مغذی را برطرف کرده و به طور هم‌زمان احتمال تغذیه بیش از اندازه ماده مغذی را به حداقل برساند. بنابراین نرم‌افزار‌های جیره‌نویسی در آینده احتمالاً به جای تکیه به برنامه‌ریزی خطی، از برنامه‌های تصادفی بهره خواهند برد.

• استفاده از بیش از یک مخزن برای ذخیره‌سازی هر نوع ماده خوراکی

یکی از راهکارها برای کاهش  پراکندگی سطح مواد مغذی در مواد خوراکی ذخیره شده در یک مزرعه یا کارخانه خوراک دام، گروه بندی براساس سطح ماده مغذی مورد نظر می‌باشد. مثلا برای ذرت می‌توان یک عدد میانگین سطح پروتئین خام در نظر گرفته و محموله‌های با مقدار پروتئین بالاتر از آن را در یک مخزن و محموله‌های با پروتئین پایین‌تر از مقدار در نظر گرفته شده را مخزنی دیگر نگهداری کرد. این راهکار در نهایت می‌تواند سبب کاهش مقدار انحراف معیار سطح ماده مغذی از عدد میانگین شده و در نتیجه کاربرد آن در نرم افزارهایی که علاوه بر میانگین سطح ماده مغذی، مقدار انحراف معیار را نیز در نظر می‌گیرند (نظیر نرم افزارهای مبتنی بر برنامه ریزی تصادفی) بهتر شده و در نهایت منجر به ارایه فرمول‌های دقیق‌تری خواهد شد.

4. پاسخ به مواد مغذی، اهمیت تفکر در مقابله با تغییرات بازار

احتیاجات غذایی ذکر شده در راهنماهای مدیریت پرورش نظیر NRC و یا سایر منابع، سطوح ثابتی از مواد مغذی هستند که غالبا برای حداکثر کردن عملکرد تعیین شده‌اند و نه حداکثر کردن سود. قرار دادن حداکثر عملکرد به عنوان مبنا در سیستم‌های تولیدی به دلایل مختلف می‌تواند مبهم و گمراه کننده باشد. اول این که در بحث حداکثر کردن عملکرد، معیارهای مختلفی قابل استفاده است (نظیر سرعت رشد، بازده خوراک، بازده لاشه، سلامت و آسایش پرنده)؛ به طوری که برای حداکثر کردن عملکرد در هر زمینه سطوح متفاوتی از مواد مغذی مورد نیاز خواهد بود. دوم این که احتیاجات مواد مغذی منتشر شده غالباً براساس پاسخ‌های گروهی (گله‌ای) تعیین شده و حال آن که هر یک از افراد گله به دلیل تفاوت‌های ژنتیکی و ترکیب بدن، ممکن است احتیاجات متفاوت داشته باشد. همچنین اثر محیط روی افراد مختلف گله ممکن است متفاوت باشد. تعیین دقیق‌تر احتیاجات برای افراد یک گله ممکن است از طریق گروه بندی افراد گله به دسته‌های کوچکتر (مثلاً بر اساس وزن بدن) امکان پذیر باشد. این امر منجر به بهره‌وری بیشتر در تغذیه شده و سودآوری بیشتری را در پی خواهد داشت. بنابراین، یکی از اهداف تغذیه هوشمندانه طیور، تغییر نگاه از حالت گله‌ای به سمت پاسخ‌های دریافتی از تک تک افراد گله می‌باشد.

پیشنهاد شده است زمانی که هدف حداکثر کردن سود باشد (در مقایسه با حداکثر کردن عملکرد)، احتیاجات به مواد مغذی ممکن است تغییر کند. به عبارت دیگر در شرایط اقتصادی متفاوت، برای حداکثر کردن سود، پرندگان احتیاجات مواد مغذی متفاوتی خواهند داشت. در حال حاضر متخصصین تغذیه معمولاً جیره‌نویسی را به گونه‌ای انجام می‌دهند که یک فرمول خاص با حداقل قیمت و جهت برآورده کردن احتیاجات میانگین گله در یک بازه زمانی مشخص بدست می‌آید. به منظور حداقل کردن قیمت، سطح مواد مغذی خاص در جیره باید در پایین‌ترین حد ممکن نگه داشته شود. در چنین شرایطی غالباً موفقیت جیره‌نویسی بستگی به این خواهد داشت که جیره‌نویس بر اساس تجربه شخصی تا چه اندازه بتواند سطح مواد مغذی خاص را بدون این که عملکرد تحت تاثیر قرار بگیرد، پایین بیاورد. از طرف دیگر، سطح مواد مغذیی که تاثیر چندانی روی قیمت جیره ندارد (ارزان قیمت) معمولاً بالاتر در نظر گرفته شده که این مازاد در طبیعت دفع شده و آلودگی‌های زیست‌محیطی را در پی دارد. لذا جهت بهبود در این قضیه، نیاز به برنامه‌هایی خواهد بود که درآن‌ها مسائلی نظیر حداکثر کردن سود، جنبه‌های زیست‌محیطی، و خواسته‌های اجتماعی به طور همزمان در تابع هدف گنجانده شوند.

بنابراین در آینده نیاز است که به جای در نظر گرفتن حداکثر عملکرد به عنوان هدف، اجازه دهیم تا مسائلی نظیر قیمت محصول تولیدی و هم چنین هزینه مواد اولیه (اقلام خوراکی)، مشخص کننده سطوح بهینه مواد مغذی در جیره فرموله شده باشند. به عبارت دیگر، جهت فرمولاسیون جیره‌ها از یک نیاز ثابت به مواد مغذی استفاده نشود، بلکه بسته به قیمت مواد خوراکی و قیمت محصول تولیدی، مناسب‌ترین سطح ماده مغذی برای رسیدن به  حداکثر سود، مشخص شود. به عنوان مثال، در صنعت پرورش مرغ تخم‌گذار، از دامنه وسیعی از انرژی (از حدود2680 تا2990 کیلوکالری در هر کیلوگرم جیره) در شرایط مختلف استفاده می‌شود. بر این اساس، گروهی از دانشمندان مدل‌های غیر خطی جهت بهینه‌سازی سطح انرژی جیره در پرورش مرغ تخم‌گذار را توسعه دادند. این دانشمندان با استفاده از این مدل‌ها به خوبی نشان دادند که قیمت تخم‌مرغ و قیمت نهاد‌ه‌های خوراکی در نهایت می‌تواند مشخص کننده مناسب‌ترین سطح انرژی جهت رسیدن به حداکثر سود اقتصادی باشد. جالب است که با استفاده از این مدل‌ها، مناسب‌ترین سطح انرژی جهت حداکثر کردن سود با قیمت‌های متفاوت مواد خوراکی و تخم‌مرغ، در بازه 2535 تا 3035 کیلوکالری در هر کیلوگرم جیره متغیر بود. گروه دیگری از دانشمندان با استفاده از مدل‌های مشابه، مناسب‌ترین سطح اسیدهای آمینه گوگرددار را برای قیمت‌های متفاوت تخم‌مرغ و نهاد‌ه‌ها، در بازه 562 تا 859 میلی‌گرم در روز به ازای هر مرغ گزارش کردند.

بنابراین تا کنون فرض بر این بوده که حداکثر کردن میزان تولید در هر شرایطی مترادف با حداکثر سودآوری می‌باشد و حال آن که به نظر می‌رسد که برای هر حالت از هزینه نهاد‌ه‌ها و قیمت محصول تولیدی، سطح تولید خاصی منجر به حداکثر سودآوری خواهد شد و این چیزی است که در آینده مورد توجه بیشتری قرار خواهد گرفت.

5. استفاده از مدل‌های ریاضی در تغذیه هوشمند طیور

مدل‌ها با پیوند دادن ورودی‌ها و خروجی‌ها به درک بهتر سیستم‌ها کمک می‌کنند. تحقیقات زیادی اغلب برای استنباط توابع ریاضی مرتبط، که ماهیت روابط بین بخش‌های یک سیستم و ضرایبی را که سهم نسبی ویژگی‌های خاص رابطه را توصیف می‌کنند، مورد نیاز است. مدل‌های ریاضی بخشی جدایی ناپذیر از تغذیه هوشمندانه طیور هستند. مدل‌سازی ریاضی ابزاری برای نمایش و درک بخش‌های یک سیستم با ساده‌سازی، ادغام و پیوند اجزاء است. واحد شبیه‌سازی شده می‌تواند در مقیاس کوچک (به عنوان مثال، یک مرغ) یا در مقیاس بزرگ (یک گله، یک مزرعه، یا یک کارخانه خوراک دام) باشد.

مدل‌های ریاضی نشان‌دهنده عملکرد سیستم هستند و می‌توانند برای تولید و آزمون فرضیه‌های علمی مورد استفاده قرار گیرند. مدل‌های ریاضی همچنین برای توسعه ابزارهایی با کارآیی پیش‌بینی و تصمیم‌گیری نیز مورد استفاده قرار گرفته‌اند. با افزایش دسترسی به داده‌های بزرگ در صنعت طیور، فرصتی برای ادغام اطلاعات از منابع مختلف و توسعه ابزارهای عملی وجود دارد. شروع ادغام این اطلاعات مبتنی بر درک مفهوم تبدیل مواد مغذی به محصول نهایی است، که در این بین مدل‌های ریاضی می‌توانند به درک بهتر احتیاجات مواد مغذی و میزان مصرف مواد مغذی کمک کنند.

دو نوع اصلی از مدل‌های ریاضی وجود دارد شامل 1) مدل‌های تجربی یا آماری و 2) مدل‌های مکانیکی. مدل‌های تجربی معادلات ریاضی هستند که با استفاده از داده‌ها اعتبارسنجی می‌شوند و اغلب برای درک چگونگی تأثیر عوامل گسسته (تیمارها) بر نتایج عملکرد در تولید طیور استفاده می‌شوند. مدل‌های تجربی زمانی بیشترین کاربرد را دارند که بخش‌های معادله ریاضی جزئی ذاتی از واقعیت در حال توصیف باشند. به عبارت دیگر، پارامترها جزء واقعی از سیستم را نشان می‌دهند. این بدان معنی است که پارامترهای موجود در این مدل‌ها از نظر بیولوژیکی مرتبط بوده و مستقیماً در عمل قابل استفاده هستند. این امر همچنین توسعه مدل‌های مکانیکی از فعالیت‌های تجربی را آسان می‌کند. در زمینه تغذیه، مدل‌های مکانیکی مکانیسم‌ها یا فرآیندهای بیولوژیک زیربنایی را شبیه‌سازی می‌کنند. هنگامی که در این مدل‌ها مقادیر پارامتر در طول زمان تغییر می‌کند، مدل‌ها به عنوان پویا شناخته می‌شوند. چنین مدل‌هایی امکان ارزیابی تغییرات و پویایی در سامانه مورد نظر را فراهم می‌کنند. در جستجوی شیوه‌های تغذیه پایدار طیور، جهت درک ارتباط بین عملکرد، احتیاجات مواد مغذی، و دریافت مواد مغذی، به هر دو نوع مدل ذکر شده در فوق نیاز می‌باشد.

1.5  مدل‌های رشد و تولید تخم مرغ

احتیاجات غذایی طیور به عوامل زیادی مانند ژنوتیپ، پتانسیل رشد، اندازه بدن، محیط، وضعیت سلامت، سن و وضعیت فیزیولوژیک پرنده بستگی دارد .به طور کلی، هدف از تولید گوشت، بهینه‌سازی رشد بافت بدون چربی اغلب با تاکید بر بافت ماهیچه سینه است. اگرچه تولید تخم‌مرغ در تعیین احتیاجات غذایی مرغ‌های تخم‌گذار اهمیت بسیار زیادی دارد، اما حفظ وزن بدن و رشد احتمالی مورد نیاز نیز به میزان قابل ‌توجهی در تعیین احتیاجات موثر است.

مدل‌های رشد برای مطالعه تغییرات وزن بدن نسبت به سن و همچنین سرعت بلوغ وزنی (رشد آلومتریک) اعضای مختلف بدن نسبت به وزن کل بدن استفاده می‌شود. استفاده از مدل‌های رشد مناسب برای سویه‌های گوشتی می‌تواند به پیش‌بینی نیازهای تغذیه‌ای و مصرف خوراک، و یا سن بهینه کشتار کمک کرده و تفاوت‌ها در پاسخ‌های رشد به دلیل تغییرات در شرایط محیطی را به حساب آورد.

تابع رشد گومپرتز (گومپرتز، 1825) یا انواع تغییر یافته آن برای توصیف رابطه وزن و سن برای قسمت‌های مختلف بدن استفاده شده است، اما این تابع برای قسمت‌های مختلف بدن به یک میزان کارآیی نداشته است. معادله‌ هاکسلی (هاکسلی و تیسر، 1936) به میزان بیشتری برای توصیف رابطه وزن قسمت‌های مختلف بدن با وزن کل بدن مورد استفاده قرار گرفته است. با بهبود ابزارهای محاسباتی در سال‌های گذشته، مدل‌های چند فازی و مدل‌های رگرسیونی تصادفی چند فازی برای در نظر گرفتن تغییرات فردی در برآورد پارامترها پیشنهاد شده‌اند. در این بین، اقبال به مدل‌های رگرسیون تصادفی در حال افزایش است، زیرا با استفاده از این مدل‌ها تاثیر افراد در تغییر پارامترهای خاص به نحو بهتری قابل تشخیص است. به این ترتیب، با استفاده از چنین مدل‌هایی نه تنها اثرات تیمار، بلکه تغییرات در ضرایب مدل به دلیل تفاوت‌های فردی منحصر به فرد نیز قابل برآورد است. باید توجه داشت که درک بهتر رشد و نمو افراد، امکان پیش‌بینی بهتر احتیاجات غذایی برای حمایت از آن رشد را فراهم خواهد کرد.

هدف از رشد در طیور پرورش یافته برای تولید تخم‌مرغ، بهینه‌سازی ویژگی‌های فیزیکی همچون ترکیب بدن برای حمایت از تولید تخم است. برای این منظور می‌توان از مدل‌های چند فازی استفاده کرد که شامل هر دو مرحله پرورش و بلوغ می‌شود. با این حال، رابطه دقیق بین شکل منحنی رشد (پارامترهای برآورد شده مدل) و تولید تخم هنوز چندان مشخص نیست. در مرغ‌های مادر گوشتی، چالش مشابهی برای دستیابی به یک ترکیب بدنی بهینه وجود دارد، اما چالش شناسایی یک استراتژی رشد بهینه پیچیده‌تر می‌باشد. برنامه‌های محدودیت خوراکی در پرورش مرغ‌های مادر گوشتی نیازمند یک بازنگری می‌باشند، چون پس از دهه‌ها و علی‌رغم بهبود مداوم ژنتیکی در وزن بدن، بازدهی رشد بدون چربی و ضریب تبدیل خوراک، تقریباً هیچ تغییری در توصیه‌های وزن بدن وجود نداشته است. زوکیوسکی و همکاران (2021) و افروزیه و همکاران (2021) آزمایش‌هایی را طراحی کردند که در آن‌ها از معادلات چند فازی گمپرتز برای طراحی الگوهای جدید رشد استراتژیک استفاده کردند که با دقت بالایی با یک سیستم تغذیه هوشمند پیاده‌سازی شدند. این محققین با استفاده از پارامترهای بیولوژیک مشخص، مقدار و زمان افزایش وزن لازم در  قبل از بلوغ و هنگام بلوغ را تغییر دادند. پیشرفت عمده در کار آن‌ها استفاده از پارامترهای مدل پیوسته برای توسعه پروفایل‌های رشد جدید بود و این اولین تلاش واقعی برای بهینه‌سازی مسیرهای رشد بود.

در مقایسه با رشد، مدل‌های کمتری در رابطه با تولید تخم‌مرغ منتشر شده است. به نظر می‌رسد که در این زمینه نیز توسعه مدل‌هایی با پارامترهای بیولوژیک مشخص مورد نیاز می‌باشد. علاوه بر این، تاکنون بیشتر مدل‌ها از داده‌های گله‌ای‌ به جای نتایج انفرادی تولید تخم‌مرغ برای توسعه و برازش مدل‌ها استفاده کرده‌اند. چنانچه بتوان تنوع بیولوژیک معنی‌دار حول منحنی برازش شده را تعیین کرد، تلاش‌های اصلاحی می‌تواند نه تنها بر تولید تخم‌مرغ بلکه بر شکل منحنی تولید نیز متمرکز شود. اخیراً از مدل‌سازی بلوغ جنسی، اجزای تخم‌مرغ، و دوره‌های تخمک‌گذاری در جهت تخمین وزن تخم‌مرغ، میزان تخم‌گذاری و احتیاجات غذایی طیور تخم‌گذار استفاده شده است.

2.5 مدل‌های انرژی و مواد مغذی مورد نیاز

از آنجایی که حیوانات به منظور برآورده شدن احتیاجات انرژی و سایر مواد مغذی خوراک مصرف می‌کنند، مدل‌های متناسب با تقسیم‌بندی انرژی و مواد مغذی در بدن ابزارهای مفیدی برای پیش‌بینی مصرف خوراک هستند. در چنین مدل‌هایی، احتیاجات مواد مغذی توسط توابع غیرخطی استنباط می‌شوند که پارامترهای آن بهترین برازش را (با به حداقل رساندن تغییرات) برای ارتباط بین مصرف انرژی متابولیسمی و سرنوشت نهایی آن، مانند نگهداری،  افزایش وزن بدن و تولید تخم‌مرغ دارند. در چنین مدل‌هایی، هدف به حداکثر رساندن انرژی قابل دسترس برای اهداف تولیدی مانند رشد یا تولید تخم‌مرغ است. این امر می‌تواند با کاهش مصرف انرژی در بخش نگهداری از طریق استراتژی‌های تغذیه‌ای (مانند تغذیه محدود هدفمند)، یا از طریق شیوه‌های پرورش، به دست آید. از طریق توسعه این مدل‌ها به صورت توابع مختلط غیرخطی، امکان برآورد احتیاجات نگهداری برای تک تک پرندگان به صورت جداگانه فراهم شده است. این امر می‌تواند به عنوان یک پیشرفت حیاتی در تغذیه هوشمندانه طیور مورد استفاده قرار گیرد، زیرا به جای در نظر گرفتن گله، در برگیرنده رویکردی انفرادی است. این رویکرد همچنین یک معیار بررسی کارآیی مبتنی بر مدل تحت عنوان «احتیاجات نگهداری باقیمانده» (RME_m) را ارائه می‌کند، که به درجه تفاوت نیاز ME برای نگهداری (ME_m) یک فرد با میانگین مورد انتظار جامعه اشاره دارد. در ادامه متغیرهای تصادفی (متغیرهایی که تغییرات تک تک اعضای یک گروه را به حساب می‌آورند) به مدل‌های تعادل انرژی اضافه شده‌اند تا اثرات سن، دمای محیط، برنامه نوری و استراتژی‌های تغذیه‌ای مانند سطوح مختلف دریافت انرژی را نیز بر احتیاجات نگهداری در نظر بگیرند.

ساکومورا و همکاران (2015) از یک رویکرد فاکتوریل مشابه برای برآورد نیازهای اسیدآمینه‌ای جوجه‌های گوشتی، بر اساس پروتئین بدن، ریزش پرها، پروتئین پر، میزان ذخیره پروتئین بدن بدون پر، و سرعت پردرآوری استفاده کردند. مدل ردینگ (Reading) نیز به طور گسترده‌ای برای برآورد نیازهای اسیدآمینه‌ای مرغ‌های تخم‌گذار استفاده شده است. استفاده بیشتر از روش فاکتوریل برای در نظر گرفتن احتیاجات نگهداری بدن، زرده، سفیده و پوسته در روزهای تخم‌گذاری و غیر تخم‌گذاری می‌تواند برآورد نیازهای اسیدآمینه‌ای برای مرغ‌های تخم‌گذار را بهبود دهد، اما به تحقیقات بیشتری نیاز دارد. ساکومورا و همکاران (2019) چندین مدل خطی منتشر شده در مقالات (مرتبط با برآورد احتیاجات اسیدهای آمینه و انرژی) را در یک مدل مکانیکی جامع‌تر در جهت شبیه‌سازی تولید تخم‌مرغ و احتیاجات انرژی در مرغ‌های تخم‌گذار و مرغان مادر گوشتی ادغام کردند. آن‌ها پیشنهاد دادند که چنین مدل‌های شبیه‌سازی با یکپارچه‌سازی اطلاعات در مورد احتیاجات و سطوح تولید، می‌توانند به پیش‌بینی کارآیی اقتصادی و به حداکثر رساندن سود برای هر تولیدکننده به جای اعمال جیره‌نویسی با کمترین هزینه در سطح کارخانه خوراک، کمک کنند. استفاده از چنین مدل‌هایی در جهت تخمین اسیدهای آمینه مورد نیاز، به بهینه‌سازی ترکیب خوراک در جهت بدست آوردن بالاترین عملکرد تولیدی و به طور همزمان حداقل کردن دفع نیتروژن مازاد در محیط، کمک می‌کند. به عنوان مثال، استفاده از چنین مدل‌هایی در سیستم‌های تغذیه هوشمندانه طیور می‌تواند برای پیش‌بینی نیازهای اسیدآمینه‌ای در هر لحظه از زمان و برای تک تک افراد گله، مشابه روشی که در خوک‌ها به کار رفته، استفاده شود. با این حال، مطالعات در زمینه مدل‌های ریاضی که توانایی تخمین میزان ذخیره و احتیاجات پروتئین و اسیدهای آمینه را داشته باشند کمیاب است.

احتیاجات کلسیم و فسفر نیز با توجه به متابولیسم استخوان و پوسته تخم‌مرغ مهم هستند. گزارشاتی در مورد توسعه و ارزیابی یک مدل مکانیکی جهت بررسی متابولیسم کلسیم و فسفر در مرغ‌های تخمگذار وجود دارد. هدف از توسعه این مدل این بود که به عنوان ابزاری برای ارزیابی استراتژی‌های تغذیه‌ای برای کاهش دفع فسفر به محیط مورد استفاده قرار گیرد. این مدل افزایش ابقاء فسفر در استخوان و تخم‌مرغ را از 4/8 درصد به 4/25 درصد فسفر قابل هضم مصرف شده به ترتیب در کمترین و بالاترین غلظت کلسیم در جیره غذایی پیش بینی کرد. استراتژی‌های جدید تغذیه دقیق را نیز می‌توان با استفاده از مدل فوق ارزیابی کرد.  برای مثال، مرغ‌ها را می‌توان پس از تخم‌گذاری با جیره‌های کم کلسیم تغذیه کرد و در طول بعد از ظهر و شب، زمانی که تخم‌ها در غده پوسته‌ساز قرار دارند، سطح کلسیم جیره را افزایش داد. این روش به عنوان تغذیه خرد شده در زمان (split feeding) نامیده می‌شود .این رویکرد تحرک کلسیم از استخوان را به حداقل رسانده که باعث افزایش آسایش مرغ و کاهش دفع فسفر به محیط می‌شود.

پیش از این مشخص شده بود که با اجرای تغذیه دقیق در خوک‌های پرواری میزان دفع فسفر در فضولات تا 38 درصد قابل کاهش است. تحقیقات کمی در مورد دینامیک هضم کلسیم و فسفر در جوجه‌های گوشتی وجود دارد. اگر چه با اجرای تغذیه هوشمندانه از طریق تطابق بهتر بین احتیاجات لحظه‌ای پرنده و مواد مغذی تامین شده در جیره بهبودهایی قابل پیش‌بینی است (شکل 2 را ببینید)، تحقیقات کافی برای مشخص کردن احتیاجات فردی در پرندگان وجود ندارد تا بدانیم یک رویکرد تغذیه هوشمندانه طیور چقدر می‌تواند دفع فسفر مازاد در محیط را کاهش دهد.

3.5  مدل‌های اثرات طولانی مدت تغذیه

به نظر می‌رسد یافتن یک استراتژی تغذیه‌ای بهینه یک مشکل رو به رشد در نژادهای تخم‌گذار تجاری می‌باشد. پولت‌های تخمگذار اغلب زود به بلوغ جنسی می‌رسند، که این قضیه توانایی آن‌ها را برای حمایت از تولید طولانی مدت تخم‌مرغ به خطر می‌اندازد. تولیدکنندگان در تلاش هستند تا اطمینان حاصل کنند که پرندگان در طول دوره کوتاه مدت رشد پیش از بلوغ، انرژی کافی دریافت می‌کنند، در حالی که برنامه‌های نوری را برای به تاخیر انداختن بلوغ جنسی به کار می‌برند تا از تعادل منفی انرژی پس از شروع تخم‌گذاری جلوگیری کنند. دومین چالش تغذیه‌ای تعادل کلسیم و فسفر مربوط به متابولیسم استخوان و پوسته و پایداری کیفیت پوسته تخم‌مرغ است. بنابراین، تفاوت قابل توجهی بین مواد مغذی مورد نیاز برای توسعه بدن برای شروع تخم‌گذاری (ذخیره چربی، رشد استخوان و رشد اندام تولید مثل) و در حین تخم‌گذاری (تداوم تولید و کیفیت تخم‌مرغ، کاهش رشد بدن) وجود دارد. مطالعات شبیه‌سازی که از مدل‌های ریاضی برای تخمین رشد بدن، تولید تخم‌مرغ و احتیاجات اسیدهای آمینه استفاده می‌کنند، به جامعه تغذیه هوشمند طیور کمک می‌کند تا فرضیه‌های قابل آزمایشی را ایجاد کنند که بدون شک به بهینه‌سازی استراتژی‌های تغذیه طیور کمک خواهد کرد.

6. تحولات بیشتر

بیشتر مطالعاتی که در بالا توضیح داده شد از داده‌های جمع آوری شده در شرایط کنترل شده برای توسعه مدل‌ها استفاده می‌کنند که از این مدل‌ها برای انجام پیش بینی‌ها در جهت حمایت از تصمیمات عملی استفاده می‌شود. بسیاری از عملکردهای مبتنی بر گله و پارامترهای محیطی در حال حاضر به صورت نامحسوس و با استفاده از فناوری حسگر جمع‌آوری می‌شوند. در حال حاضر، ما در آستانه بکارگیری بسیاری از فناوری‌های جدید برای کمک به صنعت پرورش مرغ دقیق و سیستم‌های تغذیه هوشمندانه طیور هستیم. بعضی از این فناوری‌ها در حال حاضر مقرون به صرفه هستند، در حالی که تا تجاری‌سازی بعضی دیگر هنوز فاصله زیادی وجود دارد. در حال حاضر از ترازوهای خودکار الکترونیک برای اندازه‌گیری وزن بدن، مصرف خوراک و وزن تخم‌مرغ استفاده می‌شود. با استفاده از تراشه‌های ارسال امواج رادیویی و تجهیزات شناسایی و تجزیه و تحلیل این امواج، الگوی رشد، مصرف خوراک و وزن تخم‌مرغ به صورت انفرادی قابل اندازه‌گیری می‌باشد. این اطلاعات نشان دهنده پیشرفت‌های قابل توجه در جهت بهبود اهداف تولیدی مانند یکنواختی گله، ضریب تبدیل، تولید تخم‌مرغ و مدیریت اندازه تخم‌مرغ می‌باشد. مدیریت کارآمد وزن خروس در گله‌های مادر می‌تواند موفقیت جفت‌گیری و باروری و تولید جوجه را افزایش دهد. این حسگرها تشخیص زود هنگام صدمات یا بیماری‌ها را نیز امکان‌پذیر کرده که خود می‌تواند به بهبود آسایش پرنده کمک کند.

حسگرها می‌توانند به صورت ثابت، متصل به پرنده، یا حتی در صورت استفاده از ربات‌های الکترونیک، به صورت متحرک در سطح گله مورد استفاده قرار گیرند. ترمیستورها و دوربین‌های مادون قرمز می‌توانند بازخوردی در مورد دمای محیط یا حتی دمای سطح یا مرکز بدن ارائه دهند. فعالیت پرنده را نیز می‌توان با نرم‌افزارهای تجزیه و تحلیل تصویر یا شتاب‌سنج اندازه‌گیری کرد. همچنین، شدت و طیف نور نیز قابل اندازه‌گیری بوده و از دوربین‌ها نیز می‌توان برای ارزیابی وضعیت پر، اندازه پرنده و حرکت پرنده استفاده کرد. میکروفون‌ها و آنالیزهای صوتی را می‌توان برای تشخیص تنش، ناخوش‌احوالی و وجود بیماری‌های تنفسی استفاده کرد. در ادامه از این داده‌ها می‌توان برای اصلاح تخمین‌های احتیاجات مواد مغذی استفاده کرد. سنسورها می‌توانند سرعت جریان هوا یا غلظت گازهای مهم مثل دی‌اکسید کربن، اکسیژن، آمونیاک، و بخار آب را اندازه‌گیری کنند. سایر سنسورها اگرچه هنوز تجاری‌سازی نشده‌اند، ولی برای تشخیص هدایت الکتریکی پوست یا هدایت الکتریکی کل بدن در حال توسعه هستند که می‌توانند ترکیب بدن را پیش‌بینی کنند. این داده‌ها نیز می‌تواند برای اصلاح بیشتر برآوردهای احتیاجات غذایی برای فرد فرد گله مورد استفاده قرار گیرد. از این فراتر، نانو حسگرهایی هستند که برای تشخیص گلوکز، سایر متابولیت‌ها، و پاتوژن‌ها قابل استفاده‌اند. استفاده از مجموعه این عوامل در سیستم‌های تغذیه هوشمند طیور و دامپروری دقیق می‌تواند به کنترل بهتر عوامل محیطی و تنظیم دقیق‌تر جیره‌ها منجر شود.

استفاده از مدل‌های توسعه‌یافته علمی بر روی داده‌های میدانی می‌تواند سبب ایجاد نگرش‌های جدید در کشف روابط بین عملکرد، احتیاجات مواد مغذی و مصرف خوراک شود.  همچنین می‌تواند ابزارهای تصمیم‌گیری را بر اساس داده‌های به دست آمده در هر لحظه از زمان از سطح افراد گله فراهم کند. واضح است که مدل‌هایی که از زنجیره تولید مرغداری پایدار پشتیبانی می‌کنند، باید در زمینه‌های مختلف کارآیی داشته باشند. لازم است اطلاعاتی که از تولید کنندگان مواد مغذی، پرورش‌دهندگان طیور و شرکت‌های فعال در زمینه اصلاح نژاد به دست می‌آید، یکپارچه‌سازی شود.

7. کلان داده‌ها

کلان داده‌ها به حجم عظیمی از داده‌ها اطلاق می‌شود که همه روزه به طور خودکار توسط حسگرها و رایانه‌ها تولید می‌شوند. اینترنت اشیا که متشکل از دستگاه‌هایی با حسگرهای تعبیه ‌شده متصل به یک شبکه جهانی است، زیرساخت عظیمی است که این کلان داده‌ها را در دسترس قرار می‌دهد. کلان داده‌ها اغلب کمتر استفاده شده و یا بدون استفاده هستند، اما پتانسیل تغییر تصمیمات تجاری را دارند. کلان داده همچنین به حوزه پردازش و تجزیه و تحلیل این حجم عظیم اطلاعات اشاره دارد. کلان داده معمولا در سه بعد قابل تعریف است: «حجم»، «تنوع» و «سرعت» که به ترتیب به کمیت، شکل (مانند متن، صدا، یا تصویر)، و سرعت تولید داده‌ها مربوط می‌شود. حوزه کلان داده برای جمع آوری، شکل‌گیری، مدیریت، ذخیره‌سازی، اشتراک گذاری و قابل فهم کردن داده‌ها به سخت افزار و نرم افزار با کارآیی بالا متکی است. تجزیه و تحلیل کلان داده‌ها می‌تواند اطلاعات مهمی را استخراج کند که خود می‌تواند به آشکارسازی الگوها و همبستگی‌های پنهان و ناشناخته کمک کند. برای کار با کلان داده‌ها از تکنیک‌های تحلیلی مانند یادگیری ماشینی و داده کاوی استفاده می‌شود.

در ارتباط با صنعت طیور، زمینه ژنتیک و اصلاح نژاد تنها زمینه‌ای بوده که داده‌های بزرگ یا کلان در آن به طور گسترده مورد استفاده قرار گرفته است. البته روند پیشرفت در این زمینه نیز به دلیل فقدان دیجیتالی شدن، ارزش‌گذاری کم یا نامشخص، و بازگشت سرمایه پایین کند شده است. جمع‌آوری داده‌ها به روش متعارف (مثلاً ثبت میزان افزایش وزن و مصرف خوراک به صورت دستی و هر دو هفته یکبار) با تعریف کلان داده مطابقت ندارد. با این حال، جمع‌آوری اطلاعات حاصل از تعداد زیادی آزمایش صورت گرفته روی گله‌های مختلف و در مکان‌های متفاوت در یک دوره زمانی طولانی، مجموعه‌ای عظیم از داده‌ها را تولید می‌کند که می‌تواند به عنوان داده‌ کلان مورد تجزیه و تحلیل قرار گیرد. توسعه و استقرار سیستم‌های دامپروری هوشمند که به طور مداوم بر سلامت، آسایش، تولید و اثرات زیست محیطی تک تک حیوانات نظارت می‌کند، راهی برای تولید مجموعه‌های عظیمی از اطلاعات بوده و فرصت استفاده از آن‌ها به عنوان داده‌های بزرگ را فراهم خواهد کرد.

8. یادگیری ماشینی

یادگیری ماشینی زیر شاخه‌ای از هوش مصنوعی است که خود شاخه‌ای از علم محاسبات است. یادگیری ماشینی را می‌توان به طور کلی به عنوان روش‌های محاسباتی برای بهبود عملکرد و پیش‌بینی‌های دقیق بر اساس تجربه تعریف کرد. یادگیری ماشینی همچنین به آموزش رایانه‌ها برای انجام وظایف خاص بدون برنامه‌نویسی صریح برای آن وظایف، اشاره دارد. باید توجه داشت که یادگیری ماشینی با مدل‌های آماری متفاوت است، زیرا یادگیری ماشین مبتنی بر داده است و کمتر تحت تاثیر فرضیات مربوط به توزیع داده‌ها و همگنی واریانس‌ها قرار می‌گیرد. با توجه به هزینه محاسباتی، یادگیری ماشینی برای کاوش و آشکارسازی روابط در داده‌های بزرگ مناسب‌تر است. از مزایای یادگیری ماشینی می‌توان به توانایی آن در مدیریت تعداد زیادی از متغیرهای ناشی از تنوع داده‌های بزرگ اشاره کرد و با افزایش حجم و سرعت داده می‌توان نتایج بهتری را انتظار داشت. به طور کلی، فرآیند یادگیری ماشینی شامل جمع آوری داده‌ها، پیش پردازش داده‌ها، استخراج ویژگی، انتخاب مدل، آموزش مدل، ارزیابی مدل، شناسایی پارامترها و فراپارامترها و در نهایت، پیش‌بینی است.

در ارتباط با یادگیری ماشینی الگوریتم‌های یادگیری مختلفی وجود دارد از جمله یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری نیمه نظارتی، یادگیری تقویتی، انتقال و یادگیری برای یادگیری که می‌توان هر کدام را انتخاب کرد. در این میان، یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی بیشتر مورد استفاده قرار می‌گیرند. هدف از یادگیری تحت نظارت ایجاد رابطه بین ورودی و خروجی مربوطه است. یادگیری نظارت شده می‌تواند از رگرسیون برای داده‌های پیوسته و طبقه‌بندی برای انواع داده‌های گسسته استفاده کند که در نوع اخیر داده‌ها به گروه‌هایی با ویژگی‌های مشابه طبقه‌بندی می‌شوند. در مقابل، هدف یادگیری بدون نظارت، بررسی الگوی اساسی در داده‌های ورودی بدون هیچ گونه اطلاعاتی از داده‌های خروجی است که جهت این کار اغلب از تکنیک‌های خوشه‌بندی و تجزیه و تحلیل اجزای اصلی استفاده می‌کند. یادگیری بدون نظارت در درجه اول ابعاد را کاهش می‌دهد. یادگیری تقویتی نیز از الگوریتم‌هایی استفاده می‌کند که یاد می‌گیرند با محیط با هدف به حداکثر رساندن پاداش، تعامل کنند.

برای بررسی رابطه بین ورودی‌ها و خروجی‌ها، می‌توان مدل‌های یادگیری نظارت شده را با استفاده از الگوریتم‌هایی مانند ماشین‌های بردار پشتیبانی و شبکه‌های عصبی مصنوعی ساخت. سپس با استفاده از این مدل می‌توان خروجی‌ها را از روی مجموعه داده‌های ورودی مختلف پیش‌بینی کرد.  شبکه‌های عصبی مصنوعی می‌توانند روابط پیچیده بین متغیرهای کمکی و متغیر مورد نظر را ثبت کنند. برای جوجه‌های گوشتی، یک شبکه عصبی پویا می‌تواند وزن بدن را از روی متغیرهای محیطی مانند نور، تهویه، رطوبت و دما پیش‌بینی کند. وزن و رفتار جوجه‌های گوشتی را می‌توان توسط الگوریتم‌های یادگیری نظارت شده با استفاده از تصاویر به عنوان داده‌های ورودی پیش بینی کرد. یادگیری تحت نظارت کاربردهای بالقوه زیادی در صنعت طیور دارد از جمله درجه بندی تخم مرغ، جمع‌آوری مرغ‌ها و کنترل محیط. از یادگیری ماشینی نظارت شده برای تشخیص زودهنگام مشکلات تولید تخم‌مرغ با استفاده از تجزیه و تحلیل منحنی‌های تولید تخم‌مرغ استفاده شده است. اگرچه یادگیری ماشینی برای مدیریت و تولید مثل طیور مورد مطالعه قرار گرفته ولی کاربردهای کمی در تغذیه طیور گزارش شده است. با وجود این، یادگیری ماشینی پتانسیل زیادی جهت کاربرد در تغذیه هوشمند طیور دارد. تغذیه به دلیل تنوع زیاد مواد مغذی و برهمکنش‌های زیاد آن‌ها در جیره، فرآیندی بسیار پیچیده است. مدل‌های آماری کلاسیک به بررسی تعداد محدودی از متغیرها به طور همزمان محدود شده‌اند. در مقابل، یادگیری ماشینی در مواجهه با تعداد زیادی متغیر در حضور تعاملات غیرخطی پیچیده عملکرد خوبی داشته و ابزار ارزشمندی برای محققان در تغذیه طیور خواهد بود. متأسفانه، در حال حاضر متخصصین تغذیه دام به طور کلی فاقد آموزش و تجربه لازم برای استفاده از این رویکرد می‌باشند.

9. آینده تغذیه هوشمند طیور

هدف اصلی و نهایی در تغذیه هوشمندانه طیور تامین دقیق احتیاجات مواد مغذی به صورت انفرادی و در هر لحظه از زمان است. باید توجه داشت که این روش در روزهای ابتدایی خود است. در حال حاضر تمرکز تغذیه هوشمندانه طیور بر استفاده موثرتر از داده‌ها است و از داده‌های جمع‌آوری‌ شده توسط حسگرها در سامانه‌های مزرعه‌داری و تغذیه دقیق استفاده می‌شود. خوشبختانه، جمع‌آوری چنین داده‌هایی از نظر کمیت و تنوع در محیط‌های تحقیقاتی و تجاری به سرعت در حال افزایش است. در صنعت طیور، کاربرد فزاینده‌ای از فناوری‌های حسگر، عمدتاً در ارتباط با کنترل محیطی وجود دارد. تا به امروز، هیچ سیستم تغذیه دقیق تجاری وجود ندارد که بتواند تصمیمات تغذیه هوشمندانه طیور را در سطح هر پرنده اجرا کند. هنوز تحقیق و توسعه زیادی برای درک پتانسیل حجم فزاینده کلان داده‌های موجود مورد نیاز است. تحقیقات در سطح انفرادی نه تنها نیازمند کمی کردن پاسخ‌های حیوان به تک تک مواد مغذی است، بلکه نیازمند پیش‌بینی پاسخ‌های پیچیده حیوان به بسیاری از اثرات متقابل مواد مغذی می‌باشد. تحقیقات یکپارچه برای درک بهتر اثرات دریافت مواد مغذی بر متابولیسم افراد در مراحل مختلف رشد، توسعه و تولید و سپس پیوند آن اطلاعات با سیاست‌های جیره‌نویسی مورد نیاز است به طوری که اهداف اقتصادی، آسایشی و محیطی را با توجه به پویایی وضعیت بازار بهینه کند. ضروری است که سیستم‌های سنجش سریع مواد مغذی مانند NIRS ارتقاء یابند تا حدس و گمان در مورد سطوح مواد مغذی موجود در مواد خوراکی به حداقل برسد و از دقت در فرمولاسیون جیره اطمینان حاصل شود. به احتمال زیاد خوراک‌ها باید برای اختلاط فرموله شوند (قابلیت مخلوط کردن دو یا چند جیره برای رسیدن به یک ترکیب مطلوب مطابق با احتیاجات لحظه‌ای هر پرنده) تا زنجیره‌ای از جیره‌های بالقوه برای برآوردن احتیاجات مواد مغذی هر پرنده به صورت منفرد فراهم شود. البته برای این منظور، سیستم‌های تغذیه دقیق مقرون به صرفه که تصمیمات تغذیه را در آن واحد اجرا می‌کنند، باید توسعه و ارتقاء یافته و مستقر شوند.

تحقیقات در این زمینه به دلیل اهمیت آن برای امنیت غذایی و نیاز به دانش جدید در حوزه عمومی، نه تنها توسط صنعت طیور، بلکه توسط دولت‌های ملی و منطقه‌ای نیز باید مورد حمایت قرار گیرد. نیاز فوری به تولید مواد غذایی بیشتر برای جمعیت رو به رشد جهان وجود دارد، و ما باید راهی برای انجام این کار در زمین‌های قابل کشت موجود، با حداقل اثرات منفی زیست محیطی پیدا کنیم. مقدار داده‌های به دست آمده از تعداد رو به رشد انواع حسگرها در آینده نزدیک به طور تصاعدی افزایش خواهد یافت. در نهایت کلان داده‌های حاصل از منابع تحقیقاتی و صنعتی، می‌بایست به طور مستمر برای اصلاح و ارتقاء سیستم‌های تغذیه هوشمندانه طیور بکار گرفته شوند. چالش پیش رو پیچیده است و متخصصان تغذیه به مجموعه مهارت‌های جدیدی نیاز دارند که علاوه بر رشته‌های سنتی‌تر نظیر تغذیه، بیوشیمی، فیزیولوژی، مدیریت و بهداشت، از آموزش‌های لازم در حوزه ریاضیات زیست‌شناسی و علوم محاسباتی حاصل خواهد شد. برای درک بهتر مزایای تغذیه هوشمندانه طیور، یادگیری ماشینی و سایر اشکال هوش مصنوعی بدون شک نقش فزاینده‌ای ایفا خواهد کرد.

فهرست منابع

Aerts, J. M., Van Buggenhout, S., Vranken, E., Lippens, M., Buyse, J., Decuypere, E., & Berckmans, D. (2003). Active control of the growth trajectory of broiler chickens based on online animal responses. Poultry Science, 82(12), 1853-1862.

Afrouziyeh, M., Kwakkel, R. P., & Zuidhof, M. J. (2021). Improving a nonlinear Gompertz growth model using bird-specific random coefficients in two heritage chicken lines. Poultry Science, 100(5), 101059.

Aydin, A., Bahr, C., & Berckmans, D. (2015). A real-time monitoring tool to automatically measure the feed intakes of multiple broiler chickens by sound analysis. Computers and Electronics in Agriculture, 114, 1-6.

Bley, T. A. G., & Bessei, W. (2008). Recording of individual feed intake and feeding behavior of Pekin ducks kept in groups. Poultry Science, 87(2), 215-221.

Gompertz, B. (1833). On the nature of the function expressive of the law of human mortality, and on a new mode of determining the value of life contingencies. In a letter to Francis Baily, Esq. FRS &c. By Benjamin Gompertz, Esq. FR S. In Abstracts of the Papers Printed in the Philosophical Transactions of the Royal Society of London (No. 2, pp. 252-253). London: The Royal Society.

Huxley, J. S., & Teissier, G. (1936). Terminology of relative growth. Nature, 137(3471), 780-781.

Mika, A., Guettier, E., Berger, Q., Le Bihan-Duval, E., Bernard, J., Pampouille, E., … & Bihan-Duval, L. (2021). Eva-HD-Mise au point d’un automate de consommation alimentaire pour volailles «BIRD-e: Bird Individual Ration Dispenser-electronic». Innovations Agronomiques, 82, 137-149.

Puma, M. C., Xin, H., Gates, R. S., & Burnham, D. J. (2001). An instrumentation system for studying feeding and drinking behavior of individual poultry. Applied Engineering in Agriculture, 17(3), 365.

Sakomura, N. K., Reis, M. D. P., Ferreira, N. T., & Gous, R. M. (2019). Modeling egg production as a means of optimizing dietary nutrient contents for laying hens. Animal Frontiers, 9(2), 45-51.

Sakomura, N. K., Silva, E. P., Dorigam, J. C., Gous, R. M., & St-Pierre, N. (2015). Modeling amino acid requirements of poultry. Journal of Applied Poultry Research, 24(2), 267-282.

Zuidhof, M. J., Fedorak, M. V., Kirchen, C. C., Lou, E. H. M., Ouellette, C. A., & Wenger, I. I. (2019). U.S. Patent No. 10,506,793. Washington, DC: U.S. Patent and Trademark Office.

Zuidhof, M. J., Fedorak, M. V., Ouellette, C. A., & Wenger, I. I. (2017). Precision feeding: Innovative management of broiler breeder feed intake and flock uniformity. Poultry Science, 96(7), 2254-2263.

Zukiwsky, N. M., Afrouziyeh, M., Robinson, F. E., & Zuidhof, M. J. (2021). Feeding, feed-seeking behavior, and reproductive performance of broiler breeders under conditions of relaxed feed restriction. Poultry Science, 100(1), 119-128.