Emissies naar lucht uit de landbouw in 2014 : berekeningen met het model NEMA
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Landbouwkundige activiteiten zijn in Nederland een belangrijke bron van ammoniak (NH3), stikstofoxide (NO), lachgas (N2O), methaan (CH4) en fijnstof (PM10 en PM2,5).De emissies in 2014 zijn berekend met het National Emission Model for Agriculture (NEMA).Tegelijk zijn enkele cijfers in de reeks 1990-2013 aangepast op basis van nieuwe inzichten.De rekenmethodiek gaat bij de berekening van de ammoniakemissie uit dierlijke mest uit van de hoeveelheid totaal ammoniakaal stikstof (TAN) in de mest.De ammoniakemissie uit dierlijke mest, kunstmest en overige bronnen in 2014 bedroeg 121 miljoen kg NH3, bijna 4 miljoen kg meer dan in 2013.De stijging komt voornamelijk door uitbreiding van de melkveestapel en een hoger stikstofgehalte van het ruwvoer.De N2O-emissie nam toe van 19,1 miljoen kg in 2013 naar 19,4 miljoen kg in 2014.De NOemissie nam toe van 16,9 naar 17,2 miljoen kg.De methaanemissie nam iets toe van 499 tot 503 miljoen kg.De emissie van fijnstof nam licht toe van 6,3 miljoen kg PM10 tot 6,4 miljoen kg, door een toename van het aantal stuks pluimvee.De emissie van PM2,5 bedroeg in beide jaren 0,6 miljoen kg.Sinds 1990 is de ammoniakemissie uit dierlijke mest en kunstmest met tweederde gedaald, vooral door een lagere stikstofuitscheiding door landbouwhuisdieren en emissiearme mesttoediening.Emissies van lachgas en stikstofoxide daalden in dezelfde periode eveneens, maar minder sterk (ca.40%) omdat door ondergronds toedienen van mest de emissies hoger zijn geworden en door de omschakeling van stalsystemen met dunne naar vaste mest bij pluimvee.Tussen 1990 en 2014 daalde de emissie van methaan met 16% door een afname in de dieraantallen en een hogere voeropname en productiviteit van melkvee.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it