MétaCan
Menu
← Retour à la cohorte
Enregistrement W4410292546 · doi:10.3168/jds.2024-25853

Simulation of management practices to reduce nitrogen losses to water and air on well-drained grass-based dairy farms in derogation

2025· article· en· W4410292546 sur OpenAlexaff
Garima Lakhanpal, N. B. Basu, D. O’Brien, Cathal Buckley, B. Horan, Karl G. Richards, Owen Fenton

Notice bibliographique

RevueJournal of Dairy Science · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesTeagasc
Mots-clésDerogationEnvironmental scienceNitrogenDairy industryAgricultural scienceAgronomyBusinessBiologyChemistryFood science

Résumé

récupéré en direct d'OpenAlex

A greater understanding of nitrogen (N) flows between productive use in dairy farms and environmental losses can inform regulation, support policy, and manage expectations around delivery of good water and air quality. Here, we use the €riN-Moorepark dairy system model (MDSM) model that was built to simulate N flows and losses for Irish grass-based dairy farms to quantify N flows and losses for a well-drained dairy farm at derogation (i.e., stocked at the maximum allowable rate of 250 kg N ha −1 ) in Ireland and then propose alternate scenarios that can minimize environmental losses. The model is capable of simulating nitrate (NO 3 − ), ammonia (NH 3 ), nitrous oxide (N 2 O), and dinitrogen (N 2 ) emissions from urine, dung, slurry, dairy-soiled water, and fertilizer N under a range of management practices. Specifically, we propose alternative systems around derogation by varying inorganic (200 or 225 kg N ha −1 ) and organic (170, 230, 268, 340, 430 kg N ha −1 ) fertilizer rates; substituting calcium ammonium nitrate (CAN) with protected urea (i.e., urea + Agrotain) and implementing restrictive grazing for vulnerable time periods when losses are the greatest (e.g., October–February or September–February). The €riN-MDSM estimated that at derogation the farm N surplus was 241.3 kg N ha −1 , leached loads were 46.6 kg N ha −1 (target for good water quality outcomes is 30 kg N ha −1 ), and gaseous emissions were 127.3 kg N ha −1 . Better environmental outcomes were observed by reducing stocking rates to 170 kg N ha −1 and 230 kg N ha −1 , decreasing leaching losses by 21.5% and 6.4%, respectively. Further reductions in inorganic fertilizer to 200 kg N ha −1 decreased leaching by 27.5% and NH 3 emissions by 31%. By substituting CAN fertilizer with protected urea, NH 3 emissions decreased by 5.2% from derogation baseline. Further reductions were possible by varying stocking rates and fertilizer rates together. Restrictive grazing significantly decreased NO 3 − leaching to groundwater, with reductions from derogation equivalent to 38.3% and 28.8% for 170 kg N ha −1 and 230 kg N ha −1 stocking rates, respectively. Further reductions in inorganic fertilizer to 200 kg N ha −1 resulted in a 44.3% decrease in NO 3 − leaching to groundwater (∼30 kg N ha −1 target) and a 24% decrease in NH 3 emissions to air. Future systems need to consider a combination of reduced fertilizer rates, restricted grazing, and use of protected urea to minimize N losses, especially during high rainfall periods. Although the results observed demonstrate opportunities to reduce N losses from grazing systems from a combination of reduced fertilizer rates, restricted grazing, and use of protected urea, the effects of these mitigations must also be considered in terms of economic cost to farms. On that basis, future system trials should monitor flows and losses from the implementation of such mitigations in addition to the economic effects to chart a way forward for better water and air outcomes while maintaining the profitability of Irish dairy farms.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil0,147

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,013
Tête enseignante GPT0,289
Écart entre enseignants0,277 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy Science→Même sujetSoil and Water Nutrient Dynamics→Travaux en français237 207→