MétaCan
Menu
Retour à la cohorte
Enregistrement W2082917535 · doi:10.3390/ani4040767

Effects of Adding Corn Dried Distiller Grains with Solubles (DDGS) to the Dairy Cow Diet and Effects of Bedding in Dairy Cow Slurry on Fugitive Methane Emissions

2014· article· en· W2082917535 sur OpenAlexafffund
Daniel I. Massé, Guillaume Jarret, C. Benchaar, F. Hassanat

Notice bibliographique

RevueAnimals · 2014
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Soil, Plant Science
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesAgriculture and Agri-Food CanadaCanadian Dairy CommissionDairy Farmers of Canada
Mots-clésSlurryStrawChemistryAnimal scienceFood scienceRuminantAgronomyEnvironmental scienceBiologyEnvironmental engineeringPasture

Résumé

récupéré en direct d'OpenAlex

The specific objectives of this experiment were to investigate the effects of adding 10% or 30% corn dried distillers grains with solubles (DDGS) to the dairy cow diet and the effects of bedding type (wood shavings, straw or peat moss) in dairy slurry on fugitive CH₄ emissions. The addition of DDGS10 to the dairy cow diet significantly increased (29%) the daily amount of fat excreted in slurry compared to the control diet. The inclusion of DDGS30 in the diet increased the daily amounts of excreted DM, volatile solids (VS), fat, neutral detergent fiber (NDF), acid detergent fiber (ADF) and hemicellulose by 18%, 18%, 70%, 30%, 15% and 53%, respectively, compared to the control diet. During the storage experiment, daily fugitive CH₄ emissions showed a significant increase of 15% (p < 0.05) for the slurry resulting from the corn DDGS30 diet. The addition of wood shavings and straw did not have a significant effect on daily fugitive CH₄ emissions relative to the control diet, whereas the addition of peat moss caused a significant increase of 27% (p < 0.05) in fugitive CH₄ emissions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,219
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnimalsMême sujetAgriculture, Soil, Plant ScienceTravaux en français237 207