MétaCan
Menu
Retour à la cohorte
Enregistrement W2906365523 · doi:10.3168/jds.2018-14967

Production of recycled manure solids for use as bedding in Canadian dairy farms: II. Composting methods

2018· article· en· W2906365523 sur OpenAlexafffundabout
Sébastien Fournel, Stéphane Godbout, P. Ruel, A. Fortin, Karine Duquette-Lozeau, Valérie Létourneau, Mylène Généreux, Jean‐Michel Lemieux, Denis Potvin, Caroline Côté, Caroline Duchaine, D. Pellerin

Notice bibliographique

RevueJournal of Dairy Science · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueComposting and Vermicomposting Techniques
Établissements canadiensInstitut Universitaire de Cardiologie et de Pneumologie de QuébecCentre de Recherche en Sciences Animales de DeschambaultInstitut de Recherche et de Développement en AgroenvironnementUniversité Laval
Organismes subventionnairesAgriculture and Agri-Food CanadaNatural Sciences and Engineering Research Council of CanadaFonds de recherche du Québec – Nature et technologiesUniversité Laval
Mots-clésManureDry matterEnvironmental scienceLiquid manureDrumTotal dissolved solidsManure managementWaste managementCow dungPulp and paper industryOrganic matterAnimal scienceAgronomyChemistryEnvironmental engineeringFertilizerBiologyEngineering

Résumé

récupéré en direct d'OpenAlex

Recent technological advances in the dairy industry have enabled Canadian farms with liquid manure systems to use mechanical solid-liquid separation paired with composting of the separated solids for on-farm production of low-cost bedding material. However, because several approaches are available, it is difficult for farmers to select the appropriate one to achieve high quality recycled manure solids (RMS). Whereas 3 solid-liquid manure separators were compared in part I of the series (companion paper in this issue), the present study (part II) aims to assess the performance of 4 composting methods (static or turned windrow and drum composter for 24 or 72 h) under laboratory conditions. Parameters evaluated included temperature, physico-chemical characteristics, and bacterial composition of RMS, as well as airborne microorganisms, dust, and gases associated with composting RMS. Because each treatment attained the desired composting temperature range of 40 to 65°C (either in heaps or in the drum composter), reductions in bacteria were a better indicator of the sanitation efficiency. The treatment of fresh RMS in a drum composter for 24 h showed decreased bacterial counts, especially for Escherichia coli (from 1.0 × 10 5 to 2.0 × 10 1 cfu/g of dry matter) and Klebsiella spp. (from 3.2 × 10 4 to 4.0 × 10 2 cfu/g of dry matter). Increasing the time spent in the rotating vessel to 72 h did not result in further decreases of these pathogens. Composting in a static or turned windrow achieved similar E. coli and Klebsiella spp. reductions as the 24-h drum composting but in 5 or 10 d, and generally showed the lowest occupational exposure risk for dairy farmers regarding concentrations of airborne mesophilic bacteria, mesophilic and thermotolerant fungi, and total dust. Drum-composted RMS stored in piles exhibited intermediate to high risk. Composting approaches did not have a major influence on the physico-chemical characteristics of RMS and gas emissions. Drum composting for 24 h was the best compromise in terms of product quality, temperature reached, decreased bacterial numbers, and emitted airborne contaminants. However, because levels of pathogenic agents rapidly increase once composted RMS are spread in stalls, bacteriological characteristics of RMS along with milk quality and animal health and welfare features should be monitored in Canadian dairy barns applying recommended separation (part I) and composting (part II) systems to evaluate health risk and optimize management 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 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)0,001
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,360
Score d'incertitude au seuil0,725

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,062
Tête enseignante GPT0,355
Écart entre enseignants0,293 · 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'étudeExpérimental (laboratoire)
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

Citations41
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy ScienceMême sujetComposting and Vermicomposting TechniquesTravaux en français237 207