Optimizing Silage Strategies for Sustainable Livestock Feed: Preserving Retail Food Waste
Notice bibliographique
Résumé
In Canada, approximately 11.2 million metric tons of avoidable food waste (FW) is produced per year. Preservation of a greater proportion of this FW for use as livestock feed would have significant environmental and socioeconomic benefits. Therefore, this study blended discarded fruits, vegetables, and bakery products from grocery stores into silage to assess the ability to preserve their nutritional value and contribute to the feed supply. Two treatments for reducing the water content of FW were evaluated, sun-dried (SD) and passive-dried (PD), and compared to control (C) using laboratory mini-silos over 60 days of ensiling. Although dry matter (DM) was increased by 1–5% for PD and SD, respectively, up to 41.9% of bread products were required to produce a targeted silage DM of 38%. All mature silages were high in crude protein (15.2 to 15.7%), crude fat (6.0 to 6.3%), sodium (0.48 to 0.52%), and sugars (0.95 to 1.53%) and were low in neutral detergent fiber (6.2 to 7.6%) as compared to traditional silages used as livestock feed. Mold and other signs of spoilage were visible on FW, but mycophenolic acid was the only mycotoxin above the limit of detection in material prior to ensiling. Plate counts of molds and yeasts declined (p < 0.001) by 5–7 log colony-forming units (CFU) over 60 days of fermentation and were not detected in mature silage. All silages were aerobically stable over 20 days. This study indicates that FW can produce good-quality silage but approaches other than SD and PD are required for increasing silage DM as insufficient bread products may be available for this purpose in all batches of FW.
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 | 0,001 |
| 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 ».