Nutrition protéique du porc et changement climatique : état des lieux et perspectives
Bibliographic record
Abstract
La production porcine est responsable d’environ 10 % des émissions de gaz à effet de serre (GES) de l’élevage mondial et doit réduire ses impacts. Ces émissions de GES, comptabilisées en sortie de ferme, sont liées à la production d’aliment et la gestion des effluents, pour 60 % et 30 % respectivement. La réduction du taux de protéines alimentaires peut agir sur ces deux sources. Cette revue synthétise les connaissances actuelles sur les bénéfices de cette stratégie pour réduire l’impact changement climatique (CC) en relation avec les matières premières utilisées et la réduction des émissions azotées. Une analyse de cycle de vie (ACV) à l’échelle de l’aliment montre que le CC est réduit de 8 % par point de réduction du taux protéique, grâce au remplacement des matières premières plus impactantes (produits du soja). Ces bénéfices sont dépendants des matières premières disponibles et utilisées, du choix des bases de données d’évaluation environnementale et du contexte technico-économique. La modélisation des émissions azotées en fonction des performances, mise à jour par méta-analyse, permet d’effectuer une ACV en sortie de ferme. Une réduction du CC par kg de porc de 10 % pour un point de baisse du taux protéique est atteignable. Cependant, des lacunes méthodologiques et de connaissances subsistent pour correctement évaluer cette stratégie : facteurs d’émission du N2O, prise en compte de l’utilisation des effluents pour la fertilisation, effet sur les performances zootechniques. Par ailleurs, des évolutions structurelles sont nécessaires pour faciliter la mise en pratique, comme la rémunération des externalités positives.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".