Evaluation of enteric methane prediction equations for dairy cows used in whole farm models
Notice bibliographique
Résumé
Abstract The importance of evaluating greenhouse gas (GHG) emissions from dairy cows within the whole farm setting is being realized as more important than evaluating these emissions in isolation. Current whole farm models aimed at evaluating GHG emissions make use of simple regression equations to predict enteric methane (CH 4 ) production. The objective of the current paper is to evaluate the performance of nine CH 4 prediction equations that are currently being used in whole farm GHG models. Data used to evaluate the prediction equations came from a collection of individual (IND) and treatment averaged (TRT) data. Equations were compared based on mean square prediction error (MSPE) and concordance correlation coefficient (CCC) analysis. In general, predictions were poor, with root MSPE (as a percentage of observed mean) values ranging from 20.2 to 52.5 for the IND database and from 24.0 to 38.2 for the TRT database and CCC values ranging from 0.009 to 0.493 for the IND database and from 0.000 to 0.271 for the TRT database. Overall, the equations of Moe & Tyrrell and IPCC Tier II performed best on the IND dataset, and the equations of Moe & Tyrrell and Kirchgeßner et al., performed best on the TRT dataset. Results show that the simple more generalized equations performed worse than those that attempted to represent important aspects of diet composition, but in general significant amounts of bias and deviation of the regression slope from unity existed for all equations. The low prediction accuracy of CH 4 equations in whole farm models may introduce substantial error into inventories of GHG emissions and lead to incorrect mitigation recommendations.
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 | 0,000 |
| 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 ».