Nutritional Combined Greenhouse Gas Life Cycle Analysis for Incorporating Canadian Yellow Pea into Cereal-Based Food Products
Notice bibliographique
Résumé
Incorporating low cost pulses, such as yellow peas, that are rich in nutrients and low in fertilizer requirements, into daily food items, can improve the nutritional and sustainability profile of national diets. This paper systematically characterized the effect of using Canadian grown whole yellow pea and refined wheat flours on nutritional density and carbon footprint in cereal-based food products. Canada-specific production data and the levels of 27 macro- and micronutrients were used to calculate the carbon footprint and nutrient balance score (NBS), respectively, for traditional and reformulated pan bread, breakfast cereal, and pasta. Results showed that partial replacement of refined wheat flour with yellow pea flour increased the NBS of pan bread, breakfast cereal, and pasta by 11%, 70%, and 18%, and decreased the life cycle carbon footprint (kg CO₂ eq/kg) by 4%, 11%, and 13%, respectively. The cultivation stage of wheat and yellow peas, and the electricity used during the manufacturing stage of food production, were the hotspots in the life cycle. The nutritional and greenhouse gas (GHG) data were combined as the nutrition carbon footprint score (NCFS) (NBS/g CO₂ per serving), a novel indicator that reflects product-level nutritional quality per unit environmental impact. Results showed that yellow pea flour increased the NCFS by 15% for pan bread, 90% for breakfast cereal, and 35% for pasta. The results and framework of this study are relevant for food industry, consumers, as well as global and national policy-makers evaluating the effect of dietary change and food reformulation on nutritional and climate change targets.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 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 ».