Original Title: Using non-linear models to describe growth curves for Thai black-bone chickens
Source: doi.org/10.34044/j.anres.2021.55.6.15
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការប្រើប្រាស់ម៉ូដែលមិនលីនេអ៊ែរដើម្បីពិពណ៌នាពីខ្សែកោងនៃកំណើនសម្រាប់មាន់ខ្មៅថៃ

ចំណងជើងដើម៖ Using non-linear models to describe growth curves for Thai black-bone chickens

អ្នកនិពន្ធ៖ Suppasit Plaengkaew (Department of Agriculture and Resources, Kasetsart University), Panuwat Khumpeerawat (Department of Agriculture and Resources, Kasetsart University), Kenneth Joseph Stalder (Department of Animal Science, Iowa State University)

ឆ្នាំបោះពុម្ព៖ 2021 Agriculture and Natural Resources

វិស័យសិក្សា៖ Animal Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះផ្តោតលើការស្វែងរកម៉ូដែលគណិតវិទ្យាមិនលីនេអ៊ែរ (Non-linear models) ដែលសមស្របបំផុតក្នុងការពិពណ៌នាពីខ្សែកោងនៃកំណើនរបស់ពូជមាន់ខ្មៅថៃ Gallus gallus domesticus ដើម្បីជួយដល់ការគ្រប់គ្រងចំណី និងការបង្កាត់ពូជ។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានវាស់វែងទម្ងន់មាន់ដោយផ្ទាល់តាមដំណាក់កាលអាយុ ហើយអនុវត្តម៉ូដែលគណិតវិទ្យាដើម្បីវិភាគរកភាពស័ក្តិសមបំផុតនៃកំណើន។

ការប្រមូលទិន្នន័យទម្ងន់មាន់ចំនួន ៣.២៨០ ក្បាល ពីអាយុ ០ ដល់ ១២ សប្តាហ៍ (Body weight collection)
ការអនុវត្តម៉ូដែលកំណើនមិនលីនេអ៊ែរចំនួន៣៖ Gompertz, logistic និង von Bertalanffy (Non-linear growth models)
ការវិភាគទិន្នន័យដោយប្រើប្រាស់ក្បួនដោះស្រាយ Levenberg-Marquardt (Levenberg-Marquardt algorithm)
ការវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលដោយប្រើវិធីសាស្ត្រ 10-fold cross validation និងសូចនាករ R², RMSE ព្រមទាំង MAE

លទ្ធផលសំខាន់ៗ (The Verdict)៖

មាន់ឈ្មោលមានអត្រាកំណើនលឿនជាងមាន់ញីយ៉ាងមានអត្ថន័យគួរឱ្យកត់សម្គាល់ (p < 0.05) ដោយមានទម្ងន់ជាមធ្យមនៅសប្តាហ៍ទី១២ គឺ ១.២៨៦,៨ ក្រាម ធៀបនឹងមាន់ញី ១.១៦៥,៤ ក្រាម។
ម៉ូដែល von Bertalanffy គឺជាម៉ូដែលដែលស័ក្តិសមបំផុតក្នុងការពិពណ៌នាខ្សែកោងនៃកំណើនសម្រាប់ទាំងមាន់ឈ្មោលនិងញី ដោយទទួលបានតម្លៃកំហុស (RMSE, MAE) ទាបជាងគេបំផុត។
ទោះជាយ៉ាងណាក៏ដោយ ម៉ូដែលទាំងបីសុទ្ធតែអាចពិពណ៌នាបានយ៉ាងល្អពីកំណើនរបស់មាន់ខ្មៅ ដោយទទួលបានតម្លៃមេគុណកម្រិត (R²) ធំជាង ០,៩ ដូចគ្នា។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
von Bertalanffy model ម៉ូដែល von Bertalanffy (ម៉ូដែលកំណើនមិនលីនេអ៊ែរ)	មានភាពបត់បែនខ្ពស់ក្នុងការកំណត់ចំណុចរបត់ (inflection point) នៃកំណើន ដែលឆ្លុះបញ្ចាំងពីជីវសាស្ត្រសត្វបានល្អប្រសើរ។	ទាមទារការគណនាស្មុគស្មាញជាងម៉ូដែលផ្សេងទៀតបន្តិចក្នុងការប៉ាន់ស្មានប៉ារ៉ាម៉ែត្រ។	ទទួលបានភាពស័ក្តិសមបំផុតជាមួយ R²=០,៩៤ (ញីនិងឈ្មោល) ព្រមទាំងកំហុស RMSE (១០៩,២) និង MAE (៧៥,០) ទាបជាងគេបំផុតជារួម។
Gompertz model ម៉ូដែល Gompertz	អាចពិពណ៌នាពីខ្សែកោងកំណើនដែលមិនស៊ីមេទ្រី (asymmetrical growth curve) បានយ៉ាងល្អ។	មានចំណុចរបត់ថេរនៅប្រហែល ៣៧% នៃទម្ងន់អតិបរមា ដែលកម្រិតភាពបត់បែននៃខ្សែកោង។	ផ្តល់តម្លៃ R²=០,៩៣ ដោយមានកំហុស RMSE=១១០,១ និង MAE=៧៧,៣ ស្ថិតនៅកម្រិតមធ្យម។
Logistic model ម៉ូដែល Logistic	ជារូបមន្តសាមញ្ញ និងងាយស្រួលបំផុតសម្រាប់ការពិពណ៌នាពីកំណើនបែបស៊ីមេទ្រី (symmetric growth curve)។	កំណត់ចំណុចរបត់ថេរនៅពាក់កណ្តាល (៥០%) នៃទម្ងន់អតិបរមា ដែលធ្វើឱ្យភាពត្រឹមត្រូវនៃការទស្សន៍ទាយមានកម្រិតទាប។	ទទួលបានតម្លៃ R²=០,៩៣ ដូចគ្នា ប៉ុន្តែមានកំហុសខ្ពស់ជាងគេ (RMSE=១១៣,១ និង MAE=៨២,១ ជារួម)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារនូវកសិដ្ឋានចិញ្ចឹមមាន់ស្តង់ដារ ឧបករណ៍វាស់វែងទម្ងន់ជាក់លាក់ និងកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យស្ថិតិ។

Hardware: ជញ្ជីងថ្លឹងឌីជីថល (Digital scale) ឧទាហរណ៍ម៉ូដែល Tanita KD-200 សម្រាប់វាស់ទម្ងន់មាន់រៀងរាល់ពីរសប្តាហ៍ម្តង។
Software: កម្មវិធី R software រួមជាមួយនឹងកញ្ចប់ minpack.lm ដើម្បីប្រើប្រាស់មុខងារ nlslm សម្រាប់ក្បួនដោះស្រាយទីតាំង Levenberg-Marquardt។
Dataset: ទិន្នន័យវាស់វែងទម្ងន់មាន់ចំនួន ៣.២៨០ ក្បាល ចាប់ពីអាយុ ០ ដល់ ១២ សប្តាហ៍ ដោយមានការកំណត់ចំណាត់ថ្នាក់តាមភេទ។
Facilities: ទ្រុងចិញ្ចឹមបើកចំហរ ចំណីកសិកម្មមានប្រូតេអ៊ីនត្រឹមត្រូវ (២១% សម្រាប់ ០-៤ សប្តាហ៍ និង ១៨% សម្រាប់ ៥-១២ សប្តាហ៍) និងកម្មវិធីផ្តល់វ៉ាក់សាំង។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការស្រាវជ្រាវនេះត្រូវបានធ្វើឡើងនៅឯខេត្តសកលនគរ (Sakon Nakhon) ប្រទេសថៃ ដោយផ្តោតលើពូជមាន់ខ្មៅថៃ Gallus gallus domesticus (KU-Phuparn) ដែលចិញ្ចឹមក្នុងលក្ខខណ្ឌអាកាសធាតុត្រូពិច។ ដោយសារអាកាសធាតុនិងបរិយាកាសចិញ្ចឹមស្រដៀងគ្នានឹងប្រទេសកម្ពុជា ទិន្នន័យនេះមានអត្ថប្រយោជន៍ខ្ពស់សម្រាប់ការប្រៀបធៀប ប៉ុន្តែខ្សែកោងកំណើនអាចមានភាពខុសប្លែកគ្នាបន្តិចបន្តួចប្រសិនបើអនុវត្តលើពូជមាន់ស្រុកកម្ពុជាដោយផ្ទាល់ (ដូចជាមាន់កែប ឬមាន់ស្មាច់)។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រគណិតវិទ្យាក្នុងការកំណត់ខ្សែកោងកំណើននេះ គឺមានសារៈសំខាន់ និងអាចយកមកអនុវត្តបានយ៉ាងល្អនៅក្នុងវិស័យបសុបក្សីនៅកម្ពុជា។

កសិដ្ឋានចិញ្ចឹមមាន់ពាណិជ្ជកម្ម (Commercial Poultry Farms): កសិករខ្នាតធំនៅតាមបណ្តាខេត្តដូចជា កំពង់ស្ពឺ កណ្តាល ឬតាកែវ អាចប្រើប្រាស់ម៉ូដែលកំណើននេះដើម្បីគណនារកចំណុចរបត់ (ចំណុចដែលមាន់លូតលាស់លឿនបំផុត) ដើម្បីកែសម្រួលរបបអាហារ កាត់បន្ថយការខ្ជះខ្ជាយចំណី និងកំណត់ពេលវេលាលក់ឱ្យចំណេញបំផុត។
វិទ្យាស្ថានស្រាវជ្រាវកសិកម្ម (Agricultural Research Institutes): សាកលវិទ្យាល័យភូមិន្ទកសិកម្ម (RUA) ឬវិទ្យាស្ថានជាតិស្រាវជ្រាវកសិកម្មកម្ពុជា (CARDI) អាចអនុវត្តម៉ូដែលនេះដើម្បីវាយតម្លៃ និងជ្រើសរើសពូជមាន់ស្រុកដែលមានអត្រាកំណើនលឿន សម្រាប់កម្មវិធីបង្កាត់ពូជជាតិ។

ការប្រើប្រាស់ម៉ូដែលមិនលីនេអ៊ែរដើម្បីតាមដានការលូតលាស់ នឹងជួយផ្លាស់ប្តូរការចិញ្ចឹមមាន់នៅកម្ពុជាពីលក្ខណៈប្រពៃណីទៅកាន់ការគ្រប់គ្រងបែបវិទ្យាសាស្ត្រនិងបង្កើនប្រាក់ចំណេញកសិករពិតប្រាកដ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

រៀបចំប្រព័ន្ធប្រមូលទិន្នន័យ (Data Collection Setup): រៀបចំកសិដ្ឋានសាកល្បងដោយប្រើប្រាស់ពូជមាន់ក្នុងស្រុក រួចកំណត់កាលវិភាគថ្លឹងទម្ងន់មាន់នីមួយៗរៀងរាល់សប្តាហ៍ ឬពីរសប្តាហ៍ម្តងចាប់ពីពេលញាស់ដល់អាយុ ១២ សប្តាហ៍ ដោយប្រើប្រាស់ជញ្ជីង Digital scale និងកត់ត្រាបញ្ចូលក្នុង Microsoft Excel។
រៀបចំកម្មវិធីកុំព្យូទ័រ និងកញ្ចប់កូដ (Software Initialization): ដំឡើងកម្មវិធី R software រួចទាញយក និងដំឡើងកញ្ចប់ minpack.lm ដើម្បីរៀបចំប្រើប្រាស់មុខងារ nlslm() សម្រាប់ការវិភាគទិន្នន័យកំណើន។
កសាង និងសាកល្បងម៉ូដែល (Model Fitting & Validation): បញ្ចូលទិន្នន័យទៅក្នុងកូដ R និងដំណើរការកសាងម៉ូដែលទាំង៣ (Gompertz, logistic, von Bertalanffy) រួចអនុវត្តវិធីសាស្ត្រ 10-fold cross validation ដើម្បីវាយតម្លៃកំហុស (RMSE, MAE) និងជ្រើសរើសម៉ូដែលដែលស័ក្តិសមបំផុតជាមួយទិន្នន័យកម្ពុជា។
វិភាគរកចំណុចរបត់ និងកែសម្រួលការផ្តល់ចំណី (Optimization Strategy): ប្រើប្រាស់ប៉ារ៉ាម៉ែត្រពីម៉ូដែលដែលល្អបំផុត (ឧ. von Bertalanffy) ដើម្បីគណនារកអាយុ និងទម្ងន់នៅចំណុចរបត់នៃកំណើន (inflection point) រួចបង្កើតកាលវិភាគផ្លាស់ប្តូររូបមន្តចំណីប្រូតេអ៊ីនខ្ពស់មកទាបនៅត្រង់ចំណុចនោះ ដើម្បីសន្សំសំចៃចំណាយ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Asymptotic weight (ទម្ងន់អតិបរមា / ទម្ងន់ថេរពេលពេញវ័យ)	គឺជាកម្រិតទម្ងន់អតិបរមាតាមទ្រឹស្តីដែលសត្វអាចសម្រេចបាននៅពេលវាលូតលាស់ដល់វ័យចំណាស់ ឬពេញវ័យ ដែលនៅពេលនោះខ្សែកោងកំណើនចាប់ផ្តើមរាបស្មើ និងលែងកើនឡើងទៀត។	ដូចជាកម្ពស់អតិបរមារបស់មនុស្សម្នាក់ដែលមិនអាចលូតលាស់ខ្ពស់ជាងនេះទៀតនៅពេលពេញវ័យ។
Inflection point (ចំណុចរបត់)	គឺជាចំណុចនៅលើខ្សែកោងកំណើន ដែលអត្រានៃការលូតលាស់របស់សត្វផ្លាស់ប្តូរពីការកើនឡើងលឿនបំផុត ទៅកាន់ការថយចុះល្បឿនកំណើនបន្តិចម្តងៗឆ្ពោះទៅរកទម្ងន់អតិបរមា។	ដូចជាចំណុចកំពូលនៃការជាន់ហ្គែរឡានរហូតដល់ល្បឿនលឿនបំផុត មុនពេលចាប់ផ្តើមបន្ថយល្បឿនបន្តិចម្តងៗនៅពេលជិតដល់គោលដៅ។
Cross-validation (ការផ្ទៀងផ្ទាត់ខ្វែង)	គឺជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីវាយតម្លៃដំណើរការរបស់ម៉ូដែលគណិតវិទ្យា ដោយបែងចែកទិន្នន័យជាច្រើនផ្នែក ដើម្បីយកមួយផ្នែកទៅបង្ហាត់ម៉ូដែល (Train) និងផ្នែកផ្សេងទៀតទៅធ្វើតេស្ត (Test) ត្រឡប់ចុះឡើងជាច្រើនដង ដើម្បីធានាថាវាដំណើរការបានត្រឹមត្រូវ។	ដូចជាការឱ្យសិស្សធ្វើលំហាត់សាកល្បងជាច្រើនដងដោយប្តូរសំណួរចុះឡើង ដើម្បីប្រាកដថាគាត់ពិតជាចេះមែន មិនមែនគ្រាន់តែទន្ទេញចាំចម្លើយ។
Levenberg-Marquardt algorithm (ក្បួនដោះស្រាយ Levenberg-Marquardt)	គឺជាបច្ចេកទេសគណិតវិទ្យាសម្រាប់ដោះស្រាយបញ្ហាកំហុសការេអប្បបរមាមិនលីនេអ៊ែរ (non-linear least squares) ដោយវាធ្វើការកែតម្រូវតម្លៃប៉ារ៉ាម៉ែត្របន្តិចម្តងៗ ដើម្បីឱ្យខ្សែកោងគណិតវិទ្យាត្រួតស៊ីគ្នាបានល្អបំផុតជាមួយនឹងទិន្នន័យជាក់ស្តែង។	ដូចជាជាងកាត់ដេរដែលកែតម្រូវទំហំអាវបន្តិចម្តងៗរហូតដល់វាស៊ីល្មមឥតខ្ចោះនឹងរាងកាយរបស់អតិថិជន។
Root Mean Squared Error (ឬសនៃមធ្យមការេកំហុស)	ជារង្វាស់ស្ថិតិដែលបង្ហាញពីទំហំកំហុសជាមធ្យមរវាងតម្លៃដែលម៉ូដែលបានទស្សន៍ទាយ និងតម្លៃទិន្នន័យជាក់ស្តែង ដោយវិធីសាស្ត្រនេះផ្តល់ទម្ងន់ពិន័យកាន់តែខ្លាំងចំពោះកំហុសណាដែលមានទំហំកាន់តែធំ។	ដូចជាការពិន័យសិស្សដែលបាញ់ធ្នូខុសគោលដៅ ដោយអ្នកដែលបាញ់ខុសគោលដៅកាន់តែឆ្ងាយ នឹងត្រូវទទួលពិន័យធ្ងន់ធ្ងរជាងអ្នកដែលខុសតិចតួច។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖