Practices to Reduce Milk Carbon Footprint on Grazing Dairy Farms in Southern Uruguay: Case Studies
Notice bibliographique
Résumé
Carbon footprint (CF) is an increasingly important indicator of the impact of a product on climate change. This study followed international guidelines to quantify the CF of milk produced on 24 grazing-based dairy farms in southern Uruguay. Cows grazed all year-round and were supplemented with concentrate feeds. Dairy farms varied in annual milk yield per cow (5672 ± 1245 kg fat and protein corrected milk [FPCM]), milk production per ha (4075 ± 1360 kg FPCM/ha), cow stocking rate (0.71 ± 0.12 cows/ha), feed intake (13.3 ± 2.2 kg dry matter [DM]/cow/day) and percentage of concentrate in the diet (36 ± 12% DM) giving an average CF of 0.99 ± 0.10 kg CO2 (equivalent [eq]/kg FPCM) over all farms. Total milk production per ha, milk yield per cow and dry matter intake explained most of the variation in CF. Strategies that provide the highest milk production per ha using high yielding cows and a high portion of lactating cows in the herd were identified as the best management practices for reducing CF. Low forage intake in Uruguay is often a consequence of low yielding pastures and high stocking rates. Overall, this study concluded that a reduction in CF is not achieved through increased concentrate intake unless forage consumption is also unconstrained. Improved pasture and feeding management can be used to reduce the CF of milk produced in Uruguay.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».