Nutrition protéique du porc et changement climatique : état des lieux et perspectives
Notice bibliographique
Résumé
La production porcine est responsable d’environ 10 % des émissions de gaz à effet de serre (GES) de l’élevage mondial et doit réduire ses impacts. Ces émissions de GES, comptabilisées en sortie de ferme, sont liées à la production d’aliment et la gestion des effluents, pour 60 % et 30 % respectivement. La réduction du taux de protéines alimentaires peut agir sur ces deux sources. Cette revue synthétise les connaissances actuelles sur les bénéfices de cette stratégie pour réduire l’impact changement climatique (CC) en relation avec les matières premières utilisées et la réduction des émissions azotées. Une analyse de cycle de vie (ACV) à l’échelle de l’aliment montre que le CC est réduit de 8 % par point de réduction du taux protéique, grâce au remplacement des matières premières plus impactantes (produits du soja). Ces bénéfices sont dépendants des matières premières disponibles et utilisées, du choix des bases de données d’évaluation environnementale et du contexte technico-économique. La modélisation des émissions azotées en fonction des performances, mise à jour par méta-analyse, permet d’effectuer une ACV en sortie de ferme. Une réduction du CC par kg de porc de 10 % pour un point de baisse du taux protéique est atteignable. Cependant, des lacunes méthodologiques et de connaissances subsistent pour correctement évaluer cette stratégie : facteurs d’émission du N2O, prise en compte de l’utilisation des effluents pour la fertilisation, effet sur les performances zootechniques. Par ailleurs, des évolutions structurelles sont nécessaires pour faciliter la mise en pratique, comme la rémunération des externalités positives.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».