MétaCan
Menu
Retour à la cohorte
Enregistrement W4402672832 · doi:10.3168/jdsc.2024-0611

Investigating rumination and eating time as proxies for identifying dairy cows with low methane-emitting potential

2024· article· en· W4402672832 sur OpenAlexaff
Alejandro R. Castañeda, Nagaraju Indugu, Kathryn Lenker, Kapil Singh Narayan, Sarah Rassler, Joseph S. Bender, Linda D. Baker, Ojas Purandare, Duo Chai, T. E. Webb, Xin Zhao, Dipti Pitta

Notice bibliographique

RevueJDS Communications · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensMcGill University
Organismes subventionnairesNational Institute of Food and Agriculture
Mots-clésRuminationMethaneMethane emissionsEnvironmental scienceAnimal scienceDairy cattleEnvironmental chemistryPsychologyChemistryBiologyEcology

Résumé

récupéré en direct d'OpenAlex

Identifying cows with low CH 4 -emitting potential can greatly contribute to CH 4 abatement in dairy herds. However, this process has been cumbersome and labor-intensive. Ear tags and collar-based accelerometers measure rumination and chewing behaviors, potentially identifying novel phenotypes in cows. This study aimed to determine whether rumination and eating time are linked to enteric CH 4 emissions and serve as proxies to identify CH 4 yield phenotype in lactating dairy cows. We applied the dynamic time warping model to rumination and eating time datasets to classify cows differing in these phenotypes. We calculated the distances between cows differing in rumination and eating times and depicted them in a principal component analysis plot. From 49 cows in early to mid lactation, 10 low-rumination, and 10 high-rumination cows were selected to test the relationship between rumination and eating time with CH 4 yield phenotype over 7 wk. Enteric CH 4 emissions were measured using the GreenFeed System. The dynamic time warping model identified cows with distinct rumination and eating patterns. High-rumination cows had higher DMI and milk yield, and lower enteric CH 4 emissions than low-rumination cows. High-rumination cows also had lower CH 4 intensity and higher production efficiency than low-rumination cows. Overall, rumination and eating time can be suitable proxies for identifying CH 4 yield phenotype in dairy cows. Further studies, including larger dairy herds, different dietary regimens, and stages of lactation in dairy cattle and other ruminant species to validate rumination and eating time as proxies for identifying CH 4 yield phenotype, are required.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,015
Tête enseignante GPT0,266
Écart entre enseignants0,251 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJDS CommunicationsMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207