Changes in Forage Quantity and Quality With Continued Late-Summer Cattle Grazing a Riparian Pasture in Eastern Oregon of United States
Notice bibliographique
Résumé
A pasture (45 ha) in northeastern Oregon was grazed with 30 yearlings (419 kg, Body Condition Score [BCS] = 5.05) and 30 mature cows with calves (499 kg, BCS = 4.65) during August of 2001 and 2002. Sampling dates were d 0, d 10, d 20, and d 30. Forage availability before grazing was 1,039.0 kg·ha<sup>-1</sup> and declined to 332.6 kg·ha<sup>-1</sup> after grazing (<em>p </em>&lt; 0.10). Grasses dominated the pasture (44.5%), followed by forbs (30.7%), grasslikes (15.9%), and shrubs (8.9%). Due to grazing quackgrass (<em>Agropyron repens </em>(L.) Beauv.), western fescue (<em>Festuca occidentalis </em>Walt.), California brome (<em>Bromus carinatus </em>Hook.), and redtop (<em>Agrostis alba </em>L.) exhibited the greatest decline in quantity. Shrub utilization was high from d 20 to d 30 (49 to 58% for willow [<em>Salix rigida</em> {Hook.} Cronq.]<strong> </strong>and 58 to 74 % for alder [<em>Alnus incana </em>{L.} Moench.]). Forbs decreased (<em>p</em> &lt; 0.10) in moisture late in the grazing period, while shrubs were (<em>p</em> &gt; 0.10) still succulent (63%). Forbs and shrubs were higher (<em>p</em> &lt; 0.10) than grasses in crude protein (11, 14, and 6%, respectively) and digestibility (59, 50, and 42%, respectively). In summary, our results suggest that cattle grazing late-summer riparian pastures will switch to intensive shrub utilization when grasses decline in quantity and quality, and forbs decline in quantity. Land managers need to know the effect of their management on vegetation and if a goal is to protect riparian woody vegetation, our data suggest that late-summer grazing should be light, or avoided when grasses have senesced.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».