A mechanistic model of methane emission from animal slurry with a focus on microbial groups
Notice bibliographique
Résumé
Liquid manure (slurry) from livestock releases methane (CH4) that contributes significantly to global warming. Existing models for slurry CH4 production-used for mitigation and inventories-include effects of organic matter loading, temperature, and retention time but cannot predict important effects of management, or adequately capture essential temperature-driven dynamics. Here we present a new model that includes multiple methanogenic groups whose relative abundance shifts in response to changes in temperature or other environmental conditions. By default, the temperature responses of five groups correspond to those of four methanogenic species and one uncultured methanogen, although any number of groups could be defined. We argue that this simple mechanistic approach is able to describe both short- and long-term responses to temperature where other existing approaches fall short. The model is available in the open-source R package ABM (https://github.com/sashahafner/ABM) as a single flexible function that can include effects of slurry management (e.g., removal frequency and treatment methods) and changes in environmental conditions over time. Model simulations suggest that the reduction of CH4 emission by frequent emptying of slurry pits is due to washout of active methanogens. Application of the model to represent a full-scale slurry storage tank showed it can reproduce important trends, including a delayed response to temperature changes. However, the magnitude of predicted emission is uncertain, primarily as a result of sensitivity to the hydrolysis rate constant, due to a wide range in reported values. Results indicated that with additional work-particularly on the magnitude of hydrolysis rate-the model could be a tool for estimation of CH4 emissions for inventories.
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 ».