Évaluation de la production de méthane entérique sur un troupeau de race Maraîchine
Bibliographic record
Abstract
La limitation du réchauffement climatique implique une réduction des émissions de gaz à effet de serre, notamment celles de méthane. L’un des moyens de réduire le méthane par les ruminants est de diminuer les émissions de méthane entérique produit naturellement dans le rumen. De nombreuses solutions ont vu le jour notamment au niveau de la ration, mais il n’existe cependant pas de solution miracle. Leur applicabilité est limitée par le fait que les vaches allaitantes sont généralement alimentées avec une très forte proportion de fourrages. L’utilisation de rations très concentrées est efficace, mais présente d’autres inconvénients pour les ruminants. L’enrichissement de la ration en lipides est la voie la plus prometteuse notamment en utilisant le lin qui est probablement la source la plus efficace. Quant aux plantes riches en tanins, ils réduisent la production de méthane, mais leur emploi est limité par le risque de baisse des performances animales. La ferme expérimentale INRAE de Saint Laurent de-la-Prée a mis cette problématique au coeur de ses préoccupations. Ce rapport met en avant les résultats concernant le bilan de méthane entérique du troupeau de vaches de races maraichines. Les résultats montrent que les émissions de la ferme sont relativement élevées par rapport à ce que l’ont trouve dans les publications scientifiques. Il est supposé que cela est dû au système extensif qui implique une quantité importante de fourrage, de pâturage et peu de concentrés. Aujourd’hui le moyen le plus efficace pour réduire considérablement les GES dans le troupeau de maraichines est par conséquent de réduire les effectifs en limitant les mises à la reproduction.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".