Comparative life cycle assessment of technologies and strategies to improve nitrogen use efficiency in egg supply chains
Notice bibliographique
Résumé
A non-trivial challenge along egg supply chains is inefficient use of nitrogen, which may have a combination of negative economic, human/animal health, and environmental implications. A variety of technologies and management strategies have been proposed to improve nitrogen use efficiency (NUE) and reduce emissions at key supply chain stages. This study considered seven scenarios representing NUE strategies: (1) biochar addition to the soil and (2) application of the “4Rs” approach to fertilizer management in feed input production; (3) a reduced crude protein supplemented with synthetic amino acids diet; (4) use of acid scrubbers in poultry barns; (5) biochar addition to stored manure; (6) manure incorporation at the time of land application; and (7) joint application of all strategies. ISO 14044 compliant environmental life cycle assessment (LCA) along with NUE calculations were performed to analyze and compare these mitigation options. The functional unit was one tonne of egg production at the farm gate in Canada. The most significant increase in NUE (13%) resulted from the application of the scrubber in the layer barn. The scrubber also significantly lowered acidifying (21%) and eutrophying (16%) emissions compared to the baseline. The combined application of all strategies increased NUE by 15% compared to the baseline scenario and reduced acidification, global warming, and eutrophication potential, but at the cost of a large increase in energy consumption. Each strategy might be more or less suitable depending on the considered environmental impacts, as well as NUE outcomes. Use of LCA is essential to informed decision making in this context.
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 | 0,000 |
| 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 ».