Could natural phytochemicals be used to reduce nitrogen excretion and excreta-derived N2O emissions from ruminants?
Notice bibliographique
Résumé
Abstract Ruminants play a critical role in our food system by converting plant biomass that humans cannot or choose not to consume into edible high-quality food. However, ruminant excreta is a significant source of nitrous oxide (N 2 O), a potent greenhouse gas with a long-term global warming potential 298 times that of carbon dioxide. Natural phytochemicals or forages containing phytochemicals have shown the potential to improve the efficiency of nitrogen (N) utilization and decrease N 2 O emissions from the excreta of ruminants. Dietary inclusion of tannins can shift more of the excreted N to the feces, alter the urinary N composition and consequently reduce N 2 O emissions from excreta. Essential oils or saponins could inhibit rumen ammonia production and decrease urinary N excretion. In grazed pastures, large amounts of glucosinolates or aucubin can be introduced into pasture soils when animals consume plants rich in these compounds and then excrete them or their metabolites in the urine or feces. If inhibitory compounds are excreted in the urine, they would be directly applied to the urine patch to reduce nitrification and subsequent N 2 O emissions. The phytochemicals' role in sustainable ruminant production is undeniable, but much uncertainty remains. Inconsistency, transient effects, and adverse effects limit the effectiveness of these phytochemicals for reducing N losses. In this review, we will identify some current phytochemicals found in feed that have the potential to manipulate ruminant N excretion or mitigate N 2 O production and deliberate the challenges and opportunities associated with using phytochemicals or forages rich in phytochemicals as dietary strategies for reducing N excretion and excreta-derived N 2 O emissions.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».