MétaCan
Menu
Retour à la cohorte
Enregistrement W3021796770 · doi:10.3390/ani10050807

Effects of Two Manure Additives on Methane Emissions from Dairy Manure

2020· article· en· W3021796770 sur OpenAlexafffund
Jessie Cluett, Andrew VanderZaag, Hambaliou Baldé, S. M. McGinn, Earl Jenson, Alexander C. Hayes, Sylvanus Ekwe

Notice bibliographique

RevueAnimals · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAnaerobic Digestion and Biogas Production
Établissements canadiensAgriculture and Agri-Food CanadaDalhousie University
Organismes subventionnairesAgriculture and Agri-Food Canada
Mots-clésManureMethaneChemistryAnimal scienceGreenhouse gasMethane emissionsSignificant differenceIncubationChicken manureCelluloseManure managementAgronomyMathematicsBiology

Résumé

récupéré en direct d'OpenAlex

Liquid manure is a significant source of methane (CH4), a greenhouse gas. Many livestock farms use manure additives for practical and agronomic purposes, but the effect on CH4 emissions is unknown. To address this gap, two lab studies were conducted, evaluating the CH4 produced from liquid dairy manure with Penergetic-g® (12 mg/L, 42 mg/L, and 420 mg/L) or AgrimestMix® (30.3 mL/L). In the first study, cellulose produced 378 mL CH4/g volatile solids (VS) at 38 °C and there was no significant difference with Penergetic-g® at 12 mg/L or 42 mg/L. At the same temperature, dairy manure produced 254 mL CH4/g VS and was not significantly different from 42 mg/L Penergetic-g®. In the second lab study, the dairy manure control produced 187 mL CH4/g VS at 37 °C and 164 mL CH4/g VS at 20 °C, and there was no significant difference with AgrimestMix (30.3 mL/L) or Penergetic-g® (420 mg/L) at either temperature. Comparisons of manure composition before and after incubation indicated that the additives had no effect on pH or VS, and small and inconsistent effects on other constituents. Overall, neither additive affected CH4 production in the lab. The results suggest that farms using these additives are likely to have normal CH4 emissions from stored manure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,020
Score d'incertitude au seuil0,391

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,232
Écart entre enseignants0,220 · 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 tête enseignante, 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

Citations16
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnimalsMême sujetAnaerobic Digestion and Biogas ProductionTravaux en français237 207