The effect of feed demand on greenhouse gas emissions and farm profitability for organic and conventional dairy farms
Notice bibliographique
Résumé
The reduction of product-related greenhouse gas (GHG) emissions in milk production appears to be necessary. The reduction of emissions on an individual farm might be highly accepted by farm owners if it were accompanied by an increase in profitability. Using life cycle assessments to determine the product carbon footprints (PCF) and farm-level evaluations to record profitability, we explored opportunities for optimization based on analysis of 81 organic and conventional pasture-based dairy farms in southern Germany. The objective of the present study was to detect common determining factors for low PCF and high management incomes (MI) to achieve GHG reductions at the lowest possible operational cost. In our sample, organic farms, which performed economically better than conventional farms, produced PCF that were significantly higher than those produced by conventional farms [1.61 ± 0.29 vs. 1.45 ± 0.28 kg of CO₂ equivalents (CO₂eq) per kg of milk; means ± SD)]. A multiple linear regression analysis of the sample demonstrated that low feed demand per kilogram of milk, high grassland yield, and low forage area requirements per cow are the main factors that decrease PCF. These factors are also useful for improving a farm's profitability in principle. For organic farms, a reduction of feed demand of 100 g/kg of milk resulted in a PCF reduction of 105 g of CO₂eq/kg of milk and an increase in MI of approximately 2.1 euro cents (c)/kg of milk. For conventional farms, a decrease of feed demand of 100 g/kg of milk corresponded to a reduction in PCF of 117 g of CO₂eq/kg of milk and an increase in MI of approximately 3.1 c/kg of milk. Accordingly, farmers could achieve higher profits while reducing GHG emissions. Improved education and training of farmers and consultants regarding GHG mitigation and farm profitability appear to be the best methods of improving efficiency under traditional and organic farming practices.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».