Enhancing predictions of nitrogen excretion in beef cattle in the tropics
Notice bibliographique
Résumé
Context Excreted fecal and urinary N can cause environmental contamination. Aims Our objective was to evaluate models for predicting nitrogen (N) excreted in feces (FN), urine (UN) and manure of beef cattle; and to update the Nutrient Requirements of Zebu and Crossbred Cattle Committee dataset, and develop new models for predicting FN, UN and N in manure. Methods The dataset consisted of 30 works published between 1999 and 2024, including bulls, steers and heifers, with Nellore and crossbred animals. Criteria for inclusion in the dataset included studies in which the cattle production system was designed for meat, and the availability of individual animal data for model development and evaluation. Key results To estimate FN (g/day), two equations were adjusted, a multiple regression considering nitrogen intake (NI; g/day) and bodyweight (kg) as independent variables (concordance correlation coefficient (CCC) = 0.55; root mean square error of prediction (RMSEP) = 32.8%; RMSEP:observations standard deviation ratio (RSR) = 0.96), and a simple linear regression with NI as the independent variable (CCC = 0.53; RMSEP = 33.4%; RSR = 0.97). To predict UN (g/day), an exponential model was adjusted from NI (CCC = 0.65; RMSEP = 26.1%; RSR = 0.73). Regarding N excretion in manure (g/day), an exponential model was also used with NI as a predictor variable (CCC = 0.84; RMSEP = 15.6%; RSR = 0.52). The intercept and slope of the relationship between predicted and observed values for all developed equations were similar to 0 and 1 (P ≥ 0.09). Conclusions The equations generated were robust and accurate in estimating N excretion by feedlot beef cattle. Implications These models will provide support for planning production systems and reducing N excretion into the environment.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».