Role of Artificial Intelligence in Livestock and Poultry Farming

نقش هوش مصنوعی در پرورش دام و طیور | آینده دامداری و مرغداری هوشمند

چکیده:
یکی از فناوری‌هایی که نیازمند پذیرش سریع در بخش دامداری است، هوش مصنوعی (AI) می‌باشد. استفاده از فناوری هوش مصنوعی می‌تواند در چندین حوزه کلیدی در صنعت دامداری بسیار سودمند باشد، از جمله پایش، پیش‌بینی، بهینه‌سازی رشد حیوانات مزرعه، مقابله با آفات، بیماری‌ها، تهدیدهای امنیت زیستی، و مدیریت حیوانات و مزرعه. هوش مصنوعی به مزارع دامداری کمک خواهد کرد تا داده‌ها را جمع‌آوری و تحلیل کرده و رفتار مصرف‌کننده را به‌طور دقیق پیش‌بینی کنند؛ از جمله الگوهای خرید، روندهای برتر و…. عملیات مزرعه به‌صورت خودکار انجام خواهد شد که این امر مستقیماً موجب کاهش هزینه‌ها و افزایش کیفیت محصولات تخم‌مرغ، شیر و گوشت می‌شود. با این حال، اجرای چنین سیستمی به سرمایه‌گذاری اولیه اضافی نیاز دارد.

مقدمه

فناوری‌های نوین پرورش دام و آبزی‌پروری که از هوش مصنوعی بهره می‌برند، می‌توانند به‌طور خودکار وزن حیوانات مختلف و مراحل رشد آن‌ها را تشخیص دهند. با استفاده از این سیستم‌ها، می‌توان تغذیه حیوانات را مطابق با خواسته ما یا نیاز آن‌ها تنظیم کرد و تأثیر تغذیه را نیز برای دستیابی به نتایج بهتر زیر نظر گرفت (Olejnik و همکاران، 2022). همان‌طور که می‌دانیم، جمعیت جهان روزبه‌روز در حال افزایش است که به‌طور مستقیم نیاز به محصولاتی مانند تخم‌مرغ، گوشت و شیر را افزایش می‌دهد.

پژوهشگران به این نتیجه رسیده‌اند که برای کشاورزی هوشمند، نیاز به استفاده از هوش مصنوعی در قالب ربات‌ها و ابزارهای نرم‌افزاری دارای ماژول هوش مصنوعی داریم. این ابزارها می‌توانند هزینه‌های کشاورزی را کاهش داده و در عین حال کیفیت محصولات را افزایش دهند. در همین راستا، پژوهشی انجام شد که منجر به ساخت یک “اصطبل هوشمند گاو” شد. در این اصطبل، سنسورهایی تعبیه شده بود که فعالیت گاو، وزن آن و بیماری‌های احتمالی را با استفاده از هوش مصنوعی تشخیص می‌دادند (Blanes et al., 2010). سیستم‌های تشخیص و ردیابی زودهنگام بیماری‌ها می‌توانند به شناسایی بیماری‌ها در مراحل اولیه کمک کنند و با درمان به‌موقع، مانع از خسارت‌های بزرگ برای کشاورزان شوند. در سال‌های اخیر، نیاز به افزایش تولید دام و فرآورده‌های دامی بیش‌ازپیش احساس شده و کاربردهای متنوعی برای هوش مصنوعی در این زمینه معرفی شده‌اند.

مرور مقالات

دوشیدن خودکار با استفاده از هوش مصنوعی

یکی از حوزه‌هایی که استفاده از هوش مصنوعی در آن به‌سرعت در حال گسترش است، ایستگاه‌های شیردوشی در صنعت دامداری می‌باشد. دستگاه‌های شیردوشی خودکار با بهره‌گیری از سنسورهای هوشمند دارای قابلیت هوش مصنوعی، می‌توانند کیفیت شیر را ارزیابی کرده و هرگونه ناهنجاری در محصول را شناسایی کنند (Costa et al., 2012).

دامداری دقیق مدرن  (Precision Livestock Farming)

در حوزه دامداری شیری، از طریق حسگرها و فناوری هوش مصنوعی، هوشمندی در سطح گاو، شیر و گله در حال پیاده‌سازی است. این سیستم‌ها شامل حسگرهایی هستند که وضعیت سلامتی گاو، زمان فحلی، زایمان و رفتارهای روزانه مانند نشخوار، غذا خوردن و الگوهای راه‌رفتن را کنترل می‌کنند – مانند سنسور SenseTime Solution.

اکنون دامداران می‌توانند با استفاده از انواع حسگرهای موجود، تغییرات در حرکات حیوان، میزان مصرف خوراک، الگوهای خواب و حتی کیفیت هوای محیط نگهداری حیوانات را پایش کنند. زمانی که این اطلاعات با نرم‌افزار هوش مصنوعی ترکیب می‌شود، راه‌حل‌های پیشگیرانه و سریع برای مشکلات ارائه می‌گردد. این سنسورها علاوه بر جمع‌آوری داده‌های مربوط به تولیدمثل، سلامت و تغذیه گاوها، برای هر حیوان به‌طور جداگانه نیز راهکارهایی به دامدار ارائه می‌دهند (Nääs et al., 2010).

استفاده از هوش مصنوعی برای پایش سلامت دام:

علاوه بر این، هوش مصنوعی در صورت تغییر در رفتار گاو، از طریق هشدارها کشاورز را مطلع می‌سازد تا در صورت لزوم مداخله انسانی صورت گیرد. بدون بهره‌گیری از هوش مصنوعی، نظارت دقیق بر هر گاو در گله برای کشاورز تقریباً غیرممکن خواهد بود. با استفاده از هوش مصنوعی پیشرفته، کشاورزان می‌توانند بیماری‌ها را تشخیص، پیش‌بینی و حتی از شیوع گسترده آن‌ها جلوگیری کنند. این فناوری در تشخیص ناهنجاری‌ها و بی‌نظمی‌ها بسیار مفید و دقیق عمل می‌کند (Zhou & Yamamoto, 1997).

استفاده از هوش مصنوعی برای تشخیص فحلی (Oestrus):

یک حسگر که به گردن گاو متصل می‌شود، اطلاعات کامل روزانه مربوط به گاو را ثبت می‌کند. نکته مثبت این حسگر این است که توانایی ذخیره اطلاعات مربوط به چندین روز را نیز دارد. اجزای هوش مصنوعی در سیستم اتوماسیون دامداری، داده‌های جمع‌آوری‌شده را تجزیه و تحلیل کرده و بینشی درباره استرس گرمایی، تغییرات در کارایی تغذیه و چرخه فحلی گاو ارائه می‌دهد. در زمان وقوع چرخه فحلی، هورمون‌های خاصی ترشح می‌شوند که بر رفتار و حرکت گاو تأثیر می‌گذارند (Dineva et al., 2021).

استفاده از ربات برای واکسیناسیون در مرغداری‌ها:

در عصر نوآوری، سیستم‌های هوش مصنوعی و رباتیک به منبعی قابل‌اعتماد برای انجام واکسیناسیون و سایر اقدامات درمانی تبدیل شده‌اند، چرا که احتمال خطا در آن‌ها حدود 001/0 درصد است؛ زیرا هوش مصنوعی بر پایه الگوریتم‌های بسیار دقیق عمل می‌کند. امروزه، صنعت طیور به هوش مصنوعی متصل شده است، چرا که در مقایسه با روش‌های سنتی، نتایج بهتری حاصل می‌شود. این سیستم‌های رباتیک همچنین اطلاعاتی درباره سطح ایمنی یا وضعیت ایمنی حیوانات دارند. به‌طور خلاصه، در برخی کشورها ربات‌ها برای واکسیناسیون و درمان استفاده می‌شوند (Thomas et al., 2011).

کاربرد هوش مصنوعی در زنجیره تأمین مواد غذایی:

فناوری بلاک‌چین می‌تواند کل زنجیره تأمین، از تولیدکننده تا مصرف‌کننده را به هم متصل کند، و امکان ایمنی و قابلیت رهگیری مواد غذایی را فراهم سازد. از منظر کشاورزی و صنایع غذایی، ارائه چنین شفافیتی به مصرف‌کنندگان می‌تواند یک مزیت رقابتی مهم به شمار آید و این فرآیند در صنعت لبنیات نسبت به دیگر بخش‌ها مانند دام سنگین، که تغییر مالکیت به‌طور مکرر رخ می‌دهد، آسان‌تر باشد (OECD, 2021).

استفاده از هوش مصنوعی در جمع‌آوری داده‌ها:

تا پیش از این، اطلاعات به‌صورت کلی برای کل مزرعه جمع‌آوری می‌شد. اما امروزه، هوش مصنوعی و سایر فناوری‌ها با استفاده از حسگرها می‌توانند اطلاعات منحصربه‌فردی برای هر گاو به‌صورت جداگانه ارائه دهند، که این موضوع به کشاورزان اجازه می‌دهد تصمیمات مدیریتی دقیق‌تری اتخاذ کنند (Van Limbergen et al., 2020).

استفاده از هوش مصنوعی برای افزایش کیفیت خوراک دام:

در مقایسه با برداشت دستی سنتی، استفاده از ربات‌ها بسیار کارآمدتر است و زمان برداشت را کاهش می‌دهد. علاوه بر آن، تجهیزات خودکار به‌صورت مداوم میزان عملکرد (بازده) و محتوای رطوبت غلات برداشت‌شده را اندازه‌گیری می‌کنند (Neethirajan et al., 2020).

استفاده از فناوری تشخیص چهره برای بهبود سلامت حیوانات

کاربردهای مفید متعددی برای این فناوری وجود دارد، از جمله کمک به درک وضعیت‌های عاطفی و تمرکزی حیوانات (Sih et al., 2004). به عنوان مثال، دانشمندان اکنون می‌توانند با مشاهده حرکات گوش و چشم‌های حیوان، به طور منطقی حالت روحی و میزان اشتیاق آن را پیش‌بینی کنند. این موضوع می‌تواند در کنترل علائم درد حیوان به ما کمک کند. تحقیقات بیشتر ممکن است منجر به شناسایی زخم‌ها، بیماری‌ها یا حتی نشانه‌های حملات شکارچیان شود (Paris et al., 2022).

نقش هوش مصنوعی در بهبود نسبت تبدیل خوراک  (FCR)

کشاورزان می‌توانند با کمک دوربین‌های RGB-D، میزان مصرف خوراک هر گاو را اندازه‌گیری کرده و هزینه‌های تغذیه را بر اساس نیازهای هر حیوان مدیریت کنند (Detsch et al., 2018). استفاده از فناوری به ما این امکان را می‌دهد که عملکرد حیوانات مزرعه را به دقت پیش‌بینی کنیم. بر اساس تعداد زایمان‌ها، مؤلفه تولید شیر و نمره وضعیت بدنی، می‌توان میزان مصرف انرژی در دوره شیردهی را محاسبه کرد (Brunberg et al., 2011).

روش کار

ما از روش‌های هوش مصنوعی و ابزارهای مبتنی بر هوش مصنوعی برای بررسی اثربخشی آن‌ها در دامداری و مرغداری استفاده کردیم. در این راستا، از نرم‌افزارهای مرتبط با هوش مصنوعی و همچنین ابزارها و پنل‌هایی بهره بردیم که نتایج قابل‌توجهی ارائه دادند. در این روش، در مرغداری نیز از برخی سنسورها برای پایش وضعیت سلامت طیور و اندازه‌گیری وزن پرندگان زنده استفاده کردیم. همچنین برخی سنسورها برای بررسی کود طیور به منظور ارزیابی وضعیت سلامت آن‌ها به کار گرفته شدند.

نتایج
نتایج نشان میدهد که هوش مصنوعی تأثیر مثبتی بر مدیریت و تولید دام دارد و همچنین در انجام فرآیندها در سطح مزرعه کمککننده است. سنسورهایی که برای بررسی وزن پرندگان زنده استفاده میشوند، اندازهگیری دقیقی ارائه دادند. سنسورهای مورد استفاده برای بررسی وضعیت سلامت، وضعیت سلامتی پرنده را بهطور دقیق پیشبینی کردند. در این شرایط میتوان گفت که نتایج ما مثبت بوده است، به این معنی که هوش مصنوعی میتواند نقش کلیدی در نگهداری مزارع دام و طیور ایفا کند.

بحث
نقش هوش مصنوعی در مزرعه طیور

با استفاده از ابزارها، پارامترهای تولید و رفتار را زیر نظر بگیرید. پنل‌های مختلف هوش مصنوعی در بازار برای انجام کاربردهای گوناگون در مزرعه طیور موجود است. این مطالعه با هدف ارائه مروری بر هوش مصنوعی و ابزارهای موجود در بازار و استفاده از  آنها برای کارهای متعدد در سالنهای پرورش طیور انجام شده است، همچنین ارزیابی از کاربردهای بالقوه آینده آنها در بخش تجاری صنعت طیور از طریق استفاده از تحقیقات تجربی که در محیطهای مناسب برای کشاورزی در مقیاس بزرگ انجام شده است. به جای تمرکز بر نحوه استفاده مستقیم کشاورزان از فناوری یا سازگاری با آن و تأثیرات اجتماعی-اقتصادی پس از آن، این مرور نقش هوش مصنوعی را در تشخیص بیماریها و وزن پرنده، بهبود ضریب تبدیل خوراک (FCR)، زنجیره تأمین غذا، ارتقای کیفیت خوراک و نقش آن در واکسیناسیون نشان میدهد (Stamp et al., 2004).

کنترل محیط مرغداری

مروری بر چند موضوع مختلف داریم، از جمله دستورالعمل‌های نگهداری مرغداری یا گله، انحرافات شرایط محیطی، نیاز به بررسی دمای هوا، تهویه مناسب و تأثیر آن بر دیگر عوامل محیطی (مانند گازهایی که ممکن است آسیب‌زا باشند)، برنامه‌ریزی روشنایی و معایب ناشی از عدم رعایت این برنامه، و همچنین کاربردهای دیگر نور به عنوان جزء جدایی‌ناپذیر شرایط پرورش و بهینه‌سازی آن‌ها با بهره‌گیری از ابزارهای هوش مصنوعی.

تا حد امکان، گله نگهداری شده باید به‌درستی شناسایی شود تا از کاهش رفاه حیوانات و افزایش سطح استرس آن‌ها جلوگیری شود، خصوصاً هنگام تولید گوشت و تخم مرغ. مطابق با دستورالعمل ۲۰۰۷/۴۳/EC، حداکثر تراکم مرغ‌های گوشتی در یک مزرعه یا مرغداری نباید از ۳۳ کیلوگرم بر متر مربع بیشتر باشد. در شرایط خاص، این مقدار می‌تواند تا ۳۹ یا حتی ۴۲ کیلوگرم بر متر مربع افزایش یابد. همچنین، طبق دستورالعمل شورای اروپا ۱۹۹۹/۷۴/EC، هنگام نگهداری مرغ‌های تخم‌گذار، بیش از ۹ مرغ در هر متر مربع فضای قابل استفاده مجاز نیست (که در صورت فراهم بودن شرایطی مانند افزایش سطح زیرین، این مقدار می‌تواند تا ۱۲ مرغ در متر مربع افزایش یابد). هر مرغ تخم‌گذار نگهداری شده در قفس به حداقل ۷۵۰ سانتی‌متر مربع فضا نیاز دارد و ارتفاع قفس نباید کمتر از ۳۵ سانتی‌متر باشد.

کشاورزان در ردیابی تک تک حیوانات در گله‌های بزرگ و متراکم با مشکل مواجه‌اند. روش‌های دامداری دقیق (PLF) داده‌هایی در مورد کل گله را به صورت خودکار ۲۴ ساعت شبانه‌روز و ۷ روز هفته جمع‌آوری می‌کنند که مدیریت مزرعه را به‌مراتب کارآمدتر می‌کند (Yahav, 2009)، طبق مطالعه‌ای، کشاورزانی که از سیستم‌های PLF استفاده می‌کنند، داده‌های یکپارچه را به روش‌های مدیریت سنتی ترجیح می‌دهند و معمولاً هیچ ایرادی به جز هزینه‌های احتمالی بالا نمی‌بینند (Tablante et al., 2000) آن‌ها معتقدند که PLF ممکن است به سودآوری بالاتر نیز منجر شود.

تحقیقات Jones و همکاران نشان داد که استراتژی‌های مدیریتی تأثیرات ماندگارتری بر رفاه و محیط نسبت به کاهش تراکم حیوانات دارند. در این مطالعه بزرگ که ۲.۷ میلیون مرغ در پنج تراکم مختلف نگهداری شدند، مشخص شد شرایط نگهداری ممکن است تأثیر بیشتری بر رفاه حیوانات نسبت به خود تراکم داشته باشد.

با توجه به افزایش آگاهی مصرف‌کنندگان نسبت به رژیم غذایی توصیه شده و شرایط کلی نگهداری پرندگان در مزارع بزرگ، مزارع تجاری نیازمند کنترل بیشتر رفاه حیوانات شده‌اند. شرایط محیطی می‌تواند با کمک سیستم‌های کشاورزی خودکار که تغییرات بهتری در مصرف خوراک و مواد مغذی ارائه می‌دهند، بهبود یافته و حفظ شود. اگر شرایط محیطی از معیارهای پذیرفته شده منحرف شود، حیوانات ممکن است غذای کمتری مصرف کنند که این امر رشد آن‌ها را محدود کرده، استرس‌شان را افزایش داده و نرخ مرگ‌ومیر را بالا می‌برد. حیوانات باید همیشه به آب دسترسی داشته باشند و تجهیزات تغذیه باید امکان مصرف ترکیبات کامل غذایی متناسب با سن و نیازهای تولیدی آن‌ها را فراهم کند (Kashiha et al., 2013).

وظیفه اصلی ربات تغذیه  Kai-Zen Metabolic Robots (Metabolic Robots, Kfar Tavor, Israel)، تنظیم دوز خوراک بر اساس نیازهای گله در مرحله توسعه فعلی آن است. نرخ تبدیل خوراک (FCR) می‌تواند بهینه شده و حتی تا ۴ درصد افزایش یابد. سیستم خودکفای خوراک خورشیدی (Little Bird Systems, Fayetteville, NC, USA) به کشاورزان کمک می‌کند تا فرمولاسیون دقیق خوراک و شرایط محیطی مانند دما و برنامه روشنایی را به‌دقت تنظیم کنند. مرغداری‌های مدرن مجهز به مترهای آب هستند که می‌توانند مصرف روزانه آب را برای کل مرغداری یا هر ردیف جداگانه اندازه‌گیری کنند. الگوهای مصرف آب می‌توانند برای شناسایی مشکلات کیفیت خوراک یا سلامت عمومی گله بر اساس داده‌های جمع‌آوری شده استفاده شوند. معمولاً وقتی سلامت گله به خطر می‌افتد، مصرف آب کاهش می‌یابد؛ در مقابل، در صورت مشکلات کیفیت خوراک مانند افزایش سطح نمک، مصرف آب افزایش می‌یابد. همچنین نظارت بر مصرف آب می‌تواند نشتی‌های زیرساختی را که هزینه‌های کشاورزی را افزایش می‌دهند، شناسایی کند.

از آنجایی که پرورش طیور یک تولید فشرده است، تولیدکنندگان باید مراقب استفاده بهینه از منابع باشند. دامداری دقیق را می‌توان در صنعت طیور با پایش و ثبت رفتار پرندگان در زمان واقعی به کار گرفت. در کشاورزی در مقیاس بزرگ، بررسی شخصی عملکرد صحیح تجهیزات به دلیل بزرگی مجموعه دشوار است. استفاده از سیستم دینامیک (Fancom BV, Panningen, The Netherlands) دوربین‌ها و تکنیک‌های پردازش تصویر اهمیت پایش خودکار در مرغداری‌های گوشتی را به خوبی نشان داده است. با این روش، ۹۵.۲۴٪ از ناهنجاری‌ها به صورت زنده شناسایی شدند. این دانش می‌تواند روش‌های سریع‌تر و موثرتری برای تعویض یا تعمیر قطعات خراب تجهیزات مانند تغذیه، فن‌ها و سیستم‌های گرمایشی فراهم کند (Bloch et al., 2020).

نتیجه‌گیری

موارد ذکر شده در بالا نشان‌دهنده اثربخشی هوش مصنوعی در بخش طیور و همچنین دامداری هستند. این مقاله نشان می‌دهد که هوش مصنوعی کشاورزی را آسان‌تر کرده است، زیرا بسیاری از وظایف را بر عهده می‌گیرد و نیاز به نیروی کار انسانی را به‌طور قابل توجهی کاهش می‌دهد.

این مرور به‌وضوح بیان می‌کند که استفاده از هوش مصنوعی می‌تواند باعث کاهش هزینه‌ها، افزایش کیفیت محصولات، تشخیص به‌موقع بیماری‌ها، بهبود کیفیت خوراک و افزایش بازده تولید دام شود.

بنابراین، نیاز به توسعه بیشتر تحقیقات و پژوهش‌های علمی (R&D) به‌منظور مدرن‌سازی در زمینه کشاورزی و سایر حوزه‌هایی که هوش مصنوعی در آن‌ها کاربرد دارد، کاملاً احساس می‌شود.

هوش مصنوعی مسیر آسان‌تری را برای اجرای عملکردهای بهینه در کشاورزی فراهم کرده و ضروری است که فناوری‌های نوین توسعه یابند تا کشاورزی و زندگی روزمره ما ساده‌تر و کارآمدتر شود.

REFERENCES

Blanes-Vidal, V., Guijarro, E., Nadimi, E. S., & Torres, A. G. (2010). Development and field test of an on-line computerized instrumentation system for air velocity, temperature and differential pressure measurements in poultry houses. Spanish Journal of Agricultural Research, 8(3), 570-579.

Bloch, V., Barchilon, N., Halachmi, I., & Druyan, S. (2020). Automatic broiler temperature measuring by thermal camera. Biosystems Engineering, 199, 127-134.

Brunberg, E., Jensen, P., Isaksson, A., & Keeling, L. (2011). Feather pecking behavior in laying hens: hypothalamic gene expression in birds performing and receiving pecks. Poultry Science, 90(6), 1145- 1152.

Costa, L. S., Pereira, D. F., Bueno, L. G. F., & Pandorfi, H. (2012). Some aspects of chicken behavior and welfare. Brazilian Journal of Poultry Science, 14, 159-164.

Detsch, D. T., Conti, D., Diniz-Ehrhardt, M. A., & Martínez, J. M. (2018). On the controlling of temperature: A proposal for a real-time controller in broiler houses. Scientia Agricola, 75, 445-451.

Dineva, K., Parvanov, D., Atanasova, T., Mateeva, G., Petrov, P., & Kostadinov, G. Towards CPS/IoT System for Livestock Smart Farm Monitoring. In 2021 International Conference Automatics and Informatics (ICAI) (pp. 252-255). IEEE..

Kashiha, M., Pluk, A., Bahr, C., Vranken, E., & Berckmans, D. (2013). Development of an early warning system for a broiler house using computer vision. Biosystems Engineering, 116(1), 36-45.

Nääs, I. D. A., Romanini, C. E. B., Neves, D. P., Nascimento, G. R. D., & Vercellino, R. D. A. (2010). Broiler surface temperature distribution of 42 day old chickens. Scientia Agricola, 67, 497-502.

Neethirajan, S. (2020). The role of sensors, big data and machine learning in modern animal farming. Sensing and Bio-Sensing Research, 29, 100367. Oecd/Fao. (2021). OECD-FAO agricultural outlook 2021–2030.

Olejnik, K., Popiela, E., & Opaliński, S. (2022). Emerging Precision Management Methods in Poultry Sector. Agriculture, 12(5), 718.

Paris, B., Vandorou, F., Balafoutis, A. T., Vaiopoulos, K., Kyriakarakos, G., Manolakos, D., & Papadakis, G. (2022). Energy use in open-field agriculture in the EU: A critical review recommending energy efficiency measures and renewable energy sources adoption. Renewable and Sustainable Energy Reviews, 158, 112098.

Sih, A., Bell, A. M., Johnson, J. C., & Ziemba, R. E. (2004). Behavioral syndromes: an integrative overview. The quarterly review of biology, 79(3), 241-277.

Stamp Dawkins, M., Donnelly, C. A., & Jones, T. A. (2004). Chicken welfare is influenced more by housing conditions than by stocking density. Nature, 427(6972), 342-344.

Tablante, N. L., Vaillancourt, J. P., Martin, S. W., Shoukri, M., & Estevez, I. (2000). Spatial distribution of cannibalism mortalities in commercial laying hens. Poultry Science, 79(5), 705-708.

Thomas, D. G., Son, J. H., Ravindran, V., & Thomas, D. V. (2011). The effect of stocking density on the behaviour of broiler chickens. Korean Journal of Poultry Science, 38(1), 1-4.

Van Limbergen, T., Sarrazin, S., Chantziaras, I., Dewulf, J., Ducatelle, R., Kyriazakis, I., … & Maes, D. (2020). Risk factors for poor health and performance in European broiler production systems. BMC veterinary research, 16(1), 1-13..

Yahav, S. (2009). Alleviating heat stress in domestic fowl: different strategies. World’s Poultry Science Journal, 5(4), 719-732.

Zhou, W. T., & Yamamoto, S. (1997). Effects of environmental temperature and heat production due to food intake on abdominal temperature, shank skin temperature and respiration rate of broilers. British poultry science, 38(1), 107-114.