MétaCan
Menu
Retour à la cohorte
Enregistrement W4289528365 · doi:10.3168/jds.2021-20885

Prediction of nitrogen excretion from data on dairy cows fed a wide range of diets compiled in an intercontinental database: A meta-analysis

2022· review· en· W4289528365 sur OpenAlexaff
Adeline Bougouin, A.N. Hristov, J. Dijkstra, M.J. Aguerre, Seppo Ahvenjärvi, Claudia Arndt, A. Bannink, A.R. Bayat, C. Benchaar, T.M. Boland, W.E. Brown, L.A. Crompton, Frédéric Dehareng, Isabelle Dufrasne, Maguy Eugène, Éric Froidmont, Sanne van Gastelen, P. C. Garnsworthy, Anni Halmemies‐Beauchet‐Filleau, Sophie Herremans, Pekka Huhtanen, Marianne Johansen, Alemayehu Kidane, Michael Kreuzer, Björn Kuhla, Françoise Lessire, Peter Lund, Elena Minnée, Camila Muñoz, Mutian Niu, Pierre Nozière, D. Pacheco, E. Prestløkken, C.K. Reynolds, Angela Schwarm, J.W. Spek, Melissa Terranova, Aila Vanhatalo, M.A. Wattiaux, Martin Riis Weisbjerg, David R. Yáñez-Ruíz, Zhongtang Yu, E. Kebreab

Notice bibliographique

RevueJournal of Dairy Science · 2022
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRuminant Nutrition and Digestive Physiology
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesNational Institute of Food and AgricultureU.S. Department of Agriculture
Mots-clésExcretionManureAnimal scienceFecesDairy cattleUrineManure managementEnvironmental scienceDatabaseChemistryAgronomyBiologyEcologyComputer scienceBiochemistry

Résumé

récupéré en direct d'OpenAlex

Manure nitrogen (N) from cattle contributes to nitrous oxide and ammonia emissions and nitrate leaching. Measurement of manure N outputs on dairy farms is laborious, expensive, and impractical at large scales; therefore, models are needed to predict N excreted in urine and feces. Building robust prediction models requires extensive data from animals under different management systems worldwide. Thus, the study objectives were (1) to collate an international database of N excretion in feces and urine based on individual lactating dairy cow data from different continents; (2) to determine the suitability of key variables for predicting fecal, urinary, and total manure N excretion; and (3) to develop robust and reliable N excretion prediction models based on individual data from lactating dairy cows consuming various diets. A raw data set was created based on 5,483 individual cow observations, with 5,420 fecal N excretion and 3,621 urine N excretion measurements collected from 162 in vivo experiments conducted by 22 research institutes mostly located in Europe (n = 14) and North America (n = 5). A sequential approach was taken in developing models with increasing complexity by incrementally adding variables that had a significant individual effect on fecal, urinary, or total manure N excretion. Nitrogen excretion was predicted by fitting linear mixed models including experiment as a random effect. Simple models requiring dry matter intake (DMI) or N intake performed better for predicting fecal N excretion than simple models using diet nutrient composition or milk performance parameters. Simple models based on N intake performed better for urinary and total manure N excretion than those based on DMI, but simple models using milk urea N (MUN) and N intake performed even better for urinary N excretion. The full model predicting fecal N excretion had similar performance to simple models based on DMI but included several independent variables (DMI, diet crude protein content, diet neutral detergent fiber content, milk protein), depending on the location, and had root mean square prediction errors as a fraction of the observed mean values of 19.1% for intercontinental, 19.8% for European, and 17.7% for North American data sets. Complex total manure N excretion models based on N intake and MUN led to prediction errors of about 13.0% to 14.0%, which were comparable to models based on N intake alone. Intercepts and slopes of variables in optimal prediction equations developed on intercontinental, European, and North American bases differed from each other, and therefore region-specific models are preferred to predict N excretion. In conclusion, region-specific models that include information on DMI or N intake and MUN are required for good prediction of fecal, urinary, and total manure N excretion. In absence of intake data, region-specific complex equations using easily and routinely measured variables to predict fecal, urinary, or total manure N excretion may be used, but these equations have lower performance than equations based on intake.

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)0,031
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,165

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0310,026
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0090,034
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0030,002
Intégrité de la recherche0,0020,002
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 Opus0,241
Tête enseignante GPT0,349
Écart entre enseignants0,108 · 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'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy ScienceMême sujetRuminant Nutrition and Digestive PhysiologyTravaux en français237 207