Forage Legumes for Grazing and Conserving in Ruminant Production Systems
Notice bibliographique
Résumé
As a plant group, forage legumes present some unique advantages and disadvantages for ruminant production. When compared to grasses or cereals their main advantages are generally (i) low reliance on fertilizer nitrogen (N) inputs, (ii) high voluntary intake and animal production when feed supply is non-limiting and (iii) high protein content. The main disadvantages of forage legumes are generally (i) lower persistence than grass under grazing, (ii) high risk of livestock bloat and (iii) difficulty to conserve as silage or hay. In comparison to grass or legume monocultures, grass + legume mixtures have particular advantages such as more balanced feeding values, increased resource use efficiency and increased herbage production. However, maintaining the optimum legume contents (40-60% of herbage dry matter) to achieve these benefits remains a major challenge on farms. When compared to ruminant systems based on grass or cereals supplemented with fertilizer N, forage legume based ruminant systems tend to have less negative environmental impact on biodiversity, N losses to water and greenhouse gas emissions. Economically, the primary advantage of forage legumes over other forages is their ability to reduce fertilizer N costs and their main disadvantage is usually lower intensity of animal production per ha of land. Despite the numerous benefits of forage legumes for ruminant farming (to the farmer and wider society), their use is reported as being low or declining relative to other forages in many regions. This is most likely a result of their disadvantages being perceived to outweigh their advantages at farm level. This may change if the price ratio of fertilizer N to product (meat/milk) continues to increase as it has done in some regions in recent years.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».