Impact des stratégies de réduction des gaz à effet serre ...€¦ · production are the main...

© Jose Velarde Guillen, 2019

Impact des stratégies de réduction des gaz à effet serre sur les fermes laitières

Thèse

Jose Velarde Guillen

Doctorat en sciences animales

Philosophiæ doctor (Ph. D.)

Québec, Canada

Impact des stratégies de réduction des gaz à effet de serre sur les fermes laitières

Thèse

José Velarde Guillén

Sous la direction de :

Édith Charbonneau, directrice de recherche

Doris Pellerin, codirecteur de recherche

iii

Résumé

La production laitière est le deuxième système agronomique le plus

contaminant, seulement derrière la production de viande bovine. Sur les fermes

laitières, la fermentation entérique et la production de culture sont les principales

sources de gaz à effet serre (GES). Donc les principales stratégies de réduction de

GES sont : la diminution de la fertilisation aux champs et la manipulation des rations

des vaches, qui permettent de diminuer les émissions de N2O et CH4,

respectivement.

L’objectif de ce travail de recherche était d’évaluer l’impact économique,

agronomique et environnemental des stratégies de réduction de GES chez la ferme

laitière. L’étude a été réalisée avec le modèle N-CyCLES, qui est un modèle de

programmation linéaire qui permet de faire une évaluation des flux de nutriments sur

la ferme et de leurs impacts sur les résultats économiques en considérant à la fois

la gestion des champs (rotations de cultures, fertilisation), l’alimentation du troupeau

et la gestion du fumier. Dans ce modèle, trois fermes laitières virtuelles ont été

développées pour représenter les fermes typiques de trois régions du Canada : les

Prairies, le Québec/Ontario, et les Maritimes. À cette fin, des bases de données de

166 fermes de la région des Maritimes, de 113 fermes de la région de

Québec/Ontario et de 32 fermes de la région des Prairies, ont été utilisées.

Dans la première étude, l’impact de diminuer la fertilisation de l’azote (N) dans

les champs a été simulé. Pour réduit la quantité de fertilisant, l’ensilage de maïs

(EM) a été remplacé par l’ensilage de millet perlé sucré (MPS) dans les trois régions

et par le sorgho sucré (SS) seulement dans la région Québec/Ontario. Les résultats

montrent que cette stratégie réduit la quantité de l’N utilisé aux champs, et ainsi les

émissions de GES au niveau de la ferme qui ont diminué de 1 à 9 %. Cependant, la

balance de N au niveau de la ferme s’est accrue avec le scénario MPS, mais a

décliné avec le scénario SS. Par ailleurs, le bénéfice net de la ferme a diminué de 5

à 21 % en comparaison avec le scénario EM en utilisant le MPS ou le SS.

iv

Le deuxième projet a permis le développement d’une équation pour estimer

la production de méthane (CH4) comme résultat de la fermentation entérique chez

la vache laitière. Pour ce travail, une base de données de six expériences (18

traitements, 56 vaches laitières et 193 observations) a été créée. Dans les

expériences, le CH4 a été mesuré dans des chambres métaboliques. Les

caractéristiques des vaches (consommation de matière sèche [CVMS], production

laitière [PL], gras du lait, protéine du lait et poids corporel [PC]) et de la ration

(matière sèche [MS], matière organique [MO], protéine brute [PB], fibre au détergent

neutre [NDF], fibre au détergent acide [ADF], énergie brute [EB], matière grasse

[EE], gras non dégradable au rumen et amidon) ont été utilisées. L’équation finale

(r=0.83, RMSE=40.03) a inclus la PL, gras du lait, protéine du lait, CVMS, PC, NDF,

amidon et la différence entre EE et gras non dégradable au rumen. Cette équation,

en comparaison avec l’équation de l’IPCC Tier 2, permet une prédiction plus précise

des émissions de CH4 de vaches laitières qui mangent une ration typique

canadienne.

Finalement, dans la troisième étude, les stratégies d’alimentation pour réduire

les émissions de CH4 entérique ont été testées pour observer leurs impacts

environnemental et économique au niveau de la ferme laitière. L’utilisation d’une

ration de base avec de l’EM conventionnel a été comparée à la supplémentation

avec des drêches de distillerie (DDGS), de l’huile de lin (LO) ou les deux toujours

avec une ration utilisant l’EM conventionnel (CDL). En plus, la substitution de EM

par l’ensilage de maïs Brown midrib (BMR) et l’ajout des deux suppléments

précédents avec une diète à base de BMR (BDL) ont aussi été comparé. Dans tous

les scénarios, la production de CH4 entérique a décliné, mais seulement les

scénarios LO, BMR et BDL ont réduit les émissions de GES au niveau de la ferme,

tandis que les stratégies avec DDGS et CDL ont accru les émissions de GES.

Économiquement, tous les scénarios, sauf le DDGS, ont réduit le bénéfice net.

Les résultats de ce travail montrent que les stratégies pour réduire les

émissions de GES dans un secteur de la ferme laitière (champs, vache, fumier, entre

autres) peuvent augmenter les émissions dans un autre secteur de la ferme. Par

v

ailleurs, le revenu de la ferme décline avec la plupart des stratégies étudiées, ce qui

pose problème pour l’adoption de ces stratégies par les producteurs.

vi

Abstract

Meat and dairy production are the first and second most polluting agronomic

systems, respectively. In the dairy farms, the enteric fermentation and the crop

production are the main sources of greenhouse gas (GHG) emissions. For this

reason, the reduction of the fertilization and the dairy cows’ ration manipulation are

the principal strategies used to decrease the N2O and CH4 emissions, respectively.

The objective of this work was to evaluate the agro-environmental and

economic impact of the strategies to decrease the GHG emissions of dairy

production. For the study, the N-CyCLES model was used. It is a linear programming

model in which three levels: agronomic, animal and economic are considered to find

the best response (optimization) for a maximum net income or a minimum whole-

farm balance of N or P; evaluating trade-offs between economic and environmental

outcomes from mixed livestock-crop dairy systems. In the model, three virtual dairy

farms were developed to represent the average farm of three regions of Canada: the

Maritimes, Quebec/Ontario and the Prairies. For this, a database from 166 farms of

the Maritimes, from 113 farms of Quebec/Ontario and from 32 farms of the Prairies,

was used.

In the first study, the impact of a lower fertilization was simulated. To decrease

the amount of fertilizer, the corn silage (CS) was substituted by sweet peal millet

silage (SPM) in the three regions, and by sweet sorghum (SS) only in the virtual

dairy farm of Quebec/Ontario. The results showed that the quantity of fertilizers

declined with SPM and SS which decreased the total GHG emissions of the farm

from 1 to 9% as compared to CS. However, the N mass balance increased in the

SPM scenario, but declined in the SS scenario. In addition, the farm net income (FNI)

decreased from 5 to 21% with SPM and SS in comparison with the CS scenario.

In the second project, an equation to predict the enteric CH4 emissions of

dairy cows was developed. A database of 193 observations from 18 different

treatments and 56 multiparous Holstein cows was created. In all experiments, enteric

CH4 production was measured using individual respiration chambers. The dairy

vii

cows’ characteristics (dry matter intake [DMI], milk yield [MY], milk fat, milk protein

and body weight [BW]) and diet characteristics (dry matter [DM], organic matter

[OM], crude protein [CP], neutral detergent fiber [NDF], acid detergent fiber [ADF],

gross energy [GE], ether extract [EE] and EE non-reactive in the rumen [rumen-inert

fat] and starch) were used in a five-fold cross validation. The best-fit equation

(r=0.83, RMSE=40.03) included MY, milk fat, milk protein, DMI, BW, NDF, starch

and the difference between EE and Rumen-inert fat. This equation, in comparison

with the IPCC Tier 2 equation allowed for a more accurate prediction of CH4

emissions from lactating dairy cows fed typical Canadian diets.

Finally, in the third study, feeding strategies seeking to decrease enteric CH4

production were simulated to observe their agro-environmental and economic

impact in the dairy farm. The supplementation with corn dried distillers grains with

solubles (DDGS), with linseed oil (LO) or both in a CS-based diet (CDL), and the

substitution of CS by brown midrib corn silage (BMR) or both supplements in a BMR-

based diet (BDL) were simulated. The enteric CH4 emissions decreased in each

scenario, but total GHG emissions declined only in the LO, BMR and BDL scenarios,

whilst in the DDGS and CDL scenarios the emissions were higher than in the CS

scenario, Economically, each scenario, except DDGS scenario, decreased FNI.

The results of this study showed that the different strategies to decrease the

GHG emissions of a sector of the dairy farm (cropland, cow, manure for instance)

can increase the emissions in other parts of the dairy chain production. In addition,

the FNI declined for most of them which can represent a problem for their adoption

by the dairy farmers.

viii

Table des matières

Résumé .............................................................................................................................................................. iii

Abstract ............................................................................................................................................................... vi

Table des matières ........................................................................................................................................... viii

Liste des tableaux ............................................................................................................................................. xiii

Liste des figures ............................................................................................................................................... xvii

Liste des abréviations ..................................................................................................................................... xviii

Remerciements ................................................................................................................................................. xxi

Avant-propos .................................................................................................................................................. xxiv

Introduction ......................................................................................................................................................... 1

Bibliographie de l’introduction ............................................................................................................................. 4

Chapitre 1 ........................................................................................................................................................... 6

Revue de littérature............................................................................................................................................. 6

1.1 Émissions de gaz à effet de serre de la production laitière ............................................................... 6

1.1.1 Situation mondiale ........................................................................................................................ 7

1.1.2 Situation au Canada...................................................................................................................... 9

1.2 Mesure des gaz à effet serre ........................................................................................................... 11

1.2.1 Mesure in situ .............................................................................................................................. 11

1.2.2 Équations d’estimation ................................................................................................................ 16

1.2.3 L’evaluation du cycle de vie ........................................................................................................ 19

1.3 Stratégies de réduction des gaz à effet serre à la ferme ................................................................. 19

ix

1.3.1 Stratégies dans les champs ........................................................................................................ 20

1.3.2 Stratégies de réduction du méthane par des modifications à la ration des vaches laitières ....... 34

1.3.3 Gestion du fumier ........................................................................................................................ 42

1.4 Effets des stratégies de mitigation de gaz à effet serre sur les fermes laitières .............................. 43

1.4.1 La ferme laitière dans son ensemble .......................................................................................... 43

1.4.2 La modélisation ........................................................................................................................... 45

1.4.3 Les modèles de simulation de ferme .......................................................................................... 47

1.5 Objectifs et hypothèses de recherche ............................................................................................. 48

1.5.1 Premier projet ............................................................................................................................. 49

1.5.2 Deuxième projet .......................................................................................................................... 49

1.5.3 Troisième projet .......................................................................................................................... 50

Bibliographie de la revue de littérature ............................................................................................................. 51

Chapitre 2 ......................................................................................................................................................... 73

Simulating the effect of substituting corn silage by sweet pearl millet or sweet sorghum silages on Canadian

dairy farm profitability and agro-environmental performance ............................................................................ 73

2.1 Résumé ........................................................................................................................................... 74

2.2 Abstract ........................................................................................................................................... 75

2.3 Introduction ...................................................................................................................................... 76

2.4 Materials and methods .................................................................................................................... 77

2.4.1 Model Used ................................................................................................................................. 77

2.4.2 Region of study ........................................................................................................................... 78

2.4.3 Main inputs .................................................................................................................................. 78

x

2.4.4 Simulations ................................................................................................................................. 81

2.5 Results ans discussion .................................................................................................................... 82

2.5.1 Substitution of CS by SPM on the Maritimes farm ...................................................................... 82

2.5.2 Substitution of CS by SPM or SS on the Quebec/Ontario farm .................................................. 84

2.5.3 Substitution of CS by SPM on the Prairies farm .......................................................................... 86

2.5.4 Overall impact of the substitution of CS by SPM or SS ............................................................... 88

2.5.5 Sensitivity analysis ...................................................................................................................... 89

2.6 Conclusions ..................................................................................................................................... 90

2.7 Acknowledgements ......................................................................................................................... 91

2.8 References ...................................................................................................................................... 91

2.9 Appendix ....................................................................................................................................... 107

Chapitre 3 ....................................................................................................................................................... 110

Development of an equation to estimate the enteric methane emissions from Holstein dairy cows in Canada

........................................................................................................................................................................ 110

3.1 Résumé ......................................................................................................................................... 111

3.2 Abstract ......................................................................................................................................... 112

3.3 Introduction .................................................................................................................................... 113

3.4 Material and methods .................................................................................................................... 115

3.4.1 Data set description .................................................................................................................. 115

3.4.2 Statistical analysis ..................................................................................................................... 116

3.5 Results and discussion .................................................................................................................. 118

3.5.1 Data set ..................................................................................................................................... 118

xi

3.5.2 Correlation and regression analyses ......................................................................................... 118

3.5.3 Model selection ......................................................................................................................... 120

3.5.4 Bias analysis ............................................................................................................................. 123

3.5.5 Limitations ................................................................................................................................. 125

3.6 Conclusion ..................................................................................................................................... 125

3.7 Acknowledgements ....................................................................................................................... 126

3.8 References .................................................................................................................................... 126

Chapitre 4 ....................................................................................................................................................... 146

Simulating the effect of feeding strategies to decrease enteric methane emissions on dairy farms profitability

and agro-environmental performance in Canada ............................................................................................ 146

4.1 Résumé ................................................................................................................................................ 147

4.2 Abstract ......................................................................................................................................... 148

4.3 Introduction .................................................................................................................................... 149

4.4 Materials and methods .................................................................................................................. 151

4.4.1 Model Used ............................................................................................................................... 151

4.4.2 Regions of study ....................................................................................................................... 151

4.4.3 Main inputs ................................................................................................................................ 152

4.4.4 Simulations ............................................................................................................................... 154

4.5 Results and discussion .................................................................................................................. 156

4.5.1 Corn distillers grains with solubles (DDGS) scenario ................................................................ 156

4.5.2 Linseed oil (LO) scenario .......................................................................................................... 159

4.5.3 Corn silage, corn distillers grains with solubles and linseed oil (CDL) scenario ........................ 161

xii

4.5.4 Brown midrib corn silage (BMR) scenario ................................................................................. 164

4.5.5 Brown midrib corn silage, corn distillers grains with solubles and linseed oil (BDL) scenario ... 166

4.5.6 Greenhouse gas and enteric CH4 mitigation cost ..................................................................... 169

4.5.7 Sensitivity analysis .................................................................................................................... 169

4.6 Conclusion ..................................................................................................................................... 170

4.7 Acknowledgements ....................................................................................................................... 171

4.8 References .................................................................................................................................... 171

4.9 Appendix ....................................................................................................................................... 194

Discussion générale et conclusion .................................................................................................................. 197

5.1 Discussion générale ...................................................................................................................... 197

5.2 Conclusion ..................................................................................................................................... 204

Bibliographie de la discussion générale .......................................................................................................... 206

xiii

Liste des tableaux

Tableau 1.1. Les principales émissions directes de dioxyde de carbone (CO2), de méthane

(CH4) et d’oxyde nitreux (N2O) par secteur sur les fermes laitières. ............................................ 7

Tableau 1. 2. Mesure d’émissions d’oxyde nitreux (N2O) avec la technique de chambre et

avec la technique de covariance des tourbillons .............................................................................. 13

Tableau 1.3. Mesure de CH4 entérique avec différentes techniques de chambre de

respiration (CH), GreenFeed (GF) ou l’hexafluorure de soufre (SF6) ........................................ 16

Tableau 1. 4. Liste d’équations publiées d’estimation de méthane entérique ......................... 18

Tableau 1. 5. Effet productif et environnemental des génisses et vaches laitières

alimentées avec l’ensilage de maïs (EM) ou l’ensilage de maïs Brown midrib (BMR) ......... 27

Tableau 1. 6. Caractéristiques agronomiques et nutritionnelles de l’ensilage de maïs (EM),

l’ensilage de millet perlé sucré (MPS) et de l’ensilage de sorgho sucré (SS)z. ...................... 28

Tableau 1. 7. Production CH4 in vitro et production entérique avec l’ensilage de sorgho et

sorgho sucré................................................................................................................................................. 32

Tableau 1. 8. Impact sur la production laitière et les émissions de différentes stratégies

d’alimentation pour réduire les émissions de CH4 entérique ....................................................... 35

Tableau 1. 9. Effet sur la production laitière et les émissions de CH4 de différents types et

proportion de fourrages et proportions dans la ration des vaches laitières.............................. 37

Table 2. 1. Herd size, FPCM yield, milk composition, milk price and agronomic

characteristics of dairy farms in three regions of Canada. ............................................................ 99

Table 2. 2. Crop rotations of each region with the number of years needed per rotation. 100

Table 2. 3. Chemical composition and agronomic characteristics of corn silage (CS),

sweet pearl millet silage (SPM) and sweet sorghum silage (SS) in the three regions. ...... 101

xiv

Table 2. 4. Rotation, crop production, and fertilizer (synthetic and manure) used in virtual

farms with Corn Silage (CS), Sweet Pearl Millet (SPM) or Sweet Sorghum (SS) in the

Maritimes, Quebec/Ontario and the Prairies .................................................................................... 102

Table 2. 5. Type and quantity of feeds used for diet formulation in virtual farms with Corn

Silage (CS), Sweet Pearl Millet (SPM) or Sweet Sorghum (SS) in the Maritimes,

Quebec/Ontario and the Prairies ......................................................................................................... 104

Table 2. 6. Farm incomes and expenses, balance of nutrients (N and P balance) and

GHG emissions (total and allocated) of virtual farms with Corn Silage (CS), Sweet Pearl

Millet (SPM) or Sweet Sorghum (SS) in the Maritimes, Quebec/Ontario and the Prairies 105

Table 2. 7. Sensitivity analysis when feed prices, fertilizer prices or CS, SPM or SS yield

vary on the farm net income (FNI), N and P balance and greenhouse gas (GHG) emission

in the Maritimes, Quebec/Ontario and the Prairies. ....................................................................... 106

Table A2. 1. Dairy farm characteristics for the virtual farms in the Maritimes,


Table A2. 2. Agronomic characteristics of the home-grown feeds for the virtual farms in the

Maritimes, Quebec/Ontario and the Prairies .................................................................................... 108

Table A2. 3. Purchase price and cost of production of different ingredients in the

Maritimes, Quebec/Ontario and the Prairies. ................................................................................... 109

Table 3. 1. Mean of dependent (CH4 emissions) and independent (animal and diet)

variables of 18 treatments of six different trialsz ............................................................................. 136

Table 3. 2. Pearson correlation coefficient (r) for independent (animal and dietary) and

dependent (CH4 emissions) variables ................................................................................................ 137

Table 3. 3. Univariate analysis of animal and dietary variablesz against enteric CH4

production ................................................................................................................................................... 139

xv

Table 3. 4. Best-fit equation for multiple regression and cross validation for prediction of

enteric CH4 emissions (g d-1) from a dataset of 193 observations from 56 lactating

Canadian Holstein dairy cows. R= 0.83 and RMSE= 40.03 ....................................................... 140

Table 3. 5. Regression estimates for the association between residuals and model

predicted CH4 (g d-1) values centered around the mean .............................................................. 141

Table 4. 1. Herd size, FPCM yield, milk composition, milk price and agronomic

characteristics of dairy farms in three regions of Canada............................................................ 182

Table 4. 2. Main ten crop rotations of each region where each crop represents one year 183

Table 4. 3. Nutritional composition and agronomic characteristics of corn silage (CS), corn

brown midrib silage (BMR), corn distillers grains with solubles (DDGS) and Linseed oil

(LO) in the three regions ........................................................................................................................ 184

Table 4. 4. Rotations and fertilizers (synthetic and manure) used in virtual farms with Corn

Silage (CS), Corn distillers grains with solubles (DDGS), Linseed oil (LO) and brown midrib

corn silage (BMR) in the Maritimes and the Prairies ..................................................................... 185

Table 4. 5. Rotations and fertilizers (synthetic and manure) used in virtual farms with Corn

Silage (CS), Corn distillers grains with solubles (DDGS), Linseed oil (LO) and brown midrib

corn silage (BMR) in Quebec/Ontario. ............................................................................................... 187

Table 4. 6. Quantities of feeds used in virtual farms with Corn Silage (CS) alone and with

corn distillers grains with solubles (DDGS) or Linseed oil (LO) supplementation in the

Maritimes and the Prairies ..................................................................................................................... 189

Table 4. 7. Quantities of feeds used in virtual farms with Corn Silage (CS) alone and with

corn distillers grains with solubles (DDGS) or Linseed oil (LO) supplementation or with

Brown midrib corn silage (BMR) in Quebec/Ontario ..................................................................... 190

Table 4. 8. Farm incomes and expenses, N mass balance, methane emission and GHG

emissions (total and allocated) of virtual farms with Corn Silage (CS), corn distillers grains

xvi

with solubles (DDGS), linseed oil (LO) and brown midrib corn silage (BMR) in the

Maritimes and the Prairies ..................................................................................................................... 191

Table 4. 9. Farm incomes and expenses, N mass balance, methane emission and GHG

emissions (total and allocated) of virtual farms with Corn Silage (CS), corn distillers grains

with solubles (DDGS), linseed oil (LO) and brown midrib corn silage (BMR) in

Quebec/Ontario. ........................................................................................................................................ 192

Table 4. 10. Sensitivity analysis of the farm net income (FNI) and greenhouse gas (GHG)

emissions in the Maritimes, Quebec/Ontario and the Prairies. .................................................. 193

Table A4. 1. Dairy farm characteristics for the virtual farms in the Maritimes,


Table A4. 2. Agronomic characteristics of the home-grown feeds for the virtual farms in

the Maritimes, Quebec/Ontario and the Prairies............................................................................. 195

Table A4. 3. Feed costs (purchase price and cost of production) of different ingredients

and fertilizer price in the Maritimes, Quebec/Ontario and the Prairies .................................... 196

xvii

Liste des figures

Figure 1.1. Proportion d’émissions de gaz à effet de serre (GES) par secteur à niveau

mondial. AFOLU : Agriculture, sylviculture et autres utilisations des terres. Adaptée d’IPCC

(2014). .............................................................................................................................................................. 8

Figure 1.2. Proportion d’émissions de gaz à effet de serre (GES) par secteur au Canada.

Adaptée d’IPCC (2014) ............................................................................................................................... 9

Figure 1. 3. Émissions de GES du secteur agronomique au Canada, tiré d’Agriculture et

agroalimentaire Canada (2016) ............................................................................................................. 10

Figure 3. 1. Plot of observed and predicted CH4 emissions accounting for the proposed

model, obtained from a dataset of 193 observations of 53 dairy Holstein cows.. ................ 142

Figure 3. 2 Plot of observed and predicted CH4 emissions accounting for the IPCC Tier 2

model (IPCC, 2006), obtained from a dataset of 193 observations of 53 dairy Holstein

cows.. ........................................................................................................................................................... 143

Figure 3. 3 Plot of observed and predicted CH4 emissions accounting for the equation of

Moraes et al., (2014), obtained from a dataset of 193 observations of 53 dairy Holstein

cows.. ........................................................................................................................................................... 144

Figure 3. 4 Plot of observed and predicted CH4 emissions accounting for the equation of

Niu et al. (2018), obtained from a dataset of 193 observations of 53 dairy Holstein cows.

........................................................................................................................................................................ 145

xviii

Liste des abréviations

Liste des abréviations françaises

Abréviation Terme Abréviation Terme

ADF Fibre au détergent acide EMm Besoin énergétique d’entretien

AFOLU Secteur de l’agriculture, sylviculture et autre utilisation des terres

LCGP Lait corrigé pour le gras et protéine

AG Acides gras GES Gaz à effet serre

BDL BMR

BMR + DDGS + LO Ensilage de maïs brown midrib

GF Greenfeed

CDL EM + DDGS + LO GNF Glucides non fibreaux

CEB Consommation d’énergie brute HF Haute quantité de fourrages

CEM Consommation d’énergie métabolique

HG Haute quantité de graines

CH Chambre de respiration LAD Lignine au détergent acide

CH4 Méthane LCE Lait corrigé pour l’énergie

CO2 Dioxyde de carbone LO Huile de lin

CO2eq Équivalent en dioxyde de carbone

MO Matiere organique

CVMS Consommation volontaire de matière sèche

MPS Ensilage de millet perlé sucré

CVMSpoids Consommation de matière sèche par poids

MS Matière sèche

DDGS Drêches de distillerie N Azote

DMO Digestibilité de la matière organique

NDF Fibre au détergent neutre

DTEE Digestibilité total de l’EE N2O Oxyde nitreux

DTMO Digestibilité totale de la matière PB PC

Protéine brute Poids corporel

DTNDF Digestibilité totale de la fibre NDF

R Coefficient de corrélation de Pearson

EB Énergie brute RL Rendement de lait

Eble Ensilage de blé RMSPE Erreur quadratique moyenne de prédiction

EE Extrait éthéré RTM Ration totalement mélangée

EH Ensilage d’herbe SF6 Hexafluorure de soufre

EM Ensilage de maïs SS Ensilage de sorgho sucré

xix

Liste des abréviations anglaises

Abbreviation Meaning Abbreviation Meaning

ADF Acid detergent fibre GF Greenfeed

ADL Acid detergent lignin GHG Greenhouse gas

BDL BMR + DDGS + LO GS Grass silage

BMR Brown midrib corn silage HF High forage

BW Body weight HG High grain

CDL CS + DDGS + LO LO Linseed oil

CH4 Methane MEI Metabolic energy intake

CO2 Carbon dioxide MEm Metabolic energy for metabolism

CO2eq Carbon dioxide equivalent MY Milk yield

CP Crude protein N Nitrogen

CS Corn silage N2O Nitrous oxide

DDGS Corn distillers grains with solubles

N-CyCLES Nutrient Cycling, Crop, Livestock, Environment and Soil model

DM Dry matter NDF Neutral detergent fibre

DMI Dry matter intake NFC No fibrous carbohydrates

DMIBW Dry matter intake per body weight

OM Organic matter

ECM Energy corrected milk OMD Organic matter digestibility

EE Extract ether OS Orge silage

FA Fatty acids SPM Sweet pearl millet silage

FPCM Fat and Protein corrected milk

SS Sweet sorghum silage

GE Gross energy TMR Total mix ration

GEI Gross energy intake

xx

« Somos polvo de estrellas observando a las

estrellas »

xxi

Remerciements

Tout d’abord je veux remercier ma directrice de recherche, Édith

Charbonneau, qui m’a aidé avec mon croisement d’apprentissage et de travail

depuis le début de mon doctorat jusqu’à la dernière heure. Merci beaucoup pour

tous les choses, mots, corrections, réponses, doutes, etc., tout ça m’a servi pour

être un meilleur étudiant et voir les choses depuis un autre point de vue. Merci pour

ta patience et ton soutien.

À mon codirecteur Doris Pellerin, qui conjointement avec Édith m’a démontré,

écouté, expliqué beaucoup de choses, doutes et interrogations pendant mes études.

Merci, Doris, par ton soutien et tes mots.

Un remerciement spécial à Chaouki Benchaar d’Agriculture et

Agroalimentaire Canada et Michel Wattiaux de l’University of Wisconsin-Madison

pour avoir partager les données brutes de leurs études portant sur le méthane pour

la réalisation de l’article sur le développement de l’équation de prédiction du

méthane entérique.

Un remerciement aussi à l’équipe de Vern Baron par l’aide avec la mise en

place du scénario des Prairies; et aussi aux équipes d’Anne Vanasse et de Gaëtan

Tremblay pour avoir aidé à faire les ajustements nécessaires pour les cultures de

l’ensilage de millet perlé sucré et de sorgho sucré pour le premier projet.

Je voudrais aussi remercier la Grappe de recherche laitière d’Agriculture et

Agroalimentaire Canada en collaboration avec les Producteurs laitiers du

Canada pour le financement par le soutien financier.

Un remerciement spécial à Marie-Noëlle Thivierge, Anne Vanasse, Martin

Chantigny, Vern Baron, Michel Wattiaux et Chaouki Benchaar par leurs apports à

ce travail.

À l’Université Laval et au Département des sciences animales pour

l’opportunité et l’espace pour ma croissance personnelle et professionnelle.

xxii

Quiero agradecer infinitamente a mis papás que siempre, cada día,

estuvieron ah´para escucharme y darme consejos inclusive cuando estuve a punto

de tirar la toalla. Gracias mamá por la ayuda en ingles. Gracias papá por

mantenerme despierto cada día. Gracias por darme la mejor herencia: mi

preparación.

Karla, eres un gran ejemplo a seguir y fue en parte gracias a ti que no tiro la

toalla, gracias por ser mi hermana y por enseñarme que uno puede lograr lo que

quiera.

Karlo Santiago, mi más grande inspiración para seguir, pude quedarme solo

con la Maestría que tu también obtuviste, pero quería darte el ejemplo que uno

siempre debe ir por más, no por ego ni orgullo, sino porque somos capaces de todo.

Tu me has dado sonrisa, fuerza e inspiración para continuar, todo el mundo que

aprecio te conoce. Asi como tu has estado a mi lado, quiero decirte que no importa

lo que pase, siempre estaré contigo.

Tía Carmen, eres más que mi tia, eres mi amiga, persona en la que puedo

confiar. Gracias por apoyarme, por esas platicas de fin de semana, este esfuerzo

también fue tuyo.

Mami y Papi, físicamente no me verán terminar con esta etapa de mi vida,

pero siempre estuvieron ahí para mi, cerraba los ojos y sentía su apoyo, gracias por

todo, no los defraudaré.

Raúl, la perseverancia que tienes me inspira pues logras lo que te propones

sin importar las veces que caes, siempre te levantas. Gracias por tu apoyo en este

viaje.

Brillith sabes que fuiste lo mejor que me pasó en Canadá, estuviste ahí en

mis mejores y peores momentos, siempre fuiste un gran colchón y una mano que

me ayudaba a salir sin que te dieras cuenta, fuiste un gran respiro cuando sentía

que me ahogaba. Gracias por todo lo que me enseñaste, por ti mejoré.

xxiii

Sofi, pff no hay palabras suficientes para agradecerte, fuiste la primera

persona, fuera del departamento, en hablarme, me enseñaste como funcionaba la

vida en nuestra querida Quebec, me uniste a tu grupo de amigos, me diste una de

las cosas más valiosa: tu amistad y confianza sabes que siempre fue recíproco y

que siempre estaré para ti para reir, llorar, beber unos tragos, jugar, etc. Personas

como tu solo aparecen una vez en la vida y tengo la fortuna de que sigas en mi vida.

Gracias por todo tu apoyo en todo.

Leo, ¿qué te puedo decir hermano?, fue un honor comenzar esta travesía

contigo, no había conocido a una persona como tú, una persona sincera, loca, pero

sincera, con esa hambre de aprender, debatir y seguir evolucionando. Me ofreciste

una perspectiva diferente de ver las cosas, salí del “embudo” gracias a esas pláticas,

y sigue siendo un orgullo tener contacto contigo. Gracias por esas tardes para

entender al tamagoshi y por las charlas sobre el imperio. Parte de esta investigación

lleva tu nombre y con justicia.

Un especial agradecimiento a Carlos M. Arriaga Jordán ya que sin tus

consejos y motivación creo que no hubiese visto las cosas desde otro ángulo, hasta

a la distancia sigues enseñándome. Gracias.

Gracias a todos los que estuvieron ahí para reír, jugar, platicar: Leni, Omar,

Lupita, Arturo, Krystoffer, Emilio, Gabie, Mathi, Estefanía, Jonathan, Rafa, Ana

María, Nicole, Aide, Claudia, Dalila, Juan, Liliana, René, Hector, Maxime, Veronique,

Hannen, Maroua, Vanessa, Vanessa Vilela, Bruno Plante, Bruno y Esteban. De igual

forma a los que estuvierion de lejos: Quique, Juan Antonio, Ruben, Bere, Miriam,

Shau, mis tios Arturo, Raúl, Carlos, Jesus y mi tía Irma.

Merci beaucoup, Québec, pour toutes les expériences, finalement : ¡prospera

y buena vida a las vacas! Que sin ellas no existiría esta tesis

xxiv

Avant-propos

Cette thèse comprend les chapitres suivants: l’introduction générale, la revue

de littérature (Chapitre 1), trois chapitres présentant les résultats de recherche

(Chapitre 2, 3 et 4) et finalement une discussion et une conclusion générale

(Chapitre 5). L’introduction et les chapitres 1 et 5 sont écrits en français, tandis que

les chapitres 2, 3 et 4 sont écrits en anglais et présentés sous forme de manuscrits.

Le chapitre 1 aborde la situation actuelle de l’impact environnemental de la

production laitière, les principales stratégies pour réduit les émissions de gaz à effet

serré (GES), aussi comme l’intérêt de considérer la ferme dans son ensemble. Ce

chapitre conclut avec la description des objectifs et des hypothèses de recherche.

Le travail présenté a été réalisé par José Velarde Guillén qui est l’auteur principal et

Édith Charbonneau et Doris Pellerin sont coauteurs.

Le chapitre 2 qui s’intitule « Simulating the effect of substituting corn silage by

sweet pearl millet or sweet sorghum silages on Canadian dairy farm profitability and

agro-environmental performance » permet d’observer deux choses : le potentiel de

l’ensilage de millet perlé sucré et l’ensilage de sorgho sucré pour remplacer

l’ensilage de maïs dans trois régions du Canada, et l’effet de diminuer la quantité de

fertilisants sur les fermes laitières due à l’utilisation de ces nouvelles cultures. Pour

ce travail, José Velarde Guillén (auteur principal) a récolté l’information sur les

caractéristiques agronomiques du millet perlé sucré et sorgho sucré de diffèrent

publications et de rencontres avec Anne Vanasse et Martin Chantigny (chercheurs

scientifiques à l’Université Laval et Agriculture et Agroalimentaire Canada,

respectivement, sont aussi coauteurs). L’adaptation des trois fermes laitières

virtuelles (une pour les Maritimes, une pour le Québec/Ontario et une pour les

Prairies) a été réalisée par quatre étudiants (inclus José Velarde Guillén) pour avoir

le même scénario de base pour le travail respectif de chaque étudiant. Pour le

scénario des Prairies, Vern Baron, chercheur scientifique à Agriculture et

Agroalimentaire Canada a été consulté et il est aussi coauteur de ce travail. Édith

Charbonneau et Doris Pellerin sont coauteurs. L’article a été retravaillé jusqu’à

xxv

l’obtention de la version présentée dans cette thèse et qui sera soumise à la revue

Canadian Journal of Animal Science.

Le chapitre 3 a pour titre « Development of an equation to estimate the enteric

methane emissions from Holstein dairy cows in Canada ». Dans cette étude, une

base de données de six expériences de stratégies d’alimentation ont été créée pour

développer une équation pour estimer l’émission de méthane (CH4) entérique des

vaches laitières. Pour ce travail, José Velarde Guillén (auteur principal) a fait

l’analyse de la base de données. Les chercheurs Chaouki Benchaar et Michael

Wattiaux d’Agriculture et Agroalimentaire Canada et la University of Wisconsin-

Madison sont coauteurs. Édith Charbonneau et Doris Pellerin sont aussi coauteurs.

L’article a été retravaillé jusqu’à l’obtention de la version présentée dans cette thèse

et qui sera soumise à la revue Canadian Journal of Animal Science.

Le chapitre 4 « Simulating the effect of feeding strategies to decrease enteric

CH4 emissions on dairy farms profitability and agro-environmental performance in

Canada » explore les effets des stratégies d’alimentation pour diminuer les

émissions de méthane utilisées dans des expériences canadiennes sur l’ensemble

de la ferme laitière. Pour ce travail, José Velarde Guillén (auteur principal) a récolté

l’information sur les caractéristiques des ingrédients testés et a fait les simulations

avec l’interprétation. Chaouki Benchaar, Édith Charbonneau et Doris Pellerin sont

coauteurs. L’article a été retravaillé jusqu’à l’obtention de la version présentée dans

cette thèse et qui sera soumise à la revue Canadian Journal of Animal Science.

Dans le dernier chapitre (5), une discussion et une conclusion générale sont

présentées pour répondre aux hypothèses de ce travail et ouvrir la réflexion sur de

futures recherches.

1

Introduction

Au niveau mondial, l’agriculture émet de 10 à 12 % des émissions totales de

gaz à effet serre (GES) (Smith et al., 2014 ; Tubiello et al., 2015 ; FAOSTAT, 2017).

La plupart des émissions de GES viennent du secteur des productions animales

(Opio et al., 2013). Par type de GES, le méthane (CH4) entérique, suivi par la

production de protoxyde d’azote ou oxyde nitreux (N2O) des cultures, est la plus

grande source d’émissions (Opio et al., 2013 ; Audsley et Wilkinson 2014) qui est

responsable du 4 % des émissions de GES d’origine anthropogénique (FAO, 2010).

La production laitière est le deuxième système agronomique plus producteur

de GES, seulement derrière la production de viande bovine (IPCC 2006). Sur les

fermes laitières, les principales sources des GES sont la fermentation entérique

(35 %), la production de cultures (32 %) et la gestion du fumier (26 %) (Dutreuil et

al., 2014). Pour cette raison, les stratégies pour réduire les émissions de GES

doivent être focalisées sur ces trois secteurs de la production laitière.

En général, l’augmentation de la production laitière et une meilleure utilisation

des ressources de la ferme sont les stratégies les plus reconnues pour diminuer les

GES sur les fermes laitières (Audsley et Wilkinson 2014). Cependant, quand la

production de lait est contrôlée, des stratégies spécifiques pour réduire les

émissions dans les champs et directement chez la vache laitière doivent être

considérées et étudiées en évaluant leur effet sur toute la ferme lorsque c’est

possible.

La gestion du sol, qui inclut, entre autres, le travail du sol, la fertilisation, la

consommation de combustible pour les travaux aux champs, est la principale source

d’oxyde nitreux (N2O; Janzen et al., 2006; Volpi et al., 2018). Ainsi, des stratégies

pour réduire les émissions de GES aux champs sur les fermes laitières seraient la

diminution de l’utilisation de fertilisants minéraux, l’accroissement de l’utilisation du

fumier comme fertilisant, la réduction du travail du sol et l’augmentation du piégeage

du carbone (Necpavola et al., 2018).

2

La fermentation entérique est une importante source d’émission de GES sur

les fermes laitières (IPCC 2006; Garg et al., 2018) et les rations offertes aux vaches

ont un rôle important sur la production de CH4 dans le rumen. Les principales

stratégies pour réduire les émissions de CH4 entérique sont de modifier les aliments

des rations, l’utilisation de produits modificateurs du rumen, améliorer la génétique

du troupeau et augmenter la productivité laitière (Hristov et al., 2013; van Wyngaard

et al., 2018).

L’efficacité des stratégies pour diminuer les émissions de N2O et de CH4 a été

vérifiée dans d’autres études (Beauchemin et al., 2009 ; Volpi et al., 2018).

Cependant les effets dans l’ensemble de la ferme laitière ne sont pas toujours clairs,

parce qu’un changement dans la ration ou dans les champs peut avoir un effet

négatif sur les émissions d’autres secteurs de la ferme, comme la gestion et la

composition du fumier ou l’importation d’aliments ou de fertilisants (Vellinga et

Hoving, 2011). Pour cette raison, la modélisation de la ferme dans son ensemble

est essentielle pour estimer les impacts environnemental et économique réels de

ces stratégies de mitigation d’émissions de GES (Smith et al., 2001 b ; Schils et al.,

2007 ; del Prado et al., 2010).

En raison de l’importance d’étudier la ferme laitière dans son ensemble, les

effets des stratégies de mitigation d’émissions de GES doivent être évalués en

considérant chaque secteur de la ferme. Ainsi, en plus d’une revue de la littérature

sur le sujet, cette thèse contient les résultats de trois études sur les simulations de

la mise en place des stratégies de mitigation d’émissions de GES. La première étude

avait comme objectif d’évaluer la substitution de l’ensilage de maïs par l’ensilage de

millet perlé sucré ou l’ensilage de sorgho sucré, cultures qui sont reconnues comme

étant moins exigeantes en fertilisation azotée, sur la production de GES et la

rentabilité des fermes laitières de trois régions du Canada. L’objectif de la deuxième

étude était de développer une équation pour prédire les émissions de méthane

entérique à partir de la composition des rations des vaches laitières. Finalement, la

troisième étude portait sur l’estimation des effets environnementaux et économiques

3

de stratégies alimentaires pour réduire la production de CH4 entérique sur les fermes

laitières prises dans leur ensemble.

4

Bibliographie de l’introduction

Audsley, E. et Wilkinson, M. 2014. What is the potential for reducing national greenhouse gas emissions from crop and livestock production systems? J. Clean. Prod. 73: 263 – 268.

Beauchemin, K.A., Mcallister, T.A. et Mcginn, S.M. 2009. Dietary mitigation of enteric methane from cattle. Cab Reviews: Perspectives In Agriculture, Veterinary Science, Nutrition And Natural Resources. 4: 1 – 18.

del Prado, A., Chadwick, D., Cardenas, L., Misselbrook, T., Scholefield, D. et Merino, P. 2010. Exploring systems responses to mitigation of GHG in UK dairy farms. Agric. Ecosyst. Environ. 136: 318–332.

Dutreuil, M., Wattiaux, M., Hardle, C.A. et Cabrera, V.E. 2014. Feeding strategies and manure management for cost-effective mitigation of greenhouse gas emissions from dairy farms in wisconsin. J. Dairy Sci. 97: 1 – 14.

FAOSTAT, 2017. Faostat Database. Food and agriculture organization of the United Nations, Rome, Italy (Available At: http://www.fao.org/faostat).

Food and Agriculture Organization Of The United Nations (FAO). 2010. Greenhouse gas emission from the dairy sector: a life cycle assessment. Food and Agriculture Organization of the United Nations, Rome.

Hristov, A.N., Oh, J., Firkins, J.L., Dijkstra, J., Kebreab, E., Waghorn, G., Makkar, H.P.S., Adesogan, A.T., Yang, W., Lee, C., Gerber, P.J., Henderson, B. et Tricarico, J.M. 2013. Mitigation of methane and nitrous oxide emissions from animal operations: i. A review of enteric methane mitigation options. J. Anim. Sci. 91: 5045 – 5069.

Intergovernmental Panel on Climate Change (IPCC). 2006. IPCC guidelines for national greenhouse gas inventories. Vol. 4: agricultural, forestry and other land use. Chapter 10: emissions from livestock and manure management. Iges, Kanagawa, Japan.

Janzen, H.H., Angers, D.A., Boehm, M., Bolinder, M., Desjardins, R.L., Dyer, J.A., Ellert, B.H., Gibb, D.J., Gregorich, E.G., Helgason, B.L., Lemke, R., Massé, D., Mcginn, S.M., Mcallister, T.A., Newlands, N., Pattey, E., Rochette, P., Smith, W., Vandenbygaart, A.J. et Wang, H. 2006. A proposed approach to estimate and reduce net greenhouse gas emissions from whole farms. Can. J. Soil. Sci. 86: 401 – 418.

Necpavola, M., Lee, J., Skinner, C., Büchi, L., Wittwer, R., Gattinger, A., Van De Heijden, M., Mäder, P., Charles, R., Berner, A., Mayer, J. et Six, J. 2018. Potentials to mitigate greenhouse gas emissions from swiss agriculture. Agr. Acosyst. Environ. 265: 84 – 102.

http://www.fao.org/faostat

5

Opio, C., Gerber, P., Mottet, A., Falcucci, A., Tempio, G., Macleod, M., Vellinga, T., Henderson, B. et Steinfeld, H. 2013. Greenhouse gas emissions from ruminant supply chains – a global life cycle assessment. Food and agriculture organization of the united nations (FAO), Rome.

Schils, R.L.M., Olesen, J.E., del Prado, A. et Soussana, J.F. 2007. A review of farm level modelling approaches for mitigating greenhouse gas emissions from ruminant livestock systems. Livest. Sci. 112: 240 – 251.

Smith, P., Bustamante, M., Ahammad, H., Clark, H., Dong, H., Elsiddig, E.A., Haberl, H., Harper, R., House, J., Jafari, M., Masera, O., Mbow, C., Ravindranath, N.H., Rice, C.W., Robledo Abad, C., Romanovskaya, A., Sperling, F. et Tubiello, F. 2014: Agriculture, Forestry and Other Land Use (AFOLU). in: climate change 2014: mitigation of climate change. Contribution of working group III to the fifth assessment report of the intergovernmental panel on climate change [Edenhofer, O., R. Pichs-Madruga, Y. Sokona, E. Farahani, S. Kadner, K. Seyboth, A. Adler, I. Baum, S. Brunner, P. Eickemeier, B. Kriemann, J. Savolainen, S. Schlömer, C. Von Stechow, T. Zwickel and J.C. Minx (Eds.)]. Cambridge University Press, Cambridge, United Kingdom And New York, Ny, Usa.

Smith, P., Goulding, K.W.T., Smith, K.A., Powlson, D.S., Smith, J.U., Falloon, P. et Coleman, K. 2001b. Enhancing the carbon sink in european agricultural soils: including trace gas fluxes in estimates of carbon mitigation potential. Nutr. Cycl. Agroecosys. 60: 237 – 252.

Tubiello, F., Salvatore, M., Ferrara, A., House, J., Federici, S., Rossi, S., Biancalani, R., Condor Golec, R., Jacobs, H., Flammini, A., Prosperi, P., Cardenas-Galindo, P., Schmidhuber, J., Sanz Sanchez, M.J., Srivastava, N. et Smith, P. 2015. The contribution of agriculture, forestry and other land use activities to global warming, 1990–2012. Glob. Change Biol. 21: 2655 – 2660.

van Wyngaard, J.D.V., Meeske, R. et Erasmus, L.J. 2018. Effect of concentrate feeding level on methane emissions, production performance and rumen fermentation of jersey cows grazing ryegrass pasture during spring. Anim. Feed Sci. Technol. 241: 121–132.

Vellinga, T.V. et Hoving, L.E. 2011. Maize silage for dairy cows: mitigation of methane emisions can be offset by land use change. Nutr. Cycl. Agroecosys. 89: 413 – 426.

Volpi, I., Laville, P., Bonari, E., O Di Nasso, N.N. et Bosco S. 2018. Nitrous oxide mitigation potential of reduced tillage and n input in durum wheat in the mediterranean. Nutr. Cycl. Agroecosyst. 111: 189 – 201.

6

Chapitre 1

Revue de littérature

1.1 Émissions de gaz à effet de serre de la production laitière

La principale cause du réchauffement de la planète est l’émission de gaz à

effet de serre (GES) d’origine anthropogénique, dont le méthane (CH4), le dioxyde

de carbone (CO2) et l’oxyde nitreux (N2O) sont les principales sources du secteur

de l’agriculture (Martin et al., 2010 ; Asgedom et Kebreab, 2011). Chaque gaz a un

potentiel de réchauffement global estimé à 100 ans et exprimé en équivalents de

CO2 (CO2eq) (IPCC, 2007; Dutreuil et al., 2014). Ainsi, le CO2, le CH4 et le N2O ont

des coefficients de potentiels de réchauffement respectifs de 1, 25 et 298 CO2eq,

respectivement (Forster et al., 2007 ; IPCC, 2007)

Le secteur de l’agriculture a intensifié sa production depuis 1970 avec des

conséquences environnementales néfastes (FAOSTAT, 2017). Il est responsable

de 25 % des émissions de CO2, de 50 % des émissions de CH4 et de 70 % des

émissions de N2O (Hutchinson et al., 2007) d’origine anthropogénique. Dans ce

secteur, l’intensification de la production laitière a augmenté au courant de la

dernière décennie à cause de l’augmentation de la population mondiale (FAO, 2014 ;

IDF 2017). Cependant, l’accroissement de l’intensification du secteur laitier implique

aussi un déplacement plus grand des ressources qui est lié à une plus grande

émission de GES (FAO, 2009, 2014).

Dans la ferme laitière, la fermentation entérique, la production de cultures, et

la gestion du fumier sont responsables respectivement de 35, 32 et 26 % des

émissions de GES (Thoma et al., 2013). Ces gaz proviennent de différents secteurs

de la ferme comme l’indique le Tableau 1.1. Les animaux émettent le méthane

comme le principal GES et avec un moindre pourcentage l’oxyde nitreux est émis

par l’urine et l’excrément dans l’etable; les principaux GES émis par la gestion du

7

fumier sont l’ammoniac, le méthane et l’oxyde nitreux comme le resultat du système

de stockage; les émissions du sol sont principalement de dioxyde de carbone

comme resultat de la gestion du sol; et les cultures émettent principalement

ammoniac (Schils et al., 2005).

Tableau 1.1. Les principales émissions directes de dioxyde de carbone (CO2), de

méthane (CH4) et d’oxyde nitreux (N2O) par secteur sur les fermes laitières.

Secteur de la ferme CO2 CH4 N2O Autresz

Animal Entrée * *

Sortie * * *

Fumier Entrée * * *

Sortie * * *

Sol Entrée * * * *

Sortie *

Cultures

Entrée * *

Sortie * zAutres: Ammoniac et nitrates. Adapté de Schils et al. (2005).

1.1.1 Situation mondiale

Le secteur de l’agriculture, de la sylviculture et des autres utilisations des

terres (AFOLU) est responsable de 24 % des émissions de GES de forme directe

(Figure 1.1) (IPCC, 2014). Dans ce secteur, l’agriculture représente 50 % des

émissions, suivi par la conversion des terres forestières (38 %), la dégradation des

tourbières (11 %) et les incendies de la biomasse (1 %) (FAO, 2014).

8

Figure 1.1. Proportion d’émissions de gaz à effet de serre (GES) par secteur à niveau mondial. AFOLU : Agriculture, sylviculture et autres utilisations des terres. Adaptée d’IPCC (2014).

Les émissions de l’agriculture sont principalement le N2O et le CH4 qui sont

le résultat des processus biologiques de la décomposition dans les sols (des terres

cultivables et des prairies) et des processus digestifs des animaux (FAO, 2014).

L’agriculture est responsable de 12 % des émissions des GES d’origine

anthropogénique (Tubiello et al., 2015). Les principales sources d’émission de GES

dans l’agriculture sont : la fermentation entérique (40 %), le fumier des animaux au

pâturage (15 %), l’utilisation de fertilisants (13 %), la culture du riz (10 %), la gestion

du fumier (7 %), les feux de prairies et de matière organique (5 %), les résidus des

cultures (4 %), le fumier appliqué sur les cultures (3 %) et les sols organiques (3 %)

(FAO, 2014 ; Smith et al., 2014).

Les émissions de GES de la production laitière représentent 30 % des

émissions du secteur agricole (IPCC, 2006, 2014) et 4 % du total des émissions

d’origine anthropogénique, dont 2,7 % sont des émissions directes de la production

du lait et 1,3 % des émissions indirectes liées à la vente ou production de viande

(FAO, 2010). Du total de GES émis par les fermes laitières, le CH4, le N2O et le CO2

représentent 59, 24 et 17 %, respectivement (FAO, 2017). En moyenne dans le

Production d'électricité et

de chaleur25%

AFOLU24%

Immeubles6%

Transport14%

Industrie21%

Autre énergies10%

9

monde, les fermes laitières émettent 2,4 kg de CO2eq kg-1 de lait, variant de 1,3 à

7,5 kg de CO2eq kg-1 de lait (FAO, 2010).

Des émissions du secteur agricole, la production laitière est responsable de

18 % des émissions provenant de la fermentation entérique (CH4), de 17 % des

émissions reliées à la gestion du fumier (CH4 + N2O), de 22 % des émissions

associées à la fertilisation (minéral + fumier ; N2O) et de 11 % des émissions

provenant du fumier des animaux au pâturage (N2O) (FAO, 2014).

1.1.2 Situation au Canada

En 2016, au Canada, 704 Mt de CO2eq ont été émis et le secteur agricole

était responsable de 8,5 % des émissions de GES d’origine anthropogénique de

forme directe ou 10 % de forme directe et indirecte (Figure 1.2). Ce niveau

représente une diminution de 1 % par rapport à celui de 2005. Au Canada, en 2016,

les émissions de CH4 étaient de 96 Mt of CO2eq (14 %) et les émissions de N2O

étaient de 37 Mt de CO2eq (5 %). Au Canada, l’agriculture était responsable de 30

et 77 % des émissions de CH4 et N2O, respectivement (ECCC, 2018).

Figure 1.2. Proportion d’émissions de gaz à effet de serre (GES) par secteur au Canada. Adaptée d’IPCC (2014)

Le climat du Canada permet de regrouper certaines régions avec des

caractéristiques agricoles similaires. Il y a, entre autres, la région des Prairies

Pétrole et de gaz26%

Électricité11%

Transport25%

Industrie11%

Immeubles11%

Agriculture10%

Gaspillage et autres

6%

10

(Manitoba, Saskatchewan et Alberta), la région centrale (Québec [central et sud] et

Ontario) et les Maritimes (Est du Québec, Terre-Neuve et Labrador, Île-du-Prince-

Édouard, Nouvelle-Écosse, Nouveau-Brunswick) (Gouvernment du Canada 2018).

Ces régions émettent, en proportion, 15, 36 et 36 % des émissions de GES en

agriculture au Canada, respectivement (Figure 1. 3) (Vergé et al., 2013 ; Agriculture et

agroalimentaire Canada 2016).

Figure 1. 3. Émissions de GES du secteur agronomique au Canada, tiré d’Agriculture et agroalimentaire Canada (2016)

Dans le secteur de l’agriculture, la production laitière représente 14 % des

émissions de GES (Vergé et al., 2007 ; ECCC, 2018) ce qui corresponde à 1,02 kg

de CO2eq kg-1 de lait en moyenne pour le Canada ou 0,97, 1,05 et 1,05 kg de CO2eq

kg-1 de lait pour les régions des Maritimes, de Québec/Ontario et des Prairies,

respectivement (Vergé et al., 2007). Les principales sources de GES de la ferme

laitière canadienne sont : la fermentation entérique (43 % sous la forme de CH4), le

fumier (15 % du N2O et 12 % du CH4), les fertilisants (6 % sous la forme de N2O,

plus 4 % de CO2eq attribué à la production de fertilisant), émissions indirectes de

N2O (6 % pour le lessivage et la volatilisation) et l’énergie (10 % pour le combustible

et l’électricité) (Vergé et al., 2007 ; Vergé et al., 2013). Les émissions de N2O, depuis

1990, ont augmenté, car l’intensification de la production a accru l’application de

11

fertilisants sous forme de N inorganique (ECCC, 2018). Pour sa part, la portion du

CH4 (25 %) a diminué de 7,7 % depuis 1990. En 2003, 97 % des émissions de CH4

étaient produites par les bovins dont 25 % provenaient des bovins laitiers (3,6

Mt CO2eq) (Olsen et al., 2003 ; Ominski et al., 2007).

1.2 Mesure des gaz à effet serre

La mesure des émissions de GES sur les fermes laitières est essentielle à

petite ou à grande échelle (Milne et al., 2013), car elle permet un portrait de l’impact

environnemental des différentes stratégies de production (Bai et al., 2018).

Cependant, les techniques existantes sont coûteuses ou requièrent des mesures

constantes à long terme (Olander et al., 2014). D’autre part, les modèles pour

estimer les émissions de GES utilisent les données déjà existantes (Janssen et van

Ittersum, 2007; Olander et al., 2014).

1.2.1 Mesure in situ

Les champs et les animaux sont les principales sources d’émissions de GES

sur les fermes laitières (Zehetmeier et al., 2014), pour cette raison de nombreuses

techniques de mesure in situ ont été développées. Les mesures in situ doivent viser

un équilibre de trois caractéristiques, soit le coût, l’échelle et la précision (Milne et

al., 2013).

1.2.1.1 Champs

Les émissions aux champs peuvent varier spatialement et temporellement,

ce qui augmente la quantité de travail pour obtenir une estimation des émissions

(Chadwick et al., 2014). Les principales techniques de mesure des émissions de la

production GES par les cultures peuvent être mesurées par la méthode en chambre,

les mesures de flux à tour et la covariance des tourbillons.

La méthode en chambre peut être utilisée pour enregistrer les émissions de

gaz du sol (N2O principalement), cette technique n’est pas coûteuse et elle est

12

simple à utiliser (Milne et al., 2013). Cependant, l’aire de la chambre est <1m2 (Wolf

et al., 2010 ; Chadwick et al., 2014), ce qui requiert des observations au moins une

fois par semaine et à différents endroits des champs (Smith et al., 2001a ;

Parkin 2008; Bai et al., 2018). Avec cette technique, le gaz est collecté et analysé

dans le laboratoire par chromatographie en phase gazeuse (Wolf et al., 2010 ;

Chadwick et al., 2014).

La covariance des tourbillons est une technique de mesure de flux à tour où

les émissions de GES sont mesurées à une plus grande échelle et en deux

directions, soit horizontale et verticale. Cependant cette technique ne permet pas de

différencier entre deux cultures ou plus et la vitesse du vent peut influencer les

résultats (Pattey et al., 2006).

La covariance de tourbillons est une technique non invasive dans laquelle le

flux d’air est mesuré en continu ou en intervalles de 30 à 60 minutes (Pattey et al.,

2006). Cette technique utilise une haute fréquence (10 – 20 Hz) pour mesure la

vitesse, la direction et composition de l’air (concentration de CO2, H2O et CH4 ;

Baldocchi, 2003).

Zhang et al. (2015b) ont observé que la meilleure mesure des émissions des

terres en culture (avec du maïs et du soya) est avec l’utilisation des chambres avec

la covariance des tourbillons. Ils ont trouvé que les plantes émettent moins de 10%

des émissions directes de N2O et l’écosystème sol-plante-fertilisant est responsable

de 20% des émissions de N2O (Tableau 1. 2) donc le total des émissions est

majoritairement influencé par d’autres facteurs directs et indirects indépendants de

la plante, du sol et du fertilisant.

13

Tableau 1. 2. Mesure d’émissions d’oxyde nitreux (N2O) avec la technique de chambre et avec la technique de covariance des tourbillons

Culture Technique N2O (nmol m-2 s-1)

Maïs (plante) Chambre 0,01 - 0,09

Soya (plante) Chambre 0,03 - 0,04

Maïs (fertilisant) Chambre -0,01

Soya (sans fertilisant) Chambre 0,03

Maïs (écosystème) Covariance 0,95

Soya (écosystème) Covariance 0,26

*Adapté de Zhang et al. (2015b).

1.2.1.2 Vache laitière

Chez la vache laitière, les principales techniques de mesure de la production

de méthane sont la chambre de respiration, la méthode du renifleur, le système

GreenFeed et la technique de l’hexafluorure de soufre (SF6).

La méthode de la chambre de respiration est la technique la plus fiable, dans

laquelle une vache est confinée dans une chambre pour quelques jours. Un

ventilateur introduit l’air dans la chambre et la différence entre les concentrations de

CH4, CO2 et O2 à l’entrée et à la sortie de la chambre sont mesurées (Sorg et al.,

2017). Pour une évaluation adéquate, la mesure des gaz doit être corrigée, pour la

température, la pression et l’humidité (Hammond et al., 2016). En général, la mesure

de CH4 est réalisée pendant un à sept jours, la saturation de CO2 doit être <1 % et

la pression négative (van Gastelen et al., 2015; Hammond et al., 2016). Cependant,

le coût est élevé en comparaison avec les autres techniques (Yan et al., 2000;

Hellwing et al., 2012 ; Hassanat et al., 2013 ; Wu et al., 2015).

En comparaison avec la technique de la chambre de respiration, la méthode

du renifleur est pratique pour faire l’observation des émissions de chaque vache

pendant la traite dans fermes commerciales (Bell et al., 2014). Ce système consiste

à mesurer constamment l’air avec un tube directement en face de la tête de la vache

dans un système de traite automatisée ou dans un distributeur d’aliments concentrés

(Madsen et al., 2010 ; Garnsworthy et al., 2012 ; Lassen et al., 2012 ; Bell et al.,

2014). L’air est analysé en utilisant un analyseur infrarouge de gaz portable (Bell et

14

al., 2014) avec un intervalle d’une seconde (Garnsworthy et al., 2012). Le CH4 est

mesuré seulement pendant l’éructation et, en plus de ne pas considérer les

émissions de l’expiration et des flatulences, il est influencé par la distance entre la

tête et le tube (Garnsworthy et al., 2012 ; Huhtanen et al., 2015).

Le système « GreenFeed » est un système individuel et mobile qui peut

mesurer les émissions de CH4 et CO2 de l’éructation et la respiration de la vache

(Zimmerman et al., 2011). À la différence de la méthode du renifleur, ce système

peut détecter la position de la tête de la vache (Greenfeed system, 2015; Huhtanen

et al., 2015). Cette technique utilise le propane comme gaz traceur et les résultats

sont similaires à ceux obtenus avec les techniques de la chambre de respiration et

SF6 (Dorich et al., 2015; Hammond et al., 2016). Dans la chambre de la tête, la

mesure des émissions prend de 3 à 7 minutes pendant quelques fois par jour et est

répétée de façon quotidienne, hebdomadaire ou mensuelle (Hristov et al., 2015).

La SF6 est une technique développée pour être utilisée pour les vaches en

stabulation entravée, en stabulation libre ou au pâturage (Hammond et al., 2016).

Avec cette technique, le SF6, qui est utilisée comme gaz traceur, est introduite dans

le réticulorumen de la vache et les émissions sont mesurées par captation des gaz

à la sortie des narines et de la bouche, en utilisant un tube capillaire, qui est ensuite

recueilli (0.8 ml min-1) dans un réceptacle fixé au cou de l’animal (Grainger et al.,

2007 ; Hammond et al., 2014). La récolte de gaz doit être réalisée en intervalles de

24 h pendant 5 jours et des échantillons d’air recueillis à côté de l’animal servent

comme référence. Le ratio entre le CH4 et le SF6 est utilisé pour calculer les

émissions de CH4 (g j-1) (Williams et al., 2011). En général, la différence des valeurs

obtenues entre la chambre de respiration et la méthodologie au SF6 est de 5 à 10 %

(Hammond et al., 2016). Cependant, le type de stabulation, la ventilation et la teneur

en CH4 dans l’étable peuvent modifier les résultats. De plus, cette technique

implique une assez grande charge de travail (Negussie et al., 2017).

Dans le tableau 1.3 se trouvent quelques résultats de différentes expériences

qui ont utilisé différentes méthodologies pour mesurer les émissions de CH4

15

entérique des vaches laitières. Ces résultats montrent que les émissions par vache

sont en moyenne de 451 ± 38 g de CH4 entériques j-1, et que l’unité sur lequel ses

émissions sont exprimées a un gros impact (kg de matière sèche ingérée [MSI], kg

de lait corrigé pour l’énergie [LCE], kg de lait corrigé pour le gras et la protéine

[LCGP], entre autres). Hammond et al. (2016) et Dorich et al. (2015) n’ont pas réalisé

une comparaison statistique entre les techniques, mais Hammond et al. (2016) ont

observé une tendance de la chambre à mesurer plus d'émissions en comparaison

avec le système GreenFeed principalement à cause du temps de mesure des

émissions (24 h vs quelques visites par jour). En général, la chambre est la

technique la plus précise, mais le coût et l’installation nécessaire limitent sa

disponibilité. La technique du SF6 présente la plus haute variabilité des résultats

(g kg-1 de MSI). Finalement, le système GreenFeed permet d’estimer les émissions

de plus d’animaux et il est moins restrictif. Cependant, le temps de mesure (par

exemple, Hammond et al. (2016) ont mesuré les émissions par 5 et 184 h par vache

avec la technique de Greenfeed et la chambre de respiration, respectivement) ne

permet pas d’observer les fluctuations des émissions en comparaison avec la

chambre de respiration qui peut mesurer les émissions en continu.

16

Tableau 1.3. Mesure de CH4 entérique avec différentes techniques de chambre de respiration (CH), GreenFeed (GF) ou l’hexafluorure de soufre (SF6)

Reference Ration Animal Technique CH4 entérique

g j-1 pz g kg-1 de CVMSy

p g kg-1 de

LCEx p

Hammond et al. 2016

EMw Vache laitière

GF 410 * 16,5 * 13,1 *

CH 495 21,8 16,1

EM + NDF

Vache laitière

GF 461 * 18,9 * 15,2 *

CH 472 23,7 16,3

EH Vache laitière

GF 460 * 24,0 * 15,9 *

CH 462 25,5 16,8

EH + NDF

Vache laitière

GF 460 * 24,1 * 16,6 *

CH 418 24,2 17

McGinn et al. 2006

HC Génisses de

boucherie

CH 149 NS

SF6 144

HF Génisses de

boucherie

CH 135 NS

SF6 128

Hristov et al. 2016

RTM Vache laitière

GF 373 ***

SF6 405

Muñoz et al. 2012

EH Vache laitière

CH 422 *** 24,0 ***

SF6 469 26,7

zp : *P<0.10, ***P<0.001, NS : non significatif, valeurs de Hammond et al. (2016) présentant une tendance ;

yCVMS : consommation de matière sèche ; xLCE : lait corrigé pour l’énergie ; wEM : ensilage de maïs ; NDF : fibre au détergent neutre ; EM + NDF : EM + 5 % de

NDF ; EH : ensilage d’herbe ; EH + NDF : EH + 5 % de NDF ; HC : haute quantité de concentrés ; HF : haute quantité de fourrages ; RTM : ration totale mélangée.

1.2.2 Équations d’estimation

Une mesure précise des émissions de GES dans une ferme laitière est

compliquée. Pour cette raison, les modèles de simulation sont une alternative

pratique pour estimer et formuler des stratégies pour réduire les émissions de N2O

et de CH4 en production laitière (Ramin et Huhtanen, 2013). La simplicité et la facilité

de son application à petite ou grande échelle sont les raisons de son utilisation

(Appuhamy et al., 2016).

Pour estimer les émissions de N2O, la méthodologie de l’IPCC (2006) est

celle la plus couramment utilisée. Cette dernière considère principalement la

17

production de N2O provenant de la perte de N du sol (1 %), les pertes provenant de

différentes sources comme la fertilisation minérale, le fumier et les résidus des

cultures. D’autres modèles ont été développés pour estimer les émissions en

considérant plus de facteurs comme la teneur en eau du sol, le pH, la concentration

d’ammonium dans le sol (del Grosso et al., 2000).

Il y a un intérêt économique et environnemental de diminuer les émissions de

la fermentation entérique des ruminants et de pouvoir les estimer (Benchaar et al.,

2014). Pour cette raison, différentes équations ont été développées pour estimer les

émissions de CH4 entérique (Tableau 1. 4) avec différents niveaux de précision en

relation avec les mesures in vivo des émissions ; la principale différence entre les

équations est le type de variables qui sont utilisées. Ces équations utilisent les

caractéristiques de l’animal et des caractéristiques nutritionnelles (Warnecke et al.,

2014). La principale méthodologie pour estimer les émissions entériques utilise la

quantité d’énergie brute ingérée (IPCC 2006), et cette dernière est aussi utilisée par

d’autres auteurs (Mills et al., 2003; Moraes et al., 2014). D’autres équations utilisent

d’autres nutriments de la ration (fibre NDF [Ellis et al., 2007; Storlien et al., 2014],

gras [Moraes et al., 2014], digestibilité de la matière sèche ou de la matière

organique [FAO, 2010 ; Ramin et Huhtanen, 2013], amidon, lignine, etc.) ou de

l’animal (poids [Ellis et al., 2007], production laitière, contenu en gras du lait, prise

alimentaire, etc.).

Un facteur commun entre les différentes équations développées est la

consommation de matière sèche (directement comme CVMS ou indirectement

comme consommation d’énergie brute [CEB] ou d’énergie métabolique [CEM]).

Cette variable à un très grand impact sur l’estimation des émissions de la

fermentation entérique (Mills et al., 2003 ; Ellis et al., 2007 ; Hristov et al., 2013). De

plus, l’ajout d’autres variables comme la fibre NDF diminue l’erreur quadratique

moyenne de prédiction (RMSE) (Ellis et al., 2007; Juarena et al., 2015). Ces

équations permettent d’estimer rapidement la situation entre différentes régions ou

stratégies de réduction de la production de CH4 (Hippenstiel et al., 2013).

18

Tableau 1. 4. Liste d’équations publiées d’estimation de méthane entérique

Reference Identification

de l’équation

Équation z r y R2 x RMSEw

Mills et al. 2003

Linéaire 1 CH4 (MJ j-1) = 5,93 + 0,92 x CVMS (kg j-1) 0,81 0,65 33,50

Linéaire 2 CH4 (MJ j-1) = 8,25 + 0,07 x CEM (MJ j-1) 0,73 0,53 37,00

Linéaire 4 CH4 (MJ j-1) = 1,06 + 10,27 x Fourrage (%) + 0,87 x CVMS (kg j-1)

0,73 0,54 43,30

Ellis et al. 2007

2 d CH4 (MJ j-1) = 3,23 (± 1,12) + 0,809 (± 0.0862) x CVMS (kg j-1)

0,81 0,65 25,60

7 d CH4 (MJ j-1) = 1,64 (± 1,56) + 0,396 (± 0,017) x CEM (MJ j-1) + 1,45 (± 0,521) x fibre NDF (kg j-1)

0,77 0,59 29,50

8 d CH4 (MJ j-1) = 2,16 (± 1,62) + 0,493 (± 0,192) x CVMS (kg j-1) – 1,36 (± 0,631) x fibre ADF (kg j-1) + 1,97 (± 0,561) x fibre NDF (kg j-1)

0,79 0,63 28,20

Ramin et Huhtanen 2013

17

CH4 (L kg-1 de CVMS) = 5.0 (± 6.34) – 0.35 (± 0.034) x CVMSpoids (g kg-1) + 0.031 (± 0.0058) x DMO (g kg-1) – 0.043 (± 0.009) x EE (g kg-1 de MS) + 0.018 (± 0.0047) x NDF (g kg-1 de MS) + 0.018 (± 0.0045) x GNS (g kg-1 de MS)

1.58

18

CH4 (L kg-1 de CVMS) = -6,5 (± 6,0) – 3,26 (± 0,293) x Niveau d’alimentation (CEM/EMm) + 0,044 (± 0.0057) x DMO (g kg-1) – 0,026 (± 0.0094) x EE (g kg-1 de MS) + 0,02 (± 0.0045) x fibre NDF (g kg-1 de MS) + 0,02 (± 0.0044) x GNS (g kg-1 de MS)

1,53

Moraes et al. 2014

Niveau d’EB CH4 (MJ j-1) = 3,24 (± 0,429) + 0,043 (± 0,001) x CEB (MJ j-1)

3,01

Niveau de la diète

CH4 (MJ j-1) = 0,225 (± 0,713) + 0,042 (± 0,001) x CEB (MJ j-1) + 0,125 (± 0,015) x fibre NDF (%) — 0,329 (± 0,094) x EE (%)

2,97

Niveau de l’Animal

CH4 (MJ j-1) = -9 311 (± 1,06) + 0,042 (± 0,001) x CEB (MJ j-1) + 0,094 (± 0,014) x fibre NDF (%) – 0,381 (± 0,092) x EE (%) + 0,008 (± 0,001) x Poids (kg) + 1 621 (± 0,119) x gras du lait (%)

2,59

Storlien et al. 2014

2 CH4 (MJ j-1) = -2,76 (± 2,52) + 3,74 (± 0,38) x fibre NDF (kg j-1)

0,60 0,36 4,00

3 CH4 (MJ j-1) = 6,80 (± 3,32) + 1,09 (± 0,15) x CVMS (kg j-1) — 0,15 (± 0,04) x AG (g kg-1 de MS)

0,65 0,42 3,20

6 CH4 (MJ j-1) = -2,13 (± 3,20) + 1,64 (± 0,32) x DTMO (kg j-1) – 9.74 (± 4.02) x DTEE (kg j-1) + 1.64 (± 0.87) x DTNDF (kg j-1)

0.74 0.55 2.60

Hristov et al. 2013

Vaches en lactation CH4 (g j-1) = 2.64 (± 4.89) + 19.14 (± 0.43) x CVMS

(kg j-1)

0.93 0.86

Vaches en lactation v 0,57 0,32

FAO 2010 1u CH4 (kg anné-1) = (CVMS [kg anné-1] x [9,75 – 0,05 x 65]/100) x (18.55/55.65)

4.93

IPCC 2006 Tier 2 t CH4 (kg anné-1) = (CEB (MJ j-1) x (6.5/100) x 365) /

55.65

0,67 0,45 11,49

Tier 2 u 5,06

zCVMS : consommation de matière sèche ; CEM : consommation d’énergie métabolique ; NDF : fibre au détergent neutre; ADF : fibre au détergent acide ; CVMSBW : consommation de matière sèche par poids ; DMO : digestibilité de la matière organique ; EE: extractif éthéré ; GNS: Glucides non fibreaux; CEB : consommation d’énergie brute ; AG : acides gras de la ration, DTMO : digestibilité totale de la matière organique; DTEE : digestibilité totale de l’EE ; DTNDF :

19

digestibilité totale du NDF ; MS : matière sèche ; EMm : besoin énergétique d’entretien ;

yr : coefficient de corrélation de Pearson ; xR2 : coefficient de détermination; wRMSPE : erreur quadratique moyenne de prédiction; vUtilisation de la basse de données de Storlien et al. (2014) ; uUtilisation de la basse de données de Moraes et al. (2014) ; tUtilisation de la basse de données de Appuhamy et al. (2016).

1.2.3 L’evaluation du cycle de vie

L’évaluation du cycle de vie (LCA) est une méthodologie qui était à l’origine

utilisée pour analyser les processus industriels. Pendant les vingt dernières années,

elle a été utilisée pour mesurer l’impact de l’agriculture (IDF, 2015) et pour observer

l’impact de la production laitière (Baldini et al., 2017) sur l’environnement. Il existe

des lignes directrices de la fédération internationale laitière (IDF) pour estimer

l’empreinte carbonée de la production laitière. L’empreinte carbone est définie par

l’IDF (IDF, 2015) comme la somme des émissions de GES pendant tout le cycle de

production. Cette méthodologie a été utilisée dans différentes études (par exemple :

Dalgaard et al., 2014 et Jayasundara et Wagner-Riddle, 2014). Pour l’évaluation du

cycle de vie, le lait corrigé pour le gras et la protéine (LCGP ou FPCM en anglais)

est souvent privilégié (Baldini et al., 2017).

1.3 Stratégies de réduction des gaz à effet serre à la ferme

Les fermes laitières regroupent des animaux et des cultures. Ces deux

secteurs de l’entreprise doivent être considérés lors de la modification des pratiques

de production de lait (Vergé et al., 2007). Pour cette raison, il est pertinent d’explorer

des stratégies de réduction des émissions de GES dans ces deux secteurs d’activité.

La diminution des fertilisants dans les champs et la modification à l’alimentation des

vaches sont les stratégies les plus accessibles pour diminuer la production de GES

à la ferme (Audsley et Wilkinson, 2014).

20

1.3.1 Stratégies dans les champs

La production et fertilisation des cultures est une des principales sources

d’émission de GES dans le monde (Flynn et Smith, 2010). Au niveau mondial, les

productions de fourrages et de céréales sont responsables du 20 et 90 % des

émissions de CO2 et N2O, respectivement (Zhang et al., 2018). Ces émissions sont

influencées par le type de culture, le type de sol, les conditions climatiques,

l’irrigation, la fertilisation, entre autres (Reay et al., 2012; Dattamudi et al., 2016).

Donc, la sélection des cultures pour l’alimentation des vaches joue un rôle important

d’un point de vue environnemental et économique sur les fermes (Vergé et al.,

2007).

En général, la production de fourrages devrait être faite non seulement dans

le but de nourrir le troupeau, mais également pour leur fonction écologique et de

réduction des GES (Velarde-Guillén et al., 2015). Ces dernières peuvent toutefois

être influencées par les particularités propres à chaque région. Aussi, les pratiques

de production comme l’utilisation de rotations des cultures peuvent diminuer de 37

à 50 % l’utilisation de fertilisants en comparaison avec les monocultures (Camargo

et al., 2013). Les pratiques de fertilisation ont également un effet sur les émissions

de GES et sur le flux de nutriments (Rotz et al., 2010). Pour ces raisons, la

fertilisation, les rotations des cultures et la sélection de cultures sont les principales

stratégies pour réduire l’impact environnemental aux champs sur les fermes

laitières.

1.3.1.1 Gestion du sol

Le type de sol, le travail du sol et l’irrigation des champs jouent un rôle

important pour les émissions de CO2, CH4 et N2O et aussi pour la séquestration de

CO2. Au Canada, le type de sol varie de région en région. Ainsi, le type de sol dans

les Prairies émet moins de GES que dans les régions de l’est du Canada (Québec

et Ontario) (Grant et al., 2004 ; Gan et al., 2011). En effet, dans l’est du Canada les

précipitations pluviales sont plus élevées, ce qui cause plus d’émission de N2O par

21

le sol (Grant et al., 2004). En général, 40 % des émissions du sol viennent de l’est

du Canada qui représente seulement 20 % des terres cultivées (Grant et al., 2004).

Le travail du sol peut être réduit partiellement ou totalement pour favoriser la

séquestration de C dans le sol, en plus de diminuer la perte de CO2 à

l’environnement (Desjardins et al., 2005a). Combinée avec une fertilisation correcte

le travail minimal du sol permet de réduire les émissions de N2O de 17 % (Grant et

al., 2004). Cette diminution de CO2 et N2O peut ne pas être immédiate après la

modification dans un champ qui était historiquement en culture de manière

traditionnelle (Taft et al., 2018), mais il possible de commencer à voir des effets

après dix ans (Oertel et al., 2016 ; Krauss et al., 2017). De plus, la réduction du

travail au sol diminue l’utilisation de machinerie et, ainsi, les émissions de CO2

provenant de la consommation de combustible. La modification du travail du sol a

un impact sur la quantité d’eau dans le sol qui, combinée avec les résidus

organiques, explique les variations d’émissions de N2O par rapport au travail

conventionnel du sol (Grant et al., 2004). En fait, le travail minimum du sol permet

une meilleure rétention de l’eau dans le sol grâce à la protection provenant des

résidus en surface (Desjardins et al., 2005a ; Sanz-Cobena et al., 2017). Ainsi, la

diminution du travail du sol en zones avec peu de précipitation pluviale, comme dans

l’ouest du Canada, peut diminuer les émissions de N2O. Cependant, en régions avec

une grande quantité de pluie, les émissions de N2O peuvent en être augmentées

(Grant et al., 2004).

1.3.1.2 Fertilisation

L’effet environnemental de la fertilisation en N implique des impacts sur l’eau

comme l’eutrophisation (Costello et al., 2009; Xue et al., 2014) et stimule l’émission

de N2O (Janzen et al., 2006 ; Sainju et al., 2014) qui atteint son point maximal juste

après la fertilisation (Sainju et al., 2012). Ainsi, une utilisation optimale des

fertilisants par rapport à la dose, au type et au moment de l’application est cruciale

pour réduire les émissions de N2O (Sanz-Cobena et al., 2017).

22

Pour diminuer l’impact de la fertilisation, les doses et les moments

d’application doivent être basés sur le type de sol, le type de culture et le type de

système de production (Sanz-Cobena et al., 2017). Donc, diminuer les besoins de

N dans les champs est une bonne stratégie pour réduire l’impact de la fertilisation

sans avoir un effet négatif sur le rendement des cultures (Zhang et al., 2018). Il faut

toutefois viser un équilibre entre la réduction de N2O émit dans l’environnement et

le rendement, puisqu’il peut y avoir une réduction du rendement et une diminution

de la concentration en protéine brute dans les plantes si elles sont sous fertilisées

(Audsley et Wilkinson, 2014). Il vaut donc mieux de viser une fertilisation optimale

pour chaque plante afin d’éviter les surplus inutiles sans pour autant limiter la

productivité.

L’utilisation de fertilisant organique comme le fumier ou le compost, permet

d’introduire du N, du P, du K, du C et des micronutriments dans le sol et, dans les

fermes laitières, est une option pour recycler les nutriments produits sur la ferme

(Sanz-Cobena et al., 2017). Avec les fertilisants organiques, le N est libéré

lentement ce qui réduit l’utilisation de fertilisants synthétiques (Butler et al., 2008).

Une bonne stratégie à long terme est la combinaison de fertilisation organique et

inorganique (Sanz-Cobena et al., 2017 ; Zhang et al., 2018). Cette stratégie est

idéale en champs lors de la production de céréales ou d’oléagineux (Sanz-Cobena

et al., 2017). Par exemple, Butler et al., (2008) ont trouvé que, pour la production de

maïs, une application modérée et périodique d’un fertilisant organique avec

l’utilisation annuelle d’un fertilisant inorganique peut être une stratégie parfaite de

mise en équilibre à long terme.

L’utilisation d’inhibiteurs de la nitrification dans les fertilisants peut diminuer

de 30 à 50 % les émissions de N2O, car ils inactivent l’oxydation de NH4 vers le N2O

(Huerfano et al., 2016). Différentes variables peuvent diminuer l’effet des inhibiteurs

de la nitrification comme le type de sol, le pH, les précipitations pluviales et la

température (Sanz-Cobena et al., 2017) ; ce dernier présente une corrélation inverse

avec la réduction de N2O. Lors de températures plus élevées, l’activité biologique

du sol augmente et la durée de l’effet inhibitoire diminue (Gilsanz et al., 2016). Ainsi,

23

on peut s’attendre à avoir un effet pendant 2 à 3 semaines avec des températures

plus élevées à 25 °C, à 3 mois pour des températures de 10 °C et jusqu’à 6 mois à

des températures de moins de 5 °C (Gilsanz et al., 2016). Cependant le coût de

cette méthodologie est élevé en comparaison avec les autres stratégies, par

exemple, le coût est de huit à 12 fois plus élevé en comparaison avec une fertilisation

normale ou deux fois plus haut en comparaison avec l’urée (Timilsena et al., 2015)

1.3.1.3 Sélection des cultures

Le choix des cultures a un effet important sur la production de GES des

fermes puisqu’il influence la gestion du sol, le rendement de la culture, le type de

récolte, sa conservation, le transport, le stockage, la fertilisation et les résidus de

culture (Gan et al., 2011). De plus, la séquestration du CO2 n’est pas le même pour

toutes les cultures (Flynn et Smith, 2010 ; Oertel et al., 2016). Dépendant du système

de production (monoculture ou rotation des cultures), la production de cultures sur

les fermes laitières peut arriver à séquestrer de 1,6 à 2,8 t CO2 ha-1 yr-1 (Desjardins

et al., 2005b). Cependant, cette séquestration de C augmente la concentration en

CO2 dans le sol, qui peut être libéré dans l’atmosphère lors d’un travail conventionnel

du sol (Dorodnikov et al., 2009).

Les émissions de GES de chaque culture sont en lien avec son niveau de

fertilisation, son rendement et la quantité de N accumulée dans la plante (Gan et al.,

2011). Pour cette raison, la production de céréales est responsable d’une partie

importante des émissions de GES (Tongwane et al., 2015) puisqu’elles demandent

une quantité supérieure de fertilisants azotés par rapport aux légumineuses, et

émettent donc plus de N2O (Sainju et al., 2012, 2014).

En contrepartie, la production de légumineuses a le potentiel de diminuer le

besoin en fertilisation (Desjardins et al., 2005a) et les émissions de N2O à cause de

leur capacité à fixer le N atmosphérique (Parkin et Kaspar, 2006). Cette fixation

provient de la symbiose des légumineuses avec des bactéries du genre Rhizobium

qui permet la fixation de l’azote de l’air réduisant ainsi les apports nécessaires en

24

fertilisants azotés et permettant l’enrichissement du sol (Brisson, 2008). Un autre

avantage de l’utilisation de légumineuses est la diminution d’émissions de CO2

associées à l’utilisation de combustible fossile (Desjardins et al., 2005a).

Le choix des cultures sur une ferme laitière implique plusieurs facteurs. Les

cultures sont souvent sélectionnées pour leurs coûts de production et pour leurs

rendements par hectare (Martin et al., 2017). En outre, la sélection des cultures a

un effet direct sur la ration de la vache, le revenu de la ferme et la composition du

fumier (Sørensen et al., 2003). L’ensilage de maïs, par exemple, est un fourrage

généralement apprécié en production laitière pour ses caractéristiques

nutritionnelles et son rendement.

1.3.1.3.1 Ensilage de maïs conventionnel et brown midrib (BMR)

La production du maïs est réalisée sur 11 % des zones cultivables du monde

(Zhang et al., 2018). Il est produit pour l’alimentation humaine, l’alimentation animale

et la production de biocombustibles (FAO, 2017). Cependant l’augmentation de sa

production depuis 1971, qui est liée à l’augmentation de la population, a eu un grand

impact environnemental avec, entre autres, un accroissement des émissions de

GES (Arrieta et al., 2018 ; Zhang et al., 2018).

L’ensilage de maïs est un des principaux fourrages utilisés dans le monde

pour l’alimentation des vaches laitières (Barlow et al., 2012). Il est connu pour son

grand rendement par hectare, sa haute valeur nutritive et son contenu d’amidon

élevé qui peut diminuer la production de CH4 entérique (Beauchemin et al., 2009 ;

Hassanat et al., 2017). Au Canada, l’ensilage de maïs est grandement utilisé dans

l’est du Canada (Guyader et al., 2017). L’intérêt pour cette culture est grandissant

dans l’ouest du Canada (Baron et al., 2006 ; Stanton et al., 2007) où il remplace

partiellement l’ensilage d’orge, qui est le fourrage le plus couramment utilisé dans

l’alimentation de la vache laitière (McGinn et Beauchemin 2012).

25

Par contre, cette plante a besoin de beaucoup de fertilisant, spécialement de

N pour produire de hauts rendements de grains et de fourrage (Thivierge et al.,

2015). Cette fertilisation azotée peut avoir un effet négatif sur le bilan en N et en P

sur la ferme, en plus de favoriser les émissions de N2O (Xue et al., 2014). L’ampleur

de ces denières est affectée par le système de production (avec ou sans irrigation

par exemple ; Zhang et al., 2018).

Aux États-Unis, Adom et al., (2012) ont trouvé que la fertilisation (inorganique

et organique) et la consommation de combustible sont responsables de 73 à 90 %

des émissions associées avec la production d’ensilage de maïs sur les fermes

laitières, ce qui équivaut à 200 g de CO2eq kg-1 de matière sèche (MS) (variant de

160 à 260 g de CO2eq kg-1 de MS). Zhang et al., (2018) ont observé le même patron,

soit que la fertilisation et la consommation de diesel sont les principales sources

d’émissions de GES en systèmes sans irrigation. Par contre, ces auteurs rapportent

aussi qu’en systèmes avec irrigation, des émissions associées à l’électricité

s’ajoutent, mais l’impact par kilogramme de MS diminue parce que l’irrigation

augmente le rendement de la culture.

Une manière de réduire la production de GES associée à l’ensilage de maïs

sur la ferme laitière est avec l’utilisation de l’ensilage de maïs brown midrib (BMR).

Le rendement de l’ensilage de maïs BMR aux champs est, en moyenne, 10 %

moindre que celui de l’ensilage de maïs conventionnel (Ferraretto et Shaver, 2015).

Par contre, il favorise la consommation de MS (Ferraretto and Shaver 2015;

Hassanat et al., 2017) grâce à sa concentration en lignine qui est plus faible (Barlow

et al., 2012) et à l’amélioration de la digestibilité de la fibre NDF (Hassanat et al.,

2017). Par ailleurs, Hassanat et al. (2017) ont observé que le BMR peut diminuer la

production CH4 de 1,2 g kg-1 de MS ingérée. Cette diminution est le résultat d’une

augmentation de la proportion de propionate, ce qui est lié à une diminution de la

production de H2 dans le rumen (Janssen 2010).

Schwarm et al. (2015) et Hassanat et al. (2017), avec respectivement un

groupe de génisses et de vaches laitières, ont montré les effets sur les performances

26

de croissances ou laitière et sur les émissions de méthane de la substitution de

l’ensilage de maïs par l’ensilage de maïs BMR (Tableau 1.5). Schwarm et al. (2015)

ont observé que la substitution de l’ensilage de maïs conventionnel avec l’ensilage

de maïs BMR augmente de 8 % la CVMS, qui environnementalement, augmente de

14 % les émissions de CH4 entérique par génisse par jour. Par contre, ces auteurs

ont observé une diminution de la production de méthane de 3 % par kilogramme de

matière sèche consommé, cependant, ces résultats n’étaient pas significatifs.

Hassanat et al. (2017) ont trouvé que la consommation de matière sèche est 5 %

plus haute avec la ration contenant le BMR. Cependant, les émissions de la

fermentation entérique ont diminué de 3 % par vache par jour et de 7 %

lorsqu’exprimé par kilogramme de MS consommé.

27

Tableau 1. 5. Effet productif et environnemental des génisses et vaches laitières alimentées avec l’ensilage de maïs (EM) ou l’ensilage de maïs Brown midrib (BMR)

Référence

Schwarm et al. 2015 Hassanat et al. 2017

Génisse (20 mois ; 587 ± 47 kg) Vache laitière (119 ±

27 JELz ; 691 ± 77 kg)

EM BMR Valeur-

p EM BMR Valeur-p

Performances animalesy

CVMS (kg j-1) 9,19 ± 1,29 9,88 ± 1,23 0,19 26,1 27,3 < 0,01

Production laitière (kg j-1) 34,6 37,8 <0,01

LCE (kg j-1) 37,5 40,4 <0,01

Matière grasse du lait (g j-1) 39,2 38,1 0,05

Protéines du lait (g j-1) 35,2 34,9 0,40

Émissions de méthane

g j-1 200 ± 35,1 229 ± 32,3 0,11 483 470 0,43

g kg-1 CVMS 28 ± 3,4 27 ± 6,2 0,66 18,4 17,2 0,05

g kg-1 lait 14,3 12,7 0,02

g kg-1 LCE 13,1 11,8 0,02

% CEBx 5,52 5,16 0,05 zJEL : jours en lactation ; yCVMS : consommation volontaire de matière sèche ; LCE : lait corrigé pour

l’énergie ; xCEB : consommation d’énergie brute.

1.3.1.3.2 Autres graminées fourragères annuelles

Pour des raisons environnementales évoquées précédemment, il est

intéressant de trouver une autre graminée qui puisse substituer le maïs en termes

d’apport nutritionnel pour les rations alimentaires et le rendement par hectare. En

comparaison au maïs, le sorgho sucré et le millet perlé sucré ont besoin de moins

de N (Brunette et al., 2014; Thivierge et al., 2015). Ainsi, le Tableau 1. 6 montre une

compilation de l’information trouvée dans des articles scientifiques pour la valeur

28

nutritive des ensilages de sorgho sucré et de millet perlé sucré en comparaison à

l’ensilage de maïs. Il est ainsi possible de voir que ces deux fourrages sont en

général plus fibreux que l’ensilage de maïs. Également, la teneur en protéine brute

de l’ensilage de millet perlé sucré semble plus élevée que celle de l’ensilage de maïs

alors que celle de l’ensilage de sorgho sucré semble plus faible.

Tableau 1. 6. Caractéristiques agronomiques et nutritionnelles de l’ensilage de maïs (EM), l’ensilage de millet perlé sucré (MPS) et de l’ensilage de sorgho sucré (SS)z.

Ensilagez EM MPS SS

Rendement et besoin de

fertilisant

Rendement (t de MS ha-1) 13,3 ± 3,3 8,3 ± 1,9 13

Azote (kg ha-1) 127 ± 37 93 ± 24 130

Composition chimiquey

MS (g kg-1 de MF) 351 ± 17 253 ± 7,5 262 ± 48

PB (g kg-1 de MS) 88 ± 12 134 ± 8,7 64 ± 20

EE (g kg-1 de MS) 32 ± 5 20 ± 1 23 ± 8

Cendre (g kg-1 de MS) 43 ± 10 117 ± 2,6 84 ± 21

ADF (g kg-1 de MS) 281 ± 33 378 ± 9 344 ± 92

NDF (g kg-1 de MS) 450 ± 53 601 ± 17,4 563 ± 73

ENL (MJ kg-1 de MS) 8,62 ± 0,1 6,86 ± 0,09 6,65 ± 0,03

zAdapté de : NRC (2001) pour le maïs ; Garrett et Workei (1965), Di Marco et al. (2009), Amer et al. (2012) et Pour et al. (2012) pour le Sorgho ; et Amer et Mustafa (2010), Brunette et al. (2014) et Dos Passos et al. (2015) pour le millet perle sucré;

yMS : matière sèche ; PB : proteine brute ; EE : extrait d’éther ; ADF : fibre au détergent acide ; NDF : fibre au détergent neutre ; ENL : énergie nette de lactation.

1.3.1.3.2.1 Ensilage de millet perlé sucré

Le millet perlé (Pennisetum glaucum [L.] R.BR.) est une culture C4 (dos

Passos et al., 2015) qui est utilisée pour la production de grains en Asie et Afrique

et pour la production de fourrage en Amérique du Nord (Rao et al., 1982). Aux États-

Unis et Canada, la variété sucrée du millet perlé a suscité un intérêt pour la

production d’éthanol parce que son haut contenu en glucides hydrosolubles est

intéressant pour l’éthanol et que la bagasse peut être utilisée pour l’alimentation

animale (Leblanc et al., 2012 ; dos Passos et al., 2015).

29

Dans les essais en parcelles, le rendement du millet perlé sucré est de 10 à

19 T de MS ha-1 et varie selon l’environnement (dos Passos et al., 2015). Cette

culture est tolérante aux climats secs et semi-secs et aux sols acides, ce qui permet

sa production dans des zones où d’autres cultures comme le maïs ne peuvent pas

être semées (Amer et Mustafa, 2010). La production de ce fourrage sous conditions

de l’est du Canada a été étudiée au cours des dernières années (Bouchard et al.,

2011 ; Leblanc et al., 2012 ; dos Passos et al., 2015 ; Thivierge et al., 2015). Une

autre particularité de ce fourrage est qu’il a une faible exigence en fertilisation azotée

(Brunette et al., 2014). Thivierge et al. (2015) ont trouvé que le rendement du millet

perlé sucré a varié de seulement 0,8 T ha-1 entre l’application de 80 et 160 kg de N

par hectare. En plus, ce fourrage permet la récolte à l’état végétatif (24 % MS) ou

mature (32 % MS), ce qui, en plus du fait qu’il tolère les sols acides, en fait une

option intéressante pour la substitution au maïs. Par contre, une des limites à son

utilisation est sa fanaison rapide (Amer et Mustafa, 2010).

Il n’y a que quelques études qui portent sur l’utilisation du millet perlé

(Messman et al., 1992 ; Amer et Mustafa, 2010 ; Brunette et al., 2016) et encore

moins sur la variété sucrée. Dans la littérature consultée, seulement 20 études ont

utilisé le millet perlé sucré, surtout pour l’extraction d’éthanol comme biocombustible

et l’utilisation de la bagasse pour l’alimentation animale. La possibilité de faire de

l’ensilage avec la bagasse de millet perlé sucré, produit résiduel après l’extraction

des sucres pour la production d’éthanol, en fait une option intéressante pour

l’alimentation animale (dos Passos et al., 2016). Par contre, son contenu très fibreux

est moins intéressant pour des vaches hautes productrices et ensiler le millet perlé

sucré avant l’extraction peut-être une intéressante option.

Brunette et al., (2014) ont observé, dans une expérience menée au Québec,

que le millet perlé sucré récolté a un stade végétatif présentait 88 % plus de fibre

NDF, 36 % plus de fibre ADF et 36 % plus de protéine brute que l’ensilage de maïs.

En alimentant des vaches en milieu de lactation avec cet ensilage en comparaison

avec de l’ensilage de maïs, ils ont observé une diminution de consommation

volontaire de matière sèche, mais pas de variation significative dans la quantité de

30

lait produite ou la teneur en gras du lait. Par contre, ils ont observé une légère

diminution de la teneur en protéine du lait et de la quantité journalière de protéine

produite. Messman et al., (1992) et Amer et Mustafa (2010) ont trouvé des résultats

similaires, mais avec de l’ensilage de millet perlé régulier en comparaison avec

l’ensilage de maïs.

1.3.1.3.2.2 Ensilage de sorgho sucré

Le sorgho (Sorghum bicolor [L] Moench) est une culture largement utilisée

dans le monde parce qu’il a une grande adaptabilité aux différentes conditions

climatiques et a un rendement et une valeur nutritive comparable avec le maïs

(Bennett et Anex, 2009 ; Qu et al., 2014).

La variété sucrée du sorgho est un fourrage C4 (dos Passos et al., 2015) et

représente une alternative pour la production d’éthanol comme biocombustible (Rolz

et al., 2017) à l’est du Canada (Thivierge et al., 2015). Ce fourrage a besoin de

quantités moindres d’eau et de fertilisants que la production d’ensilage de maïs

(Lubis et Kumagai, 2007 ; Thivierge et al., 2015). Sous ces conditions, le sorgho

sucré peut obtenir un rendement supérieur à celui de l’ensilage de maïs, ce qui en

fait une alternative quand l’ensilage de maïs ne peut avoir son rendement maximum

(Qu et al., 2014 ; Thivierge et al., 2015).

La bagasse résultant de l’extraction d’éthanol peut être ensilée (dos Passos

et al., 2016). Cependant, tout comme le millet perlé sucré, ensiler la totalité du plant

peut être une option intéressante pour nourrir les animaux. L’ensilage de sorgho

sucré présente en général moins de MS que l’ensilage de maïs, mais le contenu de

protéine est souvent plus haut parce que le sorgho sucré présente une plus forte

proportion de feuilles que l’ensilage de maïs (Qu et al., 2014). Par contre, le sorgho

sucré à une concentration de lignine élevée, ce qui réduit la digestibilité de l’ensilage

(Pour et al., 2012).

31

Selon certaines études (Baran et al, 2008 ; Pour et al., 2012), ce fourrage est

une alternative viable à l’ensilage de maïs dans l’alimentation des bovins laitiers.

Amer et al. (2012) ont comparé l’utilisation du sorgho sucré contre l’ensilage de

luzerne pour l’alimentation des vaches en milieu de lactation, avec seulement de

petits ajustements dans la proportion des ingrédients et, donc, sans avoir des rations

isoénergétiques ou protéiques. Ils ont observé une baisse de production laitière,

mais une augmentation de la teneur en gras du lait. Au final, le lait corrigé à 4 % de

gras n’était pas différent.

Les variétés de sorgho sucré qui ont une maturation tardive (par exemple la

variété Hunnigreen) peuvent être récoltées plusieurs fois et réduisent les coûts de

production (Qu et al., 2014). Cependant, en ce qui concerne l’aspect

environnemental, une étude récente (Colombini et al., 2015; Tableau 1.7) a

démontré, dans le contexte italien, que l’utilisation de l’ensilage de sorgho produit

plus de CO2eq kg-1 de lait corrigé pour le gras et la protéine (LCGP) (5,8 % de

l’énergie brute perdue sous forme de CH4) que l’ensilage de maïs au niveau de la

vache ainsi que lors d’une analyse par cycle de vie jusqu’à la limite de la ferme.

Cependant, les simulations de fermentation in vitro (Zhang et al., 2015a ; Zhang et

al., 2016) ont montré que les émissions de CH4 sont moindres avec les ensilages de

luzerne ou de maïs. Les auteurs ont trouvé que l’ensilage de sorgho et de sorgho

sucré ont moins de matière organique digestible en comparaison avec les ensilages

de luzerne et de maïs.

32

Tableau 1. 7. Production CH4 in vitro et production entérique avec l’ensilage de

sorgho et sorgho sucré

Reference Treatment Mesure Unités CH4

entérique Valeur-p

Zhang et al. 2015a

100 % ensilage de luzerne

in vitro mL g-1 de MSz 25,7

<0.001 100 % ensilage de

sorgho sucre In vitro mL g-1 de MS 21,1

Zhang et al. 2016

Ensilage de maïs In vitro mL g-1 de MS 27,8

<0.001 Ensilage de sorgho In vitro mL g-1 de MS 18,8

Ensilage de sorgho sucre

In vitro mL g-1 de MS 23,1

Colombini

et al.

2015

ensilage de maïs Chambre g j-1 332 0.74

ensilage de sorgho Chambre g j-1 340

ensilage de maïs Chambre g kg-1 de CVMS 16,9 0.09

ensilage de sorgho Chambre g kg-1 de CVMS 18,7

ensilage de maïs Chambre g kg-1 LCGP 12,9 0.06

ensilage de sorgho Chambre g kg-1 LCGP 14,2

zMS : matière sèche ; CVMS : consommation de matière sèche ; LCGP :

lait corrigé en gras (4 %) et protéine (3,3 %).

1.3.1.4 Rotation des cultures

Réduire l’impact environnemental et favoriser un rendement maximal par

hectare sont deux objectifs principaux visés dans les systèmes de production

végétale (Smith et al., 2014). Toutefois, les cultures annuelles comme les céréales

représentent 80 % de la production agricole et sont souvent cultivées en systèmes

de monocultures. Ce type de système a un effet négatif sur la biodiversité,

l’écosystème, la qualité de l’eau et sur l’émission de GES (Pimentel et al., 2012).

Une manière de contrebalancer l’impact des monocultures est d’utiliser un

système de rotation des cultures (Pimentel et al., 2012) qui a la possibilité

d’intensifier le rendement des champs et de diminuer l’application de N sur les

champs (Robertson et Grace, 2004 ; Sainju et al., 2014). Au Canada, 73 % des

producteurs utilisent la rotation des cultures (Eilers et al., 2010) dont la production

de plantes fourragères vivaces (comme la luzerne ou le trèfle) en alternance avec

33

les graminées annuelles (comme le maïs ou le blé) est la principale stratégie de

rotation (Lafond et al., 2017).

Environnementalement, les systèmes de rotation des cultures ont la capacité

d’améliorer la séquestration du C dans le sol (Loges et al., 2018). De plus, Feng et

al. (2018) ont observé une diminution de 21 % des émissions de CO2eq (18 et 21 %

des émissions de CH4 et N2O) avec l’utilisation d’un système de rotation de cultures

sans travail du sol par une amélioration des racines et des résidus de culture sur le

sol.

Avec les rotations, la matière organique dans le sol augmente ce qui réduit

les émissions de N2O par l’amélioration du ratio C : N qui peut immobiliser le N

microbien (Chen et al., 2013). Cependant, la décomposition de la matière organique

augmente la consommation de O2 ce qui réduit l’oxydation du CH4 et, ainsi,

augmente les émissions de CH4 (Hütsch, 2001). Par contre, l’ajout de fertilisants

azotés peut diminuer ces émissions en augmentant l’oxydation de CH4 (Baggs et

Blum, 2004).

L’inclusion de légumineuses dans les systèmes de rotation avec les céréales

réduit les émissions de N2O (Ma et al., 2018). La rotation d’une culture annuelle,

comme le maïs, avec une plante pérenne, comme la luzerne, provoque

généralement une réduction de l’émission de GES, grâce à l’augmentation de la

séquestration de C et la diminution des exigences en N (Maas et al., 2013). Par

exemple, Ma et al. (2012) ont observé que le maïs a besoin entre 150 et 200 kg N/ha

dans un système de monoculture et de 100 kg N/ha dans un système de rotation de

culture incluant une légumineuse. Le maïs, dans un système de rotation de cultures,

est capable d’obtenir une quantité considérable de fertilisant (N principalement) de

la culture précédente (Loges et al., 2018).

L’inclusion de rotations pour diminuer les émissions de GES est une bonne

stratégie pour réduire les CO2eq des champs (Maas et al., 2013), mais le flux de

nutriments dans la ferme, l’émission de CH4 (fermentation entérique) et de N2O

34

devraient être évalués (Beauchemin et al., 2010 ; Ma et al., 2018). La rotation peut

réduire les besoins en fertilisation azotée (Sainju et al., 2014), mais la matière

organique laissée sur le sol (les déchets des récoltes et des fertilisations organiques)

peut stimuler l’émission de GES (Dendooven et al., 2012). Ma et al. (2012) ont

d’ailleurs montré que les émissions de GES par hectare peuvent augmenter dans

un système de rotation par rapport à une monoculture de maïs, mais que

globalement le bilan de GES par tonne de grain était meilleur avec la rotation.

1.3.2 Stratégies de réduction du méthane par des modifications à la ration des

vaches laitières

Le CH4 entérique des bovins représente 40 % des émissions de GES du

secteur de l’agriculture (Tubiello et al., 2013). En Amérique du Nord, la production

laitière émet 20 % des émissions de GES sous forme de CH4 entérique (FAO, 2006).

Ces émissions constituent une perte d’énergie pour la vache (Kebreab et al., 2008)

qui va de 2 à 12 % de la consommation d’énergie brute (Johnson et Johnson, 1995)

et qui répercute la production laitière (Haque et al., 2014). Cette perte d’énergie

brute est influencée par la ration avec des pertes de 6,5 à 7,2 % avec un régime à

base de fourrage (IPCC 2006; Kebreab et al., 2008), et de 3 à 4 % avec rations avec

une forte proportion de grains (Ulyatt et al., 2002; IPCC 2006).

Les stratégies d’alimentation (Tableau 1.8), les modificateurs du rumen et

l’augmentation de la productivité des vaches sont les trois principales stratégies pour

diminuer les émissions de CH4 entérique sur les fermes laitières (Knapp et al., 2014).

De ces options, les stratégies d’alimentation sont les plus fréquemment utilisées et

testées sous conditions canadiennes (Beauchemin et al., 2009 ; Benchaar et al.,

2013 ; Hassanat et al., 2013 ; Lettat et al., 2013 ; Hassanat et al., 2014 ; Benchaar

et al., 2015 ; Storlien et al., 2015 ; Hassanat et al., 2017).

35

Tableau 1. 8. Impact sur la production laitière et les émissions de différentes

stratégies d’alimentation pour réduire les émissions de CH4 entérique

Stratégie Référence Ration LCGPz,

kg j-1 CVMS, kg j-1

Émissions de CH4

g j-1 Valeur-p g kg-1 de CVMS

Valeur-p

Amidon

Hassanat et al., 2013

EM0y 31,6 21,7 440

0,71

20,3

<0,01 EM50 32,2 23,0 483 20,7

EM100 30,2 22,8 434 17,7

Bougouin et al., 2018

Fibre 30,2 23,0 470 0,007

20,9 0,02

Amidon 29,1 22,4 408 18,5

Gras

Benchaar et al., 2013

DDGS0 32,1 24,2 495

0,03

20,6

<0,01 DDGS10 34,5 24,6 490 20,1

DDGS20 34,1 24,4 477 19,7

DDGS30 33,7 25,3 475 18,9

Benchaar et al., 2015

TR 35,0 24,3 500

<0,01

20,6

0,03 TRHL 35,6 23,9 453 18,9

EM 34,5 24,3 491 20,1

EMHL 29,4 22,2 362 16,1

Beauchemin et al., 2009

Control 24,2 18,1 293

<0,05

16,3

<0,05

Graine de Tournesol

23,3 18,2 264 14,6

Graine de Lin

23,5 18,0 241 13,4

Grain de Canola

23,7 19,4 265 13,7

z LCGP : lait corrigé en gras (4 %) et protéine (3,3 %) ; CVMS : consommation de

matière sèche; yEM : 0 % d’ensilage de maïs; EM50 : 50 % d’ensilage de maïs; EM100 :

100 % d’ensilage de maïs; DDGS0 : 0 % des drêches de distillerie; DDGS10 : 10 % des

drêches de distillerie; DDGS20 : 20 % des drêches de distillerie; DDGS30 : 30 % des

drêches de distillerie; TR : ensilage de trèfle rouge; TRHL : TR + 4 % d’huile de lin; EM :

ensilage de maïs; EMHL : EM + 4 % d’huile de lin.

1.3.2.1 Type et proportion de fourrage dans la ration

La production de CH4 entérique est directement proportionnelle à la prise

alimentaire (Mills et al., 2001; Beauchemin et al., 2009). Cette dernière est

influencée par la digestibilité de la fibre et le contenu de NDF dans la ration

(Mertens, 2009 ; Harper et al., 2017).

Les vaches qui sont alimentées avec une ration à base de fourrage émettent

plus de CH4 entérique que celles recevant une ration riche en aliments concentrés

36

(Gidlund et al., 2017). En général, les fourrages augmentent la quantité de NDF

digestible, ce qui accroit la fermentation entérique de la fibre et favorise les

émissions de CH4 (Arndt et al., 2015a). Les rations avec un fort contenu en fibres

NDF sont corrélées positivement avec l’émission de CH4 (Ellis et al., 2007; Castelán-

Ortega et al., 2014).

Dans le tableau 1.9 se trouvent différents résultats de production et

d’émission de CH4 avec différents types de fourrages et avec des proportions

différentes dans la ration de vaches laitières. Avec le même supplément, mais avec

différents fourrages, Harper et al. (2017) ont observé que la ration avec la plus haute

quantité de fibre diminue la consommation de matière sèche et la production laitière,

mais augmente les émissions de CH4 en comparaison avec les rations avec une

quantité moindre de NDF. Ces résultats sont similaires à ceux obtenus avec la

variation de la proportion de fourrage dans la ration, qui ont augmenté la quantité de

NDF et les émissions (Patel et al., 2011). Finalement, Gidlund et al. (2017) ont

observé que le type de supplément joue un rôle important dans la consommation de

matière sèche, la production laitière et les émissions de CH4 entérique,

indépendamment de la quantité de NDF dans la ration.

37

Tableau 1. 9. Effet sur la production laitière et les émissions de CH4 de différents types et proportion de fourrages et proportions dans la ration des vaches laitières

Reference Ration LCEz, kg j-1

CVMS, kg j-1

NDF %

Émissions de CH4

g j-1 valeur-p g kg-1 de CVMS

valeur-p

Harper et al. 2017

EMy 36,9 26,7 40,2 495

0,15

18,9

0,32 EBle 36,9 27,1 54,7 488 18,4

ES 35,1 26,0 62,7 523 20,8

Gidlund et al. 2017

TR30 B 28,2 18,3 38,0 455

0,20

24,6

0,05

TR30 L 30,5 19,2 39,0 459 23,9

TR30 M 31,0 20,2 40,2 457 22,9

TR30 H 29,9 20,2 41,1 441 21,8

TR70 B 28,9 18,3 35,2 466 25,3

TR70 L 29,8 19,1 36,1 434 23,0

TR70 M 30,0 19,9 37,1 478 24,1

TR70 H 30,8 19,6 38,5 471 24,6

Patel et al. 2011

500/500 22,5 15,2 29,8 282

0,15

18,6

0,23 700/300 22,2 15,5 34,0 300 20,1

900/100 21,4 15,9 38,2 321 20,7 zLCE : lait corrigé pour l’énergie ; CVMS : consommation de matière sèche ;

NDF : fibre au détergent neutre ; EM : ensilage de maïs ; EBle : ensilage de blé ; ES :

ensilage de sorgho ; TR30 : 30 % d’ensilage de trèfle rouge et 70 % d’ensilage

d’herbe ; TR70 : 70 % d’ensilage de trèfle rouge et 30 % d’ensilage d’herbe ; B :

orge ; L : bas niveau de graine de colza ; M : niveau moyen de graine de colza ; H :

haut niveau de graine de colza ; 500/500 : 50 % d’ensilage d’herbe ; 700/300 : 70 %

d’ensilage d’herbe ; 900/100 : 90 % d’ensilage d’herbe.

Le pourcentage et la qualité de NDF peuvent être modifiés en sélectionnant

des stades de maturation différents des fourrages, ce qui peut modifier les émissions

de CH4 entérique (Boadi et Wittenberg, 2002). La qualité de la fibre des fourrages a

un effet direct sur le taux de passage, le remplissage du rumen et sur la quantité de

matière sèche ingérée (Allen, 2000 ; Mertens, 2009). Par exemple, un fourrage de

haute qualité permet à la vache une prise alimentataire équivalente à 3 % du poids

vif. Au contraire, le pourcentage baisse à 1,5 % avec un fourrage de moins qualité

(Trupa et al., 2015). D’ailleurs, le microbiote produit 10 L de CO2 et 3,5 L de CH4

38

pour chaque 100 gr de cellulose digestible lors de la fermentation de la fibre (Arndt

et al., 2015b ; Trupa et al., 2015).

Le choix des fourrages a un effet sur la quantité de CH4 entérique émis par

les vaches. Quand le fourrage est un ensilage de graminées, la production de CH4

entérique dans le rumen est plus élevée à cause de la teneur en fibres plus hautes

de ce type fourrage (Patel et al., 2011). Par leur contenu moindre en fibres, les

vaches consommant des plantes légumineuses émettent généralement moins de

CH4 entérique (Beauchemin et al., 2008). En plus de la quantité de NDF, la

différence d’émissions entre les graminées et les légumineuses est liée à la

proportion de protéine brute et de glucides dans le fourrage, puisque la fermentation

de la protéine émet de 30 à 50 % moins de CH4 que la fermentation des glucides

structuraux (Gidlund et al., 2017). Par exemple, la substitution de la fléole des prés

par la luzerne permet de diminuer jusqu’à 21 % les émissions de CH4 sur la ferme

(Martin et al., 2009). Ceci serait en partie attribuable à l’augmentation de la prise

alimentaire (Dewhurst et al., 2003a) qui résulte en un taux de passage plus vite dans

le rumen (Dewhurst et al., 2003b). Cependant, ce ne sont pas toutes les

légumineuses qui présentent cet avantage, Gidlund et al. (2017) ont observé que le

trèfle rouge, en comparaison avec le ray-grass, augmente les émissions de CH4

entérique.

Pour diminuer les émissions de CH4 des vaches consommant des diètes à

base de fourrages, la supplémentation avec des aliments concentrés est utilisée.

Comme ces aliments sont plus riches en énergie et en amidon, le pH du rumen est

réduit, ce qui a un effet sur le microbiote (Hernández-Mendo et Leaver 2004) et sur

la production de CH4.

1.3.2.2 L’amidon

L’ajout d’amidon dans la ration cause une diminution de la production de CH4

entérique. Cette diminution de la fermentation entérique est en lien avec la

production d’acides gras volatils et la population des microorganismes du rumen

39

(Bougouin et al., 2018). Le premier effet de l’ajout d’amidon est la modification des

proportions des acides gras volatils dans le rumen. La proportion d’acétate n’est pas

altérée, mais la proportion de propionate dans le rumen augmente et la proportion

du butyrate diminue (Bannink et al., 2006 ; Benchaar et al., 2014 ; Bougouin et al.,

2018). L’augmentation de la proportion de propionate limite la production

d’hydrogène qui peut être utilisé par les populations méthanogènes dans le rumen

(Martin et al., 2010 ; Benchaar et al., 2014). Plus spécifiquement, la proportion

d’acétate par rapport au propionate est réduite lors de la fermentation de l’amidon.

Il s’en suit une diminution de l’émission de CH4 puisque moins d’hydrogène est

produit dans le rumen (Martin et al., 2010).

La population des microorganismes, plus spécifiquement des protozoaires,

diminue avec l’ajout d’amidon dans la ration, ce qui réduit la production et la

proportion du butyrate (Morgavi et al., 2012 ; Hassanat et al., 2013). Aussi, la

diminution de protozoaires est en lien avec la réduction des émissions de CH4, pour

laquelle 47 (Morgavi et al., 2012) à 93 % (Guyader et al., 2014) sont expliquées par

les protozoaires.

Sauvant et Giger-Reverdin (2007) ont trouvé que le lien entre la proportion de

supplément dans la ration est inversement proportionnel à l’émission de CH4

entérique. Par exemple, quand la proportion d’aliments concentrés dans la ration est

de 30 à 40 %, l’énergie perdue sous forme de CH4 est de 6 à 7 % de la

consommation d’énergie brute, alors qu’une proportion d’aliments concentrés de 80

à 90 % résulte en une perte d’énergie sous forme de CH4 de 2 à 3 % de la

consommation d’énergie brute (Lovett et al., 2003; Beauchemin et McGinn, 2005).

De plus, l’ajout d’amidon et de sucres se traduit par la réduction des fibres

alimentaires. Bien que ces dernières soient essentielles, une réduction partielle de

la teneur en fibres de la ration est associée à une augmentation de la prise

alimentaire, à une modification de la fermentation ruminale et à une meilleure

conversion alimentaire (Martin et al., 2009).

40

Une manière d’enrichir les rations des vaches laitières en amidon sans

augmenter la proportion de suppléments est avec l’utilisation de l’ensilage de maïs.

Lettat et al. (2013) ont trouvé que l’ensilage de maïs diminue le pH, la production

d’acétate, la production de butyrate et augmente la production de propionate. Ces

effets réduisent le nombre de protozoaires, car le pH bas et la haute proportion de

propionate produisent un effet toxique sur ces microorganismes qui diminue la

production de H2 dans le rumen et par conséquent réduit la production de CH4.

D’ailleurs, Hassanat et al. (2013) ont trouvé que les vaches, avec une alimentation

riche en amidon et à base d’ensilage de maïs, produisaient plus de protéine dans le

lait sans effet sur la production totale de lait ou de gras en comparaison avec des

rations à base d’ensilage de luzerne. De plus, une haute quantité d’amidon dans la

ration de la vache laitière est parfois associée à une baisse du contenu en gras en

lait, principalement à cause d’une diminution du pH qui réduit la digestibilité du NDF

dans le rumen (Hoover, 1986 ; Hassanat et al., 2013).

1.3.2.3 Supplémentation en gras

Une autre stratégie pour réduire le CH4 entérique est l’ajout de gras dans la

ration (Benchaar et al., 2015). Des expériences (Eugène et al., 2008 ; Hristov et al.,

2014) ont montré que la supplémentation avec du gras diminue la production de CH4

et la prise alimentaire sans avoir d’effet sur la production en lait corrigé à 4 % de

gras.

La supplémentation avec gras peut réduire la production de CH4 entérique de

10 à 25 % ou par 3,8 % pour chaque unité de pourcentage de gras ajouté à la ration

(Beauchemin et al., 2009 ; Martin et al., 2010 ; McGinn et Beauchemin, 2012 ;

Benchaar et al., 2015). Cette diminution est le résultat d’une réduction de la

digestibilité de la matière organique, de la biohydrogénation (Johnson et

Johnson, 1995; Ellis et al., 2007; Beauchemin et al., 2008 ; Beauchemin et al., 2009)

et par un effet toxique des acides gras sur la population méthanogénique du rumen,

spécialement les protozoaires (Benchaar et al., 2015).

41

De plus, l’ajout de gras augmente la densité énergétique de la ration (Allen,

2000), cause une diminution de la prise alimentaire et augmente l’efficience

alimentaire (Hristov et al., 2014; Benchaar et al., 2015). En effet, l’ajout de chaque

unité de pourcentage de gras dans la ration cause une diminution de 0,5 (Benchaar

et al., 2013) à 1 kg de la prise alimentaire (Grainger et Beauchemin, 2011). Le type

d’ingrédient joue un rôle important. Par exemple, les aliments riches en acides gras

polyinsaturés comme l’acide linoléique (C18 : 2 ; graines de soya ou graines de

tournesol) et l’acide linolénique (18:3 ; huile de lin) peuvent réduire les émissions de

CH4 entérique de 4,1 à 4,8 % (Martin et al., 2010), mais les coûts d’utilisation sont

élevés (Benchaar et al., 2013). L’utilisation de sous-produits peut être un moyen

d’ajouter des gras à la ration sans trop augmenter les coûts d’alimentation. Les

drêches de distillerie (DDGS) sont un sous-produit riche en gras (100 ± 34 g kg-1

MS) et en protéine (297 ± 33 g kg-1 MS) selon le NRC (2001). C’est donc un aliment

qui pourrait être une bonne option pour réduire l’émission de CH4 entérique et

augmenter l’efficience de l’utilisation du N (Benchaar et al., 2013).

1.3.2.4 Effet de la lignine

La lignine, qui est un polymère complexe contenant des résidus de

phénylpropane (Wang et al., 2017). C’est la partie indigeste de la fibre NDF qui limite

la digestibilité des glucides structuraux (Niwinska, 2012). Comme conséquence, la

lignine diminue la valeur nutritionnelle des aliments parce que l’association de la

lignine avec d’autres polysaccharides produit une barrière physique qui retarde

l’accès des microorganismes à la paroi cellulaire, ce qui réduit le taux de passage

ruminal, la prise alimentaire et l’apport en énergie (Herrero et al., 2001; Cannas et

al., 2003).

La lignine est la principale source de variation de la digestibilité de la matière

organique de la ration (Jung et al., 1997). En général, la lignine diminue la

fermentation de la fibre qui réduit la production de CH4 dans le rumen (Hindrichsen

et al., 2005). Pourtant, la concentration de lignine est directement proportionnelle à

l’émission de CH4 entérique (Frei, 2013).

42

1.3.3 Gestion du fumier

Le fumier représente le 27 % des émissions de l’empreinte carbone par

kilogramme de LCGP produit à la ferme (Kariyapperuma et al., 2018). Au Canada,

de 14 à 17 % des émissions du secteur de l’agriculture sont le produit de la gestion

du fumier (Environment Canada, 2015; Environment and Climate Change Canada,

2016), donc il représente une opportunité pour diminuer les émissions de GES.

En comparaison avec la forme solide, l’utilisation du fumier liquide, qui est la

principale forme d’utilisation en Amérique du Nord et Europe de l’Ouest (Petersen,

2018), émet de 4 à 20 fois plus CH4 (IPCC, 2006). En général, le lisier est mélange

avec l’urine, l’eau et stocké, qui origine un fumier avec moins de 10 % de matière

sèche (Kariyapperuma et al., 2018). Au Canada, 50 % des fermes laitières utilisent

le fumier liquide (Jayasundara et al., 2016). Au Canada, le fumier est gardé en

fosses de plastique ou béton (53 %), lagunes (39 %) ou réservoirs hors sol (10 %)

(Sheppard et al., 2011). Sous conditions du nord des États-Unis et du Canada, la

capacité de stockage doit être de 180 à 240 jours (USEPA, 2001 ; OMAFRA, 2010)

Le stockage du fumier (liquide et solide) a les conditions aérobiques et

anaérobiques nécessaires pour la production de méthane (CH4) et d’oxyde nitreux

(N2O). Par ailleurs, la fréquence d’utilisation du fumier dans les champs, le contenu

d’N, les conditions climatiques (temperature et précipitation) et le type de sol sont

nécessaires pour estimer les émissions totales associées au fumier sur les fermes

laitières (Petersen, 2018).

Pour mesurer les émissions associées au fumier, la plupart des études

utilisent la méthodologie du IPCC Tier 2 (IPCC, 2006). Cependant, en comparaison

avec la méthodologie de l’IPCC, les émissions de méthane du fumier dans les

structures d’entreprosage sont de 1,7 à 5,1 fois plus élevés (VanderZaag et al.,

2013 ; Baldé et al., 2016). Pour diminuer les émissions de GES du fumier, la

transformation en compost est l’option plus simple pour réduire les émissions avec

une efficacité de 30 (Thompson et al., 2004) à 79 % (Fillingham et al., 2017). Une

43

autre alternative est l’utilisation de digesteurs qui produisent biogaz et réduisent la

production de CH4 (Wang, 2014 ; Aguirre-Villegas et al., 2015) jusqu’à 50 % (Amon

et al., 2006).

1.4 Effets des stratégies de mitigation de gaz à effet serre sur les

fermes laitières

L’efficacité des stratégies pour diminuer les émissions de N2O et CH4 a été

vérifiée dans d’autres études (Beauchemin et al., 2009 ; Volpi et al., 2018).

Cependant les effets de ses stratégies à l’échelle de la ferme laitière ne sont pas

clairs, parce qu’un changement dans la ration ou dans les champs peut avoir un

effet négatif sur les émissions d’autres secteurs de la ferme comme la gestion et

composition du fumier ou l’importation d’aliments ou de fertilisants (Vellinga et

Hoving 2011; Knapp et al., 2014). Pour cette raison, il est pertinent d’utiliser la

modélisation de la ferme dans son ensemble pour estimer l’impact environnemental

et économique global de ces stratégies de mitigation d’émissions de GES (Smith et

al., 2001b ; Schils et al., 2007 ; del Prado et al., 2010).

1.4.1 La ferme laitière dans son ensemble

Les fermes laitières sont des systèmes de production complexes avec des

interactions entre leurs différents composants comme, entre autres, le sol, la

fertilisation, la gestion du fumier, la gestion du troupeau, la gestion de l’alimentation

des animaux et la production de culture (Crosson et al., 2011).

Environnementalement, les émissions de GES des fermes laitières sont influencées

par ces interactions, parmi lesquelles le travail du sol, la fertilisation, le type de

culture, la fermentation entérique, la gestion du fumier, la consommation d’énergie

(fossile et électrique) et le transport sont les principales sources d’émission (Casey

et Holden, 2005 ; Taft et al., 2018).

D’ailleurs, chaque ferme laitière est différente des autres par son type de sol,

la température, le choix des cultures, la disponibilité des aliments, la génétique des

44

vaches et la gestion du fumier (Schils et al., 2007). Pour cette raison, la gestion de

la ferme a plus d’impact que l’intensification pour diminuer les émissions de GES

(Casey et Holden, 2005).

La majorité des stratégies pour réduire les émissions de GES se concentrent

sur un secteur de la ferme (la vache, le champ, le fumier) sans observer l’effet de

ces stratégies sur les autres secteurs de la ferme (Knapp et al., 2014). Cependant,

la mitigation spécifique d’un GES peut influencer de manière positive ou négative

les émissions d’autres gaz dans le même secteur ou dans d’autres secteurs de la

ferme (Smith et al., 2007). Ainsi, les stratégies de réduction des GES doivent inclure

les trois principaux gaz, soit le CO2, le CH4 et le N2O (Musarika et al., 2017).

Les limites des stratégies traditionnelles qui n’observent qu’une composante

spécifique du système de production ont amené au développement de modèles pour

estimer l’impact de ces mêmes stratégies sur toute la ferme laitière (Crosson et al.,

2011). Pour cette raison, observer la ferme dans son ensemble est important pour

évaluer et estimer tous les effets des changements de la gestion dans une

composante de la ferme sur l’ensemble des résultats. De plus, les stratégies de

mitigation des émissions de GES, partant de la sélection des cultures jusqu’à

l’alimentation des vaches et la gestion du fumier, peuvent avoir un impact sur les

résultats économiques de l’entreprise (Chapman et al., 2011; Cela et al., 2015 ;

Rotz, 2018).

La mesure in situ des émissions à la ferme et la mesure de l’impact d’un

changement dans la gestion sont virtuellement impossibles puisque ce serait cher à

réaliser. Pour cette raison, différents modèles ont été développés pour estimer ces

changements (Rotz, 2018). Cependant, les modèles pour simuler les effets des

stratégies de mitigation de GES sur la ferme dans son ensemble sont assez

complexes puisqu’il nécessite, entre autres, l’utilisation de grandes bases de

données, de considérer de nombreuses interactions, d’effectuer une allocation des

émissions, d’estimer la production de GES par sous-secteurs de la ferme (Crosson

et al., 2011 ; Alemu et al., 2017 ; Lynch et al., 2018).

45

Pour interpréter les résultats, la sélection de l’unité fonctionnelle est

importante pour observer l’impact des stratégies de mitigation dans le cycle de

production. En production laitière, l’unité la plus utilisée est kg de gaz kg-1 de lait. Le

gaz peut être des CO2 équivalents, du CH4 ou du N2O, tandis que le lait est

généralement corrigé pour l’énergie, le gras ou le gras et la protéine (Crosson et al.,

2011 ; O’Brian et al., 2015 ; Pellerin et al., 2017). De plus, l’impact économique est

important pour le producteur. Ainsi, une simulation de la ferme dans son ensemble

doit être réalisée pour observer les effets économiques des changements dans un

secteur de la ferme (Janzen et al., 2006; Vadas et al., 2015).

1.4.2 La modélisation

Pour quantifier ou estimer les émissions de GES sur les fermes laitières avec

différents types de gestion et dans des régions différentes, la modélisation est

l’option la plus économique puisqu’elle permet de travailler avec une grande

variation de facteurs et de complexité (Rotz, 2018).

Le type de modélisation le plus facile fonctionne avec des facteurs d’émission

(Rotz, 2018). Un exemple de ce type de modèle est la méthodologie de l’IPCC Tier 1

dans lequel on estime un chiffre moyen d’émission associé à la situation d’une

région en particulier. Par exemple, pour l’Amérique du Nord et l’Amérique latine,

l’IPCC (2006) estime une émission de 128 et 72 kg de CH4 entérique par vache,

respectivement.

La deuxième option de modèle est avec les facteurs d’émission axée sur les

processus (Rotz, 2018). Dans ces derniers, des facteurs sont utilisés pour quantifier

un processus en particulier dans le cycle de production. La méthodologie de l’IPCC

Tier 2 utilise ce type de modélisation, avec, par exemple, une estimation de la

production de CH4 entérique calculée à partir de la consommation d’énergie brute

par les vaches (IPCC, 2006).

Avec l’utilisation de plus de détails, les modèles utilisant les relations

empiriques ou statistiques permettent de considérer l’interaction de plusieurs

46

facteurs pour décrire le processus de production (Rotz, 2018). Dans ce cas, la

programmation linéaire ou non linéaire est utilisée. En effet, comme vu

précédemment, en plus de la consommation d’énergie brute, d’autres facteurs

peuvent avoir un effet sur les émissions de GES et sur la production laitière. Pour

cette raison, la programmation linéaire est un moyen plus facile pour obtenir une

répartition fonctionnelle des ressources de la ferme (Gameiro et al., 2016) et pour

observer son impact environnemental et économique (Castelán-Ortega et al., 2016;

Pellerin et al., 2017).

L’optimisation des ressources est essentielle pour obtenir une productivité

favorisant de bons résultats économiques et environnementaux. Les modèles de

simulation sont des outils permettant de développer des connaissances utiles pour

les producteurs, le secteur de la recherche et celui de l’éducation (Rotz, 2018).

Certains de ces modèles ont été testés en fermes laitières (Zimmermann 2008),

avec comme objectif de se concentrer sur la formulation de ration en considérant ou

non l’impact sur la composition du lait ou le revenu (Mills et al., 2003; IPCC, 2006 ;

Ellis et al., 2007; Ambriz-Vilchis et al., 2009). D’autres études ont utilisé des modèles

de simulation basés sur la combination d’autres modèles. Par exemple, Moraes et

al., (2012) utilisent la combinaison du modèle BASEM (rations à moindre coût), du

modèle TAXM (pour estimer l’impact sur les émissions et sur le coût de la ration) et

du modèle REDM (pour calculer l’impact d’un changement dans la ration sur d’autres

aspects comme les excrétions de N). D’autres modèles, au niveau de la ferme, ont

la capacité d’évaluer en même temps l’impact de stratégies au champ, dans le

troupeau et de modification de la composition de la ration sur les résultats

économiques (Castelán-Ortega et al., 2016) ou économiques et environnementaux

(Pellerin et al., 2017).

Finalement, les modèles de processus mécanistes ont été développés pour

observer les différentes dynamiques dans la production laitière et permettent

d’analyser et prédire l’effet de variation de la gestion sur la ferme (Rotz, 2018).

47

1.4.3 Les modèles de simulation de ferme

Les fermes laitières sont un système complexe avec différentes intéractions

entre ces composantes (Schilis et al., 2007). Ces dernières incluent le type de sol,

la gestion du fumier, la fertilisation, la production d’aliments pour le bétail, la

production de cultures commerciales, l’alimentation du bétail, la gestion du lait

(traite, conservation et vente). Ces systèmes ont aussi un impact environnemental

(Thivierge et al. 2017). Différents modèles ont été développés, comme le modèle

Holos au Canada (Little et al., 2013), Integrated Farm System Model (IFSM) aux

États-Unis (Rotz et al., 2015) ou le modèle Nutrient Cycling : Crops, Livestock,

Environment and Soil (N-CyCLES) au Canada et aux États-Unis (Pellerin et al.,

2017).

Holos est un modèle de simulation de ferme, sous conditions canadiennes,

développé par Agriculture et Agroalimentaire Canada avec comme objectif d’estimer

les émissions de gaz à effet serre sur les fermes. Ce modèle travaille avec trois

principales zones de la ferme : l’alimentation du bétail, la gestion des sols et la

gestion des rotations des cultures. Les gaz qui sont estimés, avec l’utilisation des

équations de l’IPCC (2006) principalement, sont le dioxyde de carbone, l’oxyde

nitreux et le méthane entérique. En plus, ce modèle mesure la séquestration de

dioxyde de carbone non seulement des cultures, mais aussi celle des arbres de la

ferme (Little et al., 2013 ; 2017).

Le modèle IFSM, développé par le service de recherche agricole du

département d’agriculture des États-Unis, est un modèle complexe qui simule la

majorité des interactions physiques et biologiques dans la ferme. Ce modèle utilise

tous les composants de la ferme pour simuler la gestion du sol, la gestion des

cultures (production, perte et les modifications possibles dans la valeur nutritive),

l’alimentation du bétail ; ainsi que l’impact environnemental (émissions de gaz à effet

serre, bilan de N, P, K et C) et l’empreinte de l’eau, de l’azote, de l’énergie et du

carbone (Rotz et al., 2018).

48

Finalement, le modèle N-CyCLES a été développé par une collaboration

entre l’Université Laval au Canada et l’University of Wisconsin-Madison aux États-

Unis. Ce modèle permet de simuler une ferme-type sous les conditions de

l’Amérique du Nord. Il utilise la programmation linéaire pour optimiser les ressources

d’une ferme laitière et maximiser le bénéfice net, ou minimiser le bilan N ou P. Une

optimisation est réalisée pour intégrer de manière optimale les différentes

composantes de la ferme laitière, comme l’alimentation des animaux, la gestion du

fumier, la gestion des champs (sélection des cultures, rotations et fertilisation). Les

simulations permettent d’obtenir des résultats sur le bénéfice net de la ferme, le bilan

de N et P, ainsi que sures émissions totales de GES et leurs allocations (lait, viande

et cultures commerciales ; Pellerin et al., 2017). Ce modèle a été sélectionné pour

ce travail parce qu’il peut être modifié dans tous les secteurs de la ferme (nombre

des animaux, production et composition du lait, rotations des cultures, contraintes

sur les aliments dans la ration et la fertilisation). En plus, l’ajout de fermes dans le

même fichier facilite les simulations similaires dans plusieurs régions.

1.5 Objectifs et hypothèses de recherche

La revue de littérature laisse entrevoir l’impact environnemental, technique et

économique des stratégies de mitigation d’émissions de GES dans la ferme laitière.

Les études présentées démontrent que ces stratégies sont efficaces dans le secteur

étudié, soit lors de la production de cultures, de la fermentation entérique des vaches

ou de la gestion du fumier. Cependant, il est nécessaire d’observer le vrai impact de

ces stratégies sur tous les secteurs de la ferme pour dessiner des stratégies de

mitigation adaptées à la ferme dans sa totalité sans avoir un effet économique ou

technique négatif. Ce travail de recherche vise une meilleure compréhension des

effets des stratégies de réduction de N2O et CH4 entérique sur tous les secteurs de

la ferme laitière. En effet, les projets de cette thèse ont pour objectif d’évaluer

l’impact économique et environnemental de la mise en place de stratégies

d’atténuation des gaz à effet de serre sur une ferme laitière.

49

1.5.1 Premier projet

La fertilisation des cultures est la principale source d’émissions de N2O dans

la ferme laitière et l’ensilage de maïs est le fourrage avec les besoins de N le plus

hauts sur les fermes canadiennes. Ainsi, il serait pertinent de travailler sur des

cultures avec des besoins en fertilisants moindres et avec un potentiel intéressant

pour répondre aux besoins des vaches. Les cultures de millet perlé sucré et de

sorgho sucré présentent des caractéristiques intéressantes qui pourraient se

traduire en un potentiel pour remplacer l’ensilage de maïs sur les fermes laitières.

L’objectif de ce premier projet était donc de simuler l’impact économique et

environnemental (bilan de N et P, et l’émission de GES) de la substitution de

l’ensilage de maïs par l’ensilage de millet perlé sucré ou l’ensilage de sorgho sucré

sur trois fermes laitières types qui représentent les trois principales zones de

production laitière au Canada : les Maritimes, Québec/Ontario et les Prairies.

L’hypothèse était que le millet perlé sucré ou le sorgho sucré peuvent avoir un

impact moindre sur l’environnement grâce à leurs besoins plus faibles en fertilisants

lorsque comparés avec l’ensilage de maïs et ce, sans avoir un effet important sur le

bénéfice net.

1.5.2 Deuxième projet

Les émissions de CH4 entérique sont influencées par des caractéristiques de

la ration et de la vache. En plus, la mesure correcte des émissions est indispensable

pour dessiner les stratégies de mitigation de CH4 entérique. Au Canada, des

expériences ont utilisé la chambre de respiration et sur le terrain c’est principalement

avec la technique de l’IPCC que les émissions de CH4 sont estimées. Cependant le

coût élevé de la première et l’incertitude de l’estimation de la deuxième montrent la

nécessité d’une nouvelle équation pour estimer les émissions de CH4 entérique

prenant en considération plus de facteurs de la ration et des vaches.

L’objectif de ce deuxième projet était donc de développer une équation de

prédiction du CH4 entérique en utilisant les résultats d’expériences en chambres de

50

respiration provenant d’essais d’alimentation réalisés au Canada. L’hypothèse était

qu’il est possible d’améliorer la précision d’une équation pour estimer la production

de CH4 entérique en prenant en considération plus de facteurs animaux et la

composition nutritionnelle de la ration.

1.5.3 Troisième projet

Différentes stratégies alimentaires pour réduire les émissions de CH4

entérique ont été testées en station expérimentale. Les modifications de la

proportion de gras ou d’amidon dans la ration et de la digestibilité des fourrages ont,

entre autres, été testées dans le cadre d’expériences contrôlées.

L’objectif de ce troisième projet était de simuler l’impact économique et

environnemental de l’utilisation de drêches de distillerie, d’huile de lin et d’ensilage

de maïs BMR dans les rations de vaches laitières dans trois différentes fermes

laitières qui représentent les trois principales zones de production laitière au

Canada : les Maritimes, Québec/Ontario et les Prairies. L’hypothèse de cette étude

était que la supplémentation avec des drêches de distillerie ou de l’huile de lin, et

que la substitution de l’ensilage de maïs conventionnel par de l’ensilage de maïs

BMR, ont le potentiel de diminuer les émissions de GES sans avoir un impact

important sur le bénéfice net.

51

Bibliographie de la revue de littérature

Adom, F., Maes, A., Workman, C., Clayton-Nierderman, Z., Thoma, G. et Shonnard, D. 2012. Regional carbon footprint of dairy feeds for milk production in the United States. Int. J. Life Cycle Assess. 17: 520 – 534.

Agriculture et Agroalimentaire Canada. 2016. Indicateur des gaz à effet de serre d’origine agricole. (available at : http://www.agr.gc.ca/fra/science-et-innovation/pratiques-agricoles/changements-climatiques-et-agriculture/indicateur-des-gaz-a-effet-de-serre-d-origine-agricole/?id=1461014704763).

Aguirre-Villegas, H.A., Passos-Fonseca, T.H., Reinemann, D.J., Armentano, L.E., Wattiaux, M.A., Cabrera, V.E., Norman, J.M. et Larson, R. 2015. Green cheese: partial life cycle assessment of greenhouse gas emissions and energy intensity of integrated dairy production and bioenergy systems. J. Dairy Sci. 98: 1571–1592.

Alemu, A.W., Amiro, B.D., Bittman, S., MacDonald, D. et Ominski, K.H., 2017. Greenhouse gas emission of Canadian cow-calf operations: a whole-farm assessment of 295 farms. Agric. Syst. 151: 73 – 83.

Allen, M.S. 2000. Effects of diet on short-term regulation of feed intake by lactating dairy cattle. J. Dairy Sci. 83: 1598 – 1624.

Ambriz-Vilchis, V., Estrada-Flores, J.G., Hernández-Ortega, M., Rojas-Garduño, M.A., Sánchez-Vera, E., Espinoza-Ortega, A. et Castelán-Ortega, O.A. 2009. Development of feeding strategies for cows in small scale dairy farming systems in the highlands of central mexico by a simulating model and on-farm experiments. Phase i: development of a novel framework. In: W. Cao, J.W. White, E. Wang (Eds) crop modeling and decision support. Springer, berlin, Heidelberg. doi: https://doi.org/10.1007/978-3-642-01132-0_25

Amer, S., Seguin, P. et Mustafa, A.F. 2012. Effects of feeding sweet sorghum silage on milk production of lactating dairy cows. J. Dairy Sci. 95: 859 – 863.

Amer. S. et Mustafa. A.F. 2010. Effects of feeding pearl millet silage on milk production of lactating dairy cows. J. Dairy Sci. 93: 5921 – 5925.

Amon, B., Kryvoruchko, V., Amon, T. et Zechmeister-Boltenstern, S. 2006. Methane, nitrous oxide and ammonia emissions during storage and after application of dairy cattle slurry and influence of slurry treatment. Agric. Ecosyst. Environ. 112: 153–162

Appuhamy, J.A.D.R.N., France, J. et Kebreab, E. 2016. Models for predicting enteric methane emissions from dairy cows in North America, Europe, and Australia and new Zealand. Glob. Change Biol. 22: 3039–3056

http://www.agr.gc.ca/fra/science-et-innovation/pratiques-agricoles/changements-climatiques-et-agriculture/indicateur-des-gaz-a-effet-de-serre-d-origine-agricole/?id=1461014704763



52

Arndt, C., Powell, J.M., Aguerre, M.J. et Wattiaux, M.A. 2015a. Performance, digestion, nitrogen balance, and emission of manure ammonia, enteric methane, and carbon dioxide in lactating cows fed diets with varying alfalfa silage-to-corn silage ratios. J. Dairy Sci. 98: 418 – 430.

Arndt, C., Powell, J.M., Aguerre, M.J., Crump, P.M. et Wattiaux, M.A. 2015b. Feed conversion efficiency in dairy cows: repeatability, variation in digestion and metabolism of energy and nitrogen, and ruminal methanogens. J. Dairy Sci. 98: 3938 – 3950.

Arrieta, E.M., Cuchietti, A., Cabrol, D. et González, A.D. 2018. Greenhouse gas emissions and energy efficiencies for soybeans and maize cultivated in different agronomic zones: a case study of Argentina. Sci. Total Environ. 625: 199 – 208.

Asgedom, H. et Kebreab, E. 2011. Beneficial management practices and mitigation of greenhouse gas emissions in the agriculture of the Canadian Prairie: a review. Agronomy Sust. Developm. 31: 433 – 451.

Audsley, E. et Wilkinson, M. 2014. What is the potential for reducing national greenhouse gas emissions from crop and livestock production systems? J. Clean. Prod. 73: 263 – 268.

Baggs, E.M. et Blum, H. 2004. CH4 oxidation and emissions of CH4 and N2O from Lolium perenne swards under elevated atmospheric CO2. Soil Biol. Biochem. 36: 713 – 723.

Bai, M., Suter, H., Lam, S.K., Davies, R., Flesch, T.K. et Chen, D. 2018. Gaseous emissions from an intensive vegetable farm measured with slant-path Ftir Technique. Agric. For. Meteorology. 258: 50 – 55.

Baldé, H., VanderZaag, A.C., Burtt, S., Evans, L., Wagner-Riddle, C., Desjardins, R.L. et MacDonald, J.D. 2016. Measured versus modeled methane emissions from separated liquid dairy manure show large model underestimates. Agriculture. Ecosyst. Environ. 230: 261 – 270.

Baldini, C., Gardoni, D. et Guarino, M. 2017. A critical review of the recent evolution of life cycle assessment applied to milk production. J Cleaner Prod 140: 421 – 435.

Baldocchi, D.D. 2003. Assessing the eddy covariance technique for evaluating carbon dioxide exchange rates of ecosystem: past, present and future. Glob. Chang. Biol. 9: 479-492.

Bannink, A., Kogut, J., Dijkstra, J., France, J., Kebreab, E., van Vuuren, A.M. et Tamminga, S. 2006. Estimation of the stoichiometry of volatile fatty acid production in the rumen of lactating cows. J. Theor. Biol. 238: 36 – 51.

Barlow, J.S., Bernard, J.K. et Mullis, N.A. 2012. Production response to corn silage produced from normal, brown midrib, or waxy corn hybrids. J. Dairy Sci. 95:4550–4555.

53

Baron, V.S., Najda, H.G. et Stevenson, F.C. 2006. Influence of population density, row spacing and hybrid on forage corn yield and nutritive value in a cool-season environment. Can. J. Plant Sci. 86: 1131–1138.

Beauchemin, K.A., Janzen, H.H., Little, S.M., McAllister, T.A. et McGinn, S.M. 2010. Life cycle assessment of greenhouse gas emissions from beef production in western Canada: a case study. Agric. Syst. 103: 371–379.

Beauchemin, K.A., Kreuzer, M., O’mara, F. et McAllister, T.A. 2008. Nutritional management for enteric methane abatement: a review. Aust. J. Exp. Agric. 48: 21–27.

Beauchemin, K.A., McAllister, T.A. et Mcginn, S.M. 2009. Dietary mitigation of enteric methane from cattle. Cab Reviews: Perspectives In: Agriculture, Veterinary Science, Nutrition And Natural Resources. 4: 1 – 18.

Bell, M.J., Saunders, N., Wilcox, R.H., Homer, E.M., Goodman, J.R., Craigon, J. et Garnsworthy, P.C. 2014. Methane emissions among individual dairy cows during milking quantified by eructation peaks or ratio with carbon dioxide. J. Dairy Sci. 97: 6536 – 6546.

Benchaar, C., Hassanat, F., Gervais, R., Chouinard, P.Y., Julien, C., Petit, H.V. et Massé, D.I. 2013. Effects of increasing amounts of corn dried distillers grains with solubles in dairy cow diets on methane production, ruminal fermentation, digestion, N balance, and milk production. J. Dairy Sci. 96, 2413 – 2427.

Benchaar, C., Hassanat, F., Gervais, R., Chouinard, P.Y., Petit, H.V. et Massé, D.I. 2014. Methane production, digestion, ruminal fermentation, nitrogen balance, and milk production of cows fed corn silage- or barley silage-based diets. J. Dairy Sci.97, 961 – 974.

Benchaar, C., Hassanat, F., Martineau, R. et Gervais, R. 2015. Linseed oil supplementation to dairy cows fed diets based on red clover silage or corn silage: effects on methane production, rumen fermentation, nutrient digestibility, n balance, and milk production. J. Dairy Sci. 98, 7993 – 8008.

Bennett, A.S. et Anex, R.P. 2009. Production. transportation and milling costs of sweet sorghum as a feedstock for centralized bioethanol production in the upper Midwest. Bioresour Technol. 100:1595 – 607.

Boadi, D.A. et Wittenber, K.M., 2002. Methane production from dairy and beef heifers fed forages differing in nutrient density using the sulphur hexafluoride (sf6) tracer gas technique. Can. J. Anim. Sci. 82 : 201 – 206.

Bouchard, A., Vanasse, A., Seguin, P. et Bélanger, G. 2011. Yield and composition of sweet pearl millet as affected by row spacing and seeding rate. Agron. J. 103: 995 – 1001

54

Bougouin, A., Ferlay, A., Doreau, M. et Martin, C. 2018. Effects of carbohydrate type or bicarbonate addition to grass silagebased diets on enteric methane emissions and milk fatty acid composition in dairy cows. J.Dairy Sci. 101: 6085 – 6097.

Brisson, J. 2008. Les grains, les céréales, les protéagineuses et les Oléagineux. Pp 1123 – 1149. In: Les Bovins Laitiers. Collectif d’auteurs. Craaq, Québec, Qc, Canada.

Brunette, T., Baurhoo, B. et Mustafa, A.F. 2014. Replacing corn silage with different forage millet silage cultivars: effects on milk yield, nutrient digestion, and ruminal fermentation of lactating dairy cows. J. Dairy Sci.97, 6440 – 6449.

Brunette, T., Baurhoo, B. et Mustafa, A.F. 2016. Effects of replacing grass silage with forage pearl millet silage on milk yield, nutrient digestion and ruminal fermentation of lactating dairy cows. J. Dairy Sci. 99: 269 – 279.

Butler, T.J., Han, K.J., Muir, J.P., Weindorf, D.C. et Lastly, L. 2008. Dairy manure compost effects on corn silage production and soil properties. Agron. J. 100: 1541 – 1545.

Camargo, G.G.T., Ryan, M.R. et Richard, T.I. 2013. Energy use and greenhouse gas emissions from crop production using the farm energy analysis tool. Biosci 63: 263 – 273.

Cannas, A., Van Soest, P.J. et Pell, A.N. 2003. Use of animal and dietary information to predict rumen turnover. Anim. Feed Sci. Technol. 106: 95 – 117.

Casey, J.W. et Holden, N.M., 2005. The relationship between greenhouse gas emissions and the intensity of milk production in Ireland. J. Environ. Qual. 34: 429–436.

Castelán-Ortega, O.A., Ku-Vera, J.C.C. et Estrada-Flores J.G. 2014. Modeling methane emissions and methane inventories for cattle production systems in mexico. Atmósfera. 27: 185-191.

Castelán-Ortega, O.A., Martínez-García, C.G., Mould, F.L., Dorward, P., Rehman, T. et Rayas-Amor, A.A. 2016. Optimal management of on-farm resources in small-scale dairy systems of central mexico: model development and evaluation. Trop. Anim. Health. Prod. 48: 951 – 958.

Cela, S., Ketterings, Q.M., Czymmek, K., Soberon, M. et Rasmussen, C. 2015. Long-term trends of nitrogen and phosphorus mass balances on new york state dairy farms. J. Dairy Sci. 98:7052 – 7070.

Chadwick, D.R., Cardenas, L., Misselbrook, T.H., Smith, K.A., Rees, R.M., Watson, C. J., McGeogh, K.L., Williams, J.R., Cloy, J.M., Thorman, R.E. et Dhanoa, M.S. 2014. Optimizing chamber methods for measuring nitrous oxide emissions from plot-based agricultural experiments. European J. Soil Sci., 65: 295 – 307.

55

Chapman, D.F., Kenny, S.N. et Lane, N. 2011. Pasture and forage crop systems for non-irrigated dairy farms in Southern Australia: 3. Estimated economic value of additional home-grown feed. Agric. Sys. 104: 589 – 599.

Chen, H., Li, X., Hu, F. et Shi, W. 2013. Soil nitrous oxide emissions following crop residue

addition: a meta-analysis. Global Change Biol. 19: 2956 – 2964.

Colombini, S., Zucali, M., Rapetti, L., Crovetto, G.M., Sandrucci, A. et Bava, L. 2015. Substitution of corn silage with sorghum silages in lactating cow diets: in vivo methane emission and global warming potential of milk production. Agric. Sys. 136, 106 – 113.

Costello, C., Griffin, W.M., Landis, A.E. et Matthews, H.S. 2009. Impact of biofuel crop production on the formation of hypoxia in the gulf of mexico. Environ. Sci. Technol. 43: 7985 – 7991.

Crosson, P., Shalloo, L., O’ Brien, D., Lanigan, G.J., Foley, P.A., Boland, T.M. et Kenny, D.A. 2011. A review of whole farm systems models of greenhouse gas emissions from beef and dairy cattle production systems. Anim. Feed Sci. Tech. 166: 29 – 45.

Dalgaard, R., Schmidt, J. et Flysjo, A. 2014. Generic model for calculating carbon footprint of milk using four diferent life cycle assessment modelling approaches. J Cleaner Prod 73: 146 – 153.

Dattamudi, S., Wang, J.J., Dodla, S.K., Arceneaux, A. et Viator, H.P. 2016. Effect of nitrogen fertilization and residue management practices on ammonia emissions from subtropical sugarcane production. Atmos. Environ. 139: 122–130.

del Grosso, S.J., Parton, W.J., Mosier, A.R., Ojima, D.S., Kulmala, A.E. et Phongpan, S. 2000. General model for N2O and N2 gas emissions from soils due to denitrification. Global Biogeochem. Cycles 14: 1045‐1060.

del Prado, A., Chadwick, D., Cardenas, L., Misselbrook, T., Scholefield, D. et Merino, P. 2010. Exploring systems responses to mitigation of GHG in UK dairy farms. Agric. Ecosyst. Environ. 136: 318–332.

Dendooven, L., Gutiérrez-Oliva, V.F., Patió-Zuñiga, L., Ramírez-Villanueva, D.A., Verhulst, N., Luna-Guido, M., Marsch, R., Montes-Molina, J., Gutiérrez-Miceli, F.A., Vásquez-Murrieta, S. et Govaerts, B. 2012. Greenhouse gas emissions under conservation agriculture compared to traditional cultivation of maize in the central highlands of Mexico. Sci. Total Environ. 431: 237 – 244.

Desjardins, R.L., Smith, W., Grant, B., Campbell, C. et Riznek, R. 2005a. Management strategies to sequester carbon in agricultural soils and to mitigate greenhouse gas emissions. Clim. Change 70: 283e297

56

Desjardins, Vergé X., Hutchinson, J., Smith, W., Grant, B., Mcconkey, B. et Worth, D. 2005b. Greenhouse gases. Pages 142 – 148. In A. Lefebvre, W. Eilers, And B. Chunn, Eds. Environmental sustainability of canadian agriculture: agrienvironmental indicator report series. Report #2. Environment Team, Agriculture And Agri-Food Canada, Ottawa, On.

Dewhurst, R.J., Evans, R.T., Scollan, N.D., Moorby, J.M., Merry, R.J. et Wilkins, R.J., 2003b. Comparison of grass and legume silages for milk production. 2. In vivo and in sacco evaluations of rumen function. J. Dairy Sci. 86: 2612 – 2621.

Dewhurst, R.J., Fisher, W.J., Tweed, J.K.S. et Wilkins, R.J. 2003a. Comparison of grass and legume silages for milk production. 1. Production responses with different levels of concentrate. J. Dairy Sci. 86, 2598 – 2611.

di Marco, O.N., Ressia, M.A., Arias, S., Aello, M.S. et Arzadún, M. 2009. Digestibility of forages silages from grain, sweet and bmr sorghum types: Comparison of in vivo, in situ and in vitro data. Anim. Feed Sci. Technol. 153: 161 – 168.

Dorich, C.D., Varner, R.K., Pereira, A.B.D., Martineau, R., Soder, K.J. et Brito, A.F. 2015. Use of a portable automated open-circuit gasquantification system and the sulfur hexafluoride tracer technique for measuring enteric methane emissions in Holstein cows fed ad libitum or restricted. J. Dairy Sci. 98: 1 – 6.

Dorodnikov, M., Blagodatskaya, E., Blagodatsky, S., Marhan, S., Fangmeier, A. et Kuzyakov, Y. 2009. Stimulation of microbial extracellular enzyme activities byelevated CO2depends on soil aggregate size. Glob. Change Biol. 15: 1603 – 1614.

dos Passos A.B., Tremblay, G.F., Bélanger, G., Brégard, A., Seguin, P. et Vanasse, A. 2015. Sugar yield of sweet pearl millet and sweet sorghum as influenced by harvest dates and delays between biomass chopping and pressing. Bioenergy Res. 8: 100 – 108.

dos Passos, A.B., Tremblay, G.F., Bélanger, G., Seguin, P., Brégard, A. et Vanasse, A. 2016. Bagasse silage from sweet pearl millet and sweet sorghum as influenced by harvest dates and delays between biomass chopping and pressing. Bioenergy Res. 9: 88 – 97.

Dutreuil, M., Wattiaux, M. Hardle, C.A. et Cabrera, V.E. 2014. Feeding strategies and manure management for cost-effective mitigation of greenhouse gas emissions from dairy farms in wisconsin. J. Dairy Sci. 97: 1 – 14.

Eilers, W., Mackay, R., Graham, L. et Lefebvre, A. 2010. L’agriculture -écologiquement durable au Canada : série sur les indicateurs agroenvironnementaux - Rapport N° 3. Agriculture et Agroalimentaire Canada, Ottawa (Ontario).

57

Ellis, J.L., Kebreab, E., Odongo, N.E., McBride, B.W., Okine, E.K. et France, J. 2007. Prediction of methane production from dairy and beef cattle. J. Dairy Sci. 90: 3456-3467.

Environment and Climate Change Canada (ECCC). 2018. National inventory report 1990 – 2016: greenhouse gas sources and sinks in canada. Canada’s submission to the united nations framework convention on climate change. Executive Summary. Canada. (Available At: Https://Www.Canada.Ca/Content/Dam/Eccc/Documents/Pdf/Climate-Change/Emissions-Inventories-Reporting/Nir-Executive-Summary/National%20inventory%20report%20executive%20summary%202018.Pdf).

Environment and Climate Change Canada,, 2016. 1990-2014: Greenhouse Gas Sources and Sinks in Canada. Natl. Invent. Rep.

Environment Canada, 2015. National Inventory Report: 1990–2013 − Greenhouse Gas Sources and Sinks in Canada.

Eugène, M., Massé, D., Chiquette, J. et Benchaar, C. 2008. Meta-analysis on the effects of lipid supplementation on methane production in lactating dairy cows. Can. J. Anim. Sci. 88: 331 – 334.

FAOSTAT, 2017. Faostat Database. Food and agriculture organization of the United Nations, Rome, Italy (Available At: Http://Www.Fao.Org/Faostat).

Feng, J., Li, F., Zhou, X., Xu, C., Ji, L., Chen, Z. et Fang, F. 2018. Impact of agronomy practices on the effects of reduced tillage systems on CH4 and N2O emissions from agricultural fields: a global meta-analysis. PLoS One. 13: e0196703

Ferraretto, L.F. et Shaver, R.D. 2015. Effects of whole-plant corn silage hybrid type on intake, digestion, ruminal fermentation, and lactation performance by dairy cows through a meta-analysis. J. Dairy Sci. 98: 2662 – 2675.

Fillingham, M.A., VanderZaag, A.C., Burtt, S., Baldé, H., Ngwabie, M., Smith, W., Hakami, A., Wagner-Riddle, C., Bittman, S. et MacDonald, D. 2017. Greenhouse gas and ammonia emissions from production of compost bedding on a dairy farm. Waste Manag. 45 – 52.

Flynn, H. C. et Smith, P. 2010. Greenhouse gas budgets of crop production – Current and likely future trends first ed.

Food and Agriculture Organization of the United Nations (FAO). 2017. Food Outlook: Biannual Report on Global Food Market. Food and Agriculture Organization, Rome Available at:. http://www.fao.org/3/a-i6198e.pdf, Accessed date: 9 September 2017.

https://www.canada.ca/Content/Dam/Eccc/Documents/Pdf/Climate-Change/Emissions-Inventories-Reporting/Nir-Executive-Summary/National%20inventory%20report%20executive%20summary%202018.Pdf




http://www.fao.org/faostat

http://www.fao.org/3/a-i6198e.pdf

58

Food and Agriculture Organization of the United Nations (FAO). 2006. Livestock’s long shadow: environmental issues and options. Food and Agricultural Organization, Rome.

Food and Agriculture Organization of the United Nations (FAO). 2010. Greenhouse gas emission from the dairy sector: a life cycle assessment. Food and Agriculture Organization of the United Nations, Rome.

Food and Agriculture Organization of the United Nations (FAO). 2009. La larga sombra del ganado: problemas ambientales y opciones. FAO Roma, Italia.

Food and Agriculture Organization of the United Nations (FAO). 2014. Greenhouse gas emissions from agriculture, forestry and other land use. FAO, Rome, Italy..

Food and Agriculture Organization of the United Nations (FAO). 2017. Global Livestock Environmental Assessment Model (Gleam). Rome, Italy (Available At www.fao.org/gleam/en/).

Forster, P., Ramaswamy, V., Artaxo, P., Berntsen, T., Betts, R., Fahey, D.W., Haywood, J., Lean, Lowe, D.C., Myhre, G., Nganga, J., Prinn, R., Raga, G., Schulz, M. et Van Dorland, R. 2007. Changes in atmospheric constituents and in radiative forcing. In: Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M., Miller, H.L. (Eds.), Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change (IPCC). Cambridge University Press, Cambridge, pp. 129–234.

Frei, M. 2013. Lignin: characterization of a multifaceted crop component. Sci. World J. 1 – 25

Gameiro, A.H., Rocco, C.D. et Caixeta Filho, J.V. 2016. Linear programming in the economic estimate of livestock-crop integration: application to a brazilian dairy farm. R. Bras. Zootec. 45: 181 – 189.

Gan, Y., Liang, C., Hamel, C., Cutforth, H. et Wang, H. 2011. Strategies for reducing the carbon footprint of field crops for semiarid areas. A review. Agron Sustain Dev. 31: 643 – 56.

Garnsworthy, P.C., Craigon, J., Hernandez-Medrano, J.H. et Saunders, N. 2012. On-farm methane measurements during milking correlate with total methane production by individual dairy cows. J. Dairy Sci. 95:3166–3180.

Garrett, W.M. et Worker, G.F. 1965. Comparative feeding value of silage made from sweet and dual purpose varieties of sorghum. J. Anita. Sci. 24: 782—785

Gidlund, H., Hetta, M. et Huhtanen, P. 2017. Milk production and methane emissions from dairy cows fed a low or high proportion of red clover silage and an incremental level of rapeseed expeller. Livest. Sci. 197: 73 – 81.

59

Gilsanz, C., Báez, D., Misselbrook, T.H., Dhanoa, M.S. et Cárdenas, L.M., 2016. Development of emission factors and efficiency of two nitrification inhibitors, DCD and DMPP. Agric. Ecosyst. Environ. 216: 1 – 8.

Gouvernment of Canada. 2018. Canadian Dairy Information Centre. (Available At: http://aimis-simia-cdic-ccil.agr.gc.ca/rp/index-eng.cfm?action=pr&pdctc=&r=234).

Grainger, C. et K. A. Beauchemin. 2011. Can enteric methane emissions from ruminants be lowered without lowering their production? Anim. Feed Sci. Technol. 166–167:308–320.

Grainger, C., Clarke, T., Mcginn, S.M., Auldist, M.J., Beauchemin, K.A., Hannah, M.C., Waghorn, G.C., Clark, H. et Eckard, R.J. 2007. Methane emissions from dairy cows measured using the sulfur hexafluoride (SF6) tracer and chamber techniques. J. Dairy Sci. 90: 2755–2766.

Grant, B., Smith, W.N., Desjardins, R., Lemkc, R. et Li, C. 2004. Estimated N2O and CO2 emissions as influenced by agricultural practices in Canada. Clim. Change. 65 : 315 – 332.

Greenfeed System. 2015. Greenfeed System, C-Lock Inc. Https://Www.C-Lockinc.Com/Shop/Automated-Emissions-Measurement/Greenfeed-Large-Animals/ [Oct 20 18]

Guyader, J., Little, S., Kröbel, R., Benchaar, C. et Beauchemin, K.A. 2017. Comparison of greenhouse gas emissions from corn- and barley-based dairy production systems in Eastern Canada. Agric. Sys. 152: 38 – 46.

Hammond, K.J., Crompton, L.A., Bannink, A., Dijkstra, J., Yanez-Ruiz, D.R., O‘Kiely, P., Kebreab, E., Eugene, M.A., Yu, Z., Shingfield, K.J., Schwarm, A., Hristov, A.N. et Reynolds, C.K. 2016. Review of current in vivo measurement techniques for quantifying enteric methane emission from ruminants. Anim. Feed Sci. Technol. 219: 13 – 30.

Hammond, K.J., Pacheco, D., Burke, J.L., Koolaard, J.P. et Waghorn, G.C. 2014. The effects of fresh forages and feed intake level on digesta kinetics and enteric methane emissions from sheep. Anim. Feed Sci. Technol.193, 32–43

Haque, M.N., Cornou, C. et Madsen, J. 2014. Estimation of methane emission using the co2 method from dairy cows fed concentrate with different carbohydrate compositions in automatic milking system. Livestock Science, 164: 57–66.

Harper, T.M., Giallongo, F., Roth, G.W. et Hristov, A.N. 2017. Inclusion of wheat and triticale silage in the diet of lactating dairy cow. J. Dairy Sci. 100: 1–13.

Hassanat, F., Gervais, R. et Benchaar, C. 2017. Methane production, ruminal fermentation characteristics, nutrient digestibility, nitrogen excretion and milk

http://aimis-simia-cdic-ccil.agr.gc.ca/rp/index-eng.cfm?action=pr&pdctc=&r=234

https://www.c-lockinc.com/shop/automated-emissions-measurement/greenfeed-large-animals/



60

production of dairy cows fed conventional or brown midrib corn silage. J. Dairy Sci. 100: 2625 – 2636.

Hassanat, F., Gervais, R., Julien, C., Massé, D.I., Lettat, A., Chouinard, P.Y., Petit, H.V. et Benchaar C, 2013. Replacing alfalfa silage with corn silage in dairy cow diets: effects on enteric methane production, ruminal fermentation, digestion, n balance, and milk production. J. Dairy Sci.96, 4553 – 4567.

Hassanat, F., Gervais, R., Massé, D.I., Petit, H.V. et Benchaar, C. 2014. Methane production, nutrient digestion, ruminal fermentation, n balance, and milk production of cows fed timothy silage- or alfalfa silage-based diets. J. Dairy Sci.97, 6463 – 6474.

Hellwing, A.L.F., Lund, P., Weisbjerg, M.R., Brask, M. et Hvelplund, T. 2012. Technical note: test of a low-cost and animal-friendly system for measuring methane emissions from dairy cows. J. Dairy Sci. 95: 6077–6085.

Hernández-Mendo, O. et Leaver, J.D. 2004. Effect of replacing time available for grazing with time available for eating maize silage and soybean meal on milk yield and feeding behaviour in dairy cows. Grass Forage Sci. 59: 318–330.

Herrero, M., do Valle, C.B., Hughes, N.R.G., de Sabatel, V.O. et Jessop, N.S. 2001. Measurements of physical strength and their relationship to the chemical composition of four species of brachiaria. Anim. Feed Sci. Technol. 92: 149–158.

Hindrichsen, I.K., Wettstein, H. R., Machmüller, A., Jörg, B. et Kreuzer, M. 2005. Effect of the carbohydrate composition of feed concentrates on methane emission from dairy cows and their slurry. Environ. Monit. Assess. 107:329–350.

Hippenstiel, F., Pries, M., Buscher, W. et Sudekum, K.H. 2013. Comparative evaluation of equations predicting methane production of dairy cattle from feed characteristics. Arch. Anim. Nutr. 67:, 279–288.

Hoover, W.H. 1986. Chemical factors involved in ruminal fiber digestion. J. Dairy Sci. 69: 2755 – 2766.

Hristov, A.N., Oh, J., Firkins, J.L., Dijkstra, J., Kebreab, E., Waghorn, G., Makkar, H.P.S., Adesogan, A.T., Yang, W., Lee, C., Gerber, P.J., Henderson, B. et Tricarico, J.M. 2014. Mitigation of methane and nitrous oxide emissions from animal operations: i. A review of enteric methane mitigation options. J. Anim. Sci. 91, 5045 – 5069.

Hristov, A.N., Oh, J., Firkins, J.L., Dijkstra, J., Kebreab, E., Waghorn, G., Makkar, H.P.S., Adesogan, A.T., Yang, W., Lee, C., Gerber, P.J., Henderson, B. et Tricarico, J.M. 2013. Mitigation of methane and nitrous oxide emissions from animal operations: i. A review of enteric methane mitigation options. J. Anim. Sci. 91: 5045 – 5069.

61

Hristov, A.N., Oh, J., Giallongo, F., Frederick, T., Harper, M.T., Weeks, H., Branco, A.F., Price, W.J., Moate, P.J., Deighton, M.H., Williams, S.R.O., Kindermann, M. et Duval, S. 2016. Comparison between the GreenFeed system and the sulfur hexafluoride tracer technique for measuring enteric methaneemissions from dairy cows. J. Dairy Sci. 99: 5461 - 5465.

Hristov, A.N., Oh, J., Giallongo, F., Frederick, T., Weeks, H., Zimmerman, P.R., Hristova, R.A., Zimmerman, S.R. et Branco, A.F. 2015. The use of an automated system (greenfeed) to monitor enteric methane and carbon dioxide emissions from ruminant animals. J. Vis. Exp. 103: E52904.

Huérfano, X., Fuertes-Mendizábal, T., Fernández-Diez, K., Estavillo, J.M., González-Murua, C. et Menéndez, S. 2016. The new nitrification inhibitor 3,4 dimethylpyrazole succinic (DMPSA) as an alternative to DMPP for reducing N2O emissions from wheat crops under humid Mediterranean conditions. Eur. J. Agron. 80:78–87

Huhtanen, P., Cabezas-Garcia, E.H., Utsumi, S. et Zimmerman, S. 2015. Comparison of methods to determine methane emissions from dairy cows in farm conditions. J. Dairy Sci. 98: 3394-3409.

Hutchinson, J.J., Campbell, C.A. et Desjardins, R.L. 2007. Some perspectives on carbon sequestration in agriculture. Agric. For. Meteorol. 142: 288 – 302.

Hütsch, B.W. 2001. Methane oxidation in non-flooded soils as affected by crop production,

Eur. J. Agron. 14: 237 – 260.

IDF 2015. A common carbon footprint approach for the dairy sector: the IDF guide to standard life cycle assessment methodology. Available at: https://www.fil-idf.org/wp-content/uploads/2016/09/Bulletin479-2015_A-common-carbon-footprint-approach-for-the-dairy-sector.CAT.pdf

Intergovernmental Panel On Climate Change (IPCC). 2006. IPCC guidelines for national greenhouse gas inventories. Vol. 4: agricultural, forestry and other land use. Chapter 10: emissions from livestock and manure management. Iges, Kanagawa, Japan.

Intergovernmental Panel On Climate Change (IPCC). 2007. Cambio climático 2007: informe de síntesis. [equipo de redacción principal: pachauri r.k. y reisinger, a. (directores de la publicación)]. Intergovernmental Panel On Climate Change, Ginebra, Suiza, 104 Págs.

Intergovernmental Panel On Climate Change (IPCC). 2014. Climate change 2014: mitigation of climate change. Contribution of working group III to the fifth assessment report of the intergovernmental panel on climate change Cambridge University Press, Cambridge, United Kingdom And New York, Ny, Usa.

https://www.fil-idf.org/wp-content/uploads/2016/09/Bulletin479-2015_A-common-carbon-footprint-approach-for-the-dairy-sector.CAT.pdf



62

International Dairy Federation (IDF). 2017. Bulletin of the international dairy federation 489/2017. Available https://Store.Fil-Idf.Org/Wp-Content/Uploads/2017/10/2017wdss-Preview.Pdf [2018 Jan. 24].

Janssen, P.H. 2010. Influence of hydrogen on rumen methane formation and fermentation balances through microbial growth kinetics and fermentation thermodynamics. Anim. Feed Sci. Technol. 160: 1 – 22.

Janssen, S. et Van Ittersum, M.K. 2007. Assessing farm innovations and responses to policies: a review of bio-economic farm models. Agric. Sys. 94: 622–636.

Janzen, H.H., Angers, D.A., Boehm, M., Bolinder, M., Desjardins, R.L., Dyer, J.A., Ellert, B.H., Gibb, D.J., Gregorich, E.G., Helgason, B.L., Lemke, R., Massé, D., Mcginn, S.M., Mcallister, T.A., Newlands, N., Pattey, E., Rochette, P., Smith, W., Vandenbygaart, A.J. et Wang, H. 2006. A proposed approach to estimate and reduce net greenhouse gas emissions from whole farms. Can. J. Soil. Sci. 86: 401 – 418.

Jayasundara, S. et Wagner-Riddle, C. 2014. Greenhouse gas emissions intensity of Ontario milk production in 2011 compared with 1991. Can J Anim Sci 94: 155 – 173.

Jayasundara, S., Appuhamy, J.A.D.R.N., Kebreab, E. et Wagner-Riddle, C. 2016. Methane and nitrous oxide emissions from Canadian dairy farms and mitigation options: an updated review. Can. J. Anim. Sci. 96: 306–331.

Johnson, K.A. et Johnson, D.E. 1995. Methane emissions from cattle. J. Anim. Sci. 73: 2483 – 2492.

Juarena, G., Cantet, J.M., Arroquy, J.I., Palladino, R.A., Wawrzkiewicz, M. et Colombatto, D. 2015. Prediction of the Ym factor for livestock from on-farm accessible data. Livest. Sci. 177: 52 – 62.

Jung, H.G., Mertens, D.R. et Payne, A.J. 1997. Correlation of acid detergent lignin and klason lignin with digestibility of forage dry matter and neutral detergent fiber. J. Dairy Sci. 80: 1622–1628

Kariyapperuma, K.A., Johannesson, G., Maldaner, L., VanderZaag, A., Gordon, R. et Wagner-Riddle, C. 2018. Year-round methane emissions from liquid dairy manure in a cold climate reveal hysteretic pattern. Agric. For. Meteorol. 258: 56 – 65.

Kebreab, E., Johnson, K.A., Archibeque, S.L., Pape, D. et Wirth, T. 2008. Model for estimating enteric methane emissions from united states dairy and feedlot cattle. J. Anim. Sci. 86: 2738 – 22748.

Knapp, J.R., Laur, G.L., Vadas, P.A., Weiss, W.P. et Tricarico, J.M. 2014. Invited review: enteric methane in dairy cattle production: quantifying the opportunities and impact of reducing emissions. J. Dairy Sci. 97:3231–3261

https://store.fil-idf.org/Wp-Content/Uploads/2017/10/2017wdss-Preview.Pdf

https://store.fil-idf.org/Wp-Content/Uploads/2017/10/2017wdss-Preview.Pdf

63

Krauss, M., Ruser, R., Müller, T., Hansen, S., Mäder, P. et Gattinger, A. 2017. Impact of reduced tillage on greenhouse gas emissions and soil carbon stocks in an organic grass-clover ley - winter wheat cropping sequence. Agric. Ecosyst. Environ. 239: 324 – 333.

Lafond, J., Angers, D.A., Pageau, D. et Lajeunesse, J. 2017. Sustainable cereal and forage production in dairy-based cropping systems. Can. J. Plant Sci. 97: 473–485.

Lassen, J., Lovendahl, P. et Madsen, J. 2012. Accuracy of noninvasive breath methane measurements using fourier transform infrared methods on individual cows. J. Dairy Sci. 95:890–898

Leblanc, V., Vanasse, A., Bélanger, G. et Seguin, P. 2012. Sweet pearl millet yields and nutritive value as influenced by fertilization and harvest dates. Agron J 104: 542 – 549.

Lettat, A., Hassanat, F. et Benchaar, C. 2013. Corn silage in dairy cow diets to reduce ruminal methanogenesis: effects on the rumen metabolically active microbial communities. J. Dairy Sci.96, 5237 – 5248.

Loges, R., Bunne, I., Reinsch, T., Malisch, C., Kluß, C., Herrmann, A. et Taube, F., 2018. Forage production in rotational systems generates similar yields compared to maize monocultures but improves soil carbon stocks. Eur. J. Agron. 97: 11 – 19.

Lovett, D., Lovell, S., Stack, L., Callan, J., Finlay, M., Conolly, J. et O’mara, F.P. 2003. Effect of forage/concentrate ratio and dietary coconut oil level on methane output and performance of finishing beef heifers. Livest. Prod. Sci. 84, 1-12.

Lubis, A.A. et Kumangaj, H. 2007. Comparative study on yield and chemical composition of maize (zea mays l.) And sorghum (sorghum bicolor moench) using different levels of manure application. Anim. Sci. J. 78: 605 – 612.

Lynch, J., Skirvin, D., Wilson, P., et Ramsden, S. 2018. Integrating the economic and environmental performance of agricultural systems: A demonstration using Farm Business Survey data and Farmscoper. Sci. Total Environ. 628–629: 938 – 946.

Ma, B.L., Liang, B.C., Biswas, D.K., Morrison, M.J. et McLaughlin, N.B. 2012. The carbon footprint of maize production as affected by nitrogen fertilizer and maize-legume rotations. Nutr. Cycl. Agroecosys. 94: 15 – 31.

Ma, Y., Schwenke, G., Sun, L., Liu, D.L., Wang, B. et Yang, B. 2018. Modeling the impact of crop rotation with legume on nitrous oxide emissions from rain-fed agricultural systems in Australia under alternative future climate scenarios. Sci. Total Environ. 630: 1544 – 1552.

Maas, S. E., Glenn, A. J., Tenuta, M. et Amiro, B. D. 2013. Net CO2 and N2O exchange during perennial forage establishment in an annual crop rotation in the red river valley, manitoba. Can. J. Soil Sci. 93: 639652.

64

Madsen, J., Bjerg, B.S., Hvelplund, T., Weisbjerg, M.R. et Lund, P. 2010. Methane and carbon dioxide ratio in excreted air for quantification of methane production in ruminants. Livest. Sci. 129:223–227.

Martin, C., Morgavi, D.P. et Doreau, M. 2009. Methane mitigation in rumiants: from microbe to the farm scale. Animal 4:3, 351 – 365.

Martin, N.P., Russelle, M.P., Powell, J.M., Sniffen, C.J., Smith, S.I., Tricarico, J.M. et Grant, R.J. 2017. Invited review: sustainable forage and grain crop production for the us dairy industry. J. Dairy Sci. 100:1-16.

Martin, C., Morgavi, D.P. et Doreau, M. 2010. Methane mitigation in ruminants: from microbe to the farm scale. Animal 4: 351 – 365.

McGinn, S.M. et Beauchemin, K.A., 2012. Dairy farm methane emissions using a dispersion model. J. Environ. Qual. 41: 73–79.

McGinn, S.M., Flesch, T.K., Harper, L.A. et Beauchemin, K.A. 2006. An approach for measuring methane emissions from whole farms. J. Environ. Qual. 35: 14 – 20.

Mertens, D.R. 2009. Impact of NDF content and digestibility on dairy cow performance. Pages 191–201 In Proc. 27th Annual Western Canadian Dairy Seminar. Red Deer, Alberta. University Of Alberta. Edmonton, Alberta, Canada.

Messman, M.A., Weiss, W.P., Henderlong, P.R. et Shokey. W.L. 1992. Evaluation of pearl millet and field peas plus triticale silages for midlactation Dairy Cows. J. Dairy Sci. 75: 2769 – 2775.

Mills, J.A.N., Dijkstra, J., Bannink, A., Cammell, S.B., Kebreab, E. et France, J. 2001. A mechanistic model of whole-tract digestion and methanogenesis in the lactating dairy cow: model development, evaluation, and application. J. Anim. Sci. 79: 1584 – 1597.

Mills, J.A.N., Kebreab, E., Yates, C.M., Crompton, L.A., Cammell, S.B., Dhanoa, M.S., Agnew, E. et France, J. 2003. Alternative approaches to predicting methane emissions from dairy cows. J. Anim. Sci. 81: 3141 – 3150.

Milne, E., Neufeldt, H., Rosenstock, T., Smalligan, M., Cerri, C.E., Malin, D., Easter, M., Bernoux, M., Ogle, S., Casarim, F., Pearson, T., Bird, D.N., Steglich, E., Ostwald, M., Denef, K. et Paustian, K. 2013. Methods for the quantification of net emissions at the landscape level for developing countries in smallholder contexts. Environ. Res. Lett. 8 : 1 – 9.

Moraes, L.E., Strathe, A.B., Fadel, J.G., Casper, D.P. et Kebreab. E. 2014. Prediction of enteric methane emissions from cattle. Glob. Change Biol. 20: 2140 – 2148.

65

Moraes, L.E., Wilen, J.E., Robinson, P.H. et Fadel, J.G. 2012. A linear programming model to optimize diets in environmental policy scenarios. J. Dairy Sci. 95: 1267-1282.

Morgavi, D.P., Martin, C., Jouany, J.P. et Ranilla, M.J. 2012. Rumen protozoa and methanogenesis: Not a simple cause-effect relationship. Br. J. Nutr. 107: 388 – 397.

Muñoz, C., Yan, T., Wills, D.A., Murray, S. et Gordon, A.W. 2012. Comparison of the sulfur hexafluoride tracer and respiration chamber techniques forestimating methane emissions and correction for rectum methane output from dairy cows. J. Dairy Sci. 95: 3139 – 3148.

Musarika, S., Atherton, C.E., Gomersall, T., Wells, M.J., Kaduk, J., Cumming, A.M.J., Page, S.E., Oechel, W.C. et Zona, D. 2017. Effect of water table management and elevated CO2 on radish productivity and on CH4 and CO2 fluxes from peatlands converted to agriculture. Sci. Total Environ. 584: 665 – 672.

Necpavola, M., Lee, J., Skinner, C., Büchi, L., Wittwer, R., Gattinger, A., Van De Heijden, M., Mäder, P., Charles, R., Berner, A., Mayer, J. et Six, J. 2018. Potentials to mitigate greenhouse gas emissions from swiss agriculture. Agr. Acosyst. Environ. 265: 84 – 102.

Negussie, E., Lehtinen, J., Mantysaari, P., Bayat, A.R., Liinamo, A.E., Mantysaari, E.A. et Lidauer, M.H. 2017. Non-invasive individual methane measurement in dairy cows. Animal 11, 890-899.

Niwinska, B. 2012. Digestion in ruminants. In: chang, c-f. (eds.), carbohydrates - comprehensive studies on glycobiology and glycotechnology. Intech, Doi: 10.5772/51574

NRC, 2001. Nutrient requeriments of dairy cattle: seventh revised edition 2001. National Academy Press. Washington, Dc.

Oertel, C., Matschullat, J., Zurba, K., Zimmermann, F. et Erasmi, S. 2016. Greenhouse gas emissions from soils – A review. Chemie der Erde – Geochemistry. 76: 327 – 352.

Olander, L.P., Wollenberg, E., Tubiello, F.N. et Herold, M. 2014. Synthesis and review: advancing agricultural greenhouse gas quantifi cation. Environ Res Lett 9: 075003

Olsen, K., Wellisch, M., Boileau, P., Blain, D., Ha, C., Henderson, L., Liang, C., Mccarthy, J. et Mckibbon, S. 2003. Canada’s Greenhouse Gas Inventory, 1990–2001. Greenhouse Gas Division, Environmental Canada. Ottawa, On.

OMAFRA, 2010. Storage of Liquid Manure Fact Sheet. Ontario Minist. Agric. Food Rural Aff.. http://www.omafra.gov.on.ca/english/engineer/facts/10-051.htm.

66

Ominski, K.H., Boadi, D.A., Wittenberg, K.M., Fulawka, D.L. et Basarab, J.A. 2007. Estimates of enteric methane emissions from cattle in canada using the IPCC Tier-2 methodology. Can. J. Anim. Sci. 87: 459 – 467.

Parkin, T. B. 2008. Effect of sampling frequency on estimates of cumulative nitrous oxide emissions. J. Environ. Qual. 37: 1390–1395.

Parkin, T.B. et Kaspar, T.C., 2006. Nitrous oxide emissions from corn–soybean systems in the midwest. J. Environ. Qual. 35, 1496–1506

Patel, M., Wredle, E., Borjesson, G., Danielsson, R., Iwaasa, A.D., Sporndly, E. et Bertilsson, J. 2011. Enteric methane emissions from dairy cows fed different proportions of highly digestible grass silage. Acta Agric. Scand. A Anim. 61: 128 – 136.

Pattey, E., Edwards, G., Strachan, I. B., Desjardins, R. L., Kaharabata, S. et Wagner Riddle, C. 2006. Towards standards for measuring greenhouse gas flux from agricultural fields using instrumented towers. Can. J. Soil Sci. 86: 373 – 400.

Pellerin, D., Charbonneau, E., Fadul-Pacheco, L., Soucy, O. et Wattiaux, M.A. 2017. Economic effect of reducing nitrogen and phosphorus mass balance on Wisconsin and Quebec dairy farms. J. Dairy Sci. 100: 8614 – 8629.

Petersen, S.O. 2018. Greenhouse gas emissions from liquid dairy manure: Prediction and mitigation. J. Dairy Sci. 101: 6642 - 6654

Pimentel , D., Cerasale, D., Stanley, R.C., Perlman, R., Newman, E.M., Brent, L.C., Mullan, A. et Chang, D.T.I. 2012. Annual vs. perennial grain production. Agric. Ecosyst. Environ. 161: 1 – 9

Pour, A.H., Khorvash, M., Ghorbani, G., Ebadi, M., Mohammadzadeh, H. et Boroumand-jazi, M. 2012. Comparison of chemical and degradability characteristics in three sorghum silage varieties with corn silage using in vitro and in situ methods. Pp 224 – 225. In: XVI International Silage Conference, Eds: Kuoppala K, Rinne M, Vanhatalo A. Hämeenlinna, Finland, 2 – 4 July 2012.

Qu, H., Liu, X.B., Dong, C.F., Lu, X.Y. et Shen, Y.X. 2014. Field performance and nutritive value of sweet sorghum in eastern China. Field Crop Res. 157: 84–88

Ramin, M., et P. Huhtanen. 2013. Development of equations for predicting methane emissions from ruminants. J. Dairy Sci. 96:2476–2493.

Rao, N.S., Tilak, K.V.B.R., Singh, C.S. et Gautam, R. C. 1982. Crop yield and nitrogen content of pearl millet (Pennisetum americanum) in response to Azospirillum brasilense. In Biological Nitrogen Fixation – Proceedings of the National Symposium held at Indian Agricultural Research Institute, Bhabha Atomic Research Centre, Bombay, 507–576.

67

Reay, D.S., Davidson, E.A., Smith, K.A., Smith, P., Melillo, J.M., Dentener, F. et Crutzen, P.J. 2012. Global agriculture and nitrous oxide emissions. Nat. Clim. Change. DOI: 10.1038/nclimate1458

Robertson, G.P. et Grace, P.R. 2004. Greenhouse gas fluxes in tropical and temperate agriculture: the need for a full-cost accounting of global warming potentials. Environment Development and Sustainabili. 6:51–63.

Rolz, C., de León R., Mendizábal de M.A.L., Porras V. et Cifuentes R. 2017. A multiple harvest cultivation strategy for etanol production from sweet sorghum throughout the year in tropical ecosystems. Renew. Energy. 106: 103 – 110.

Rotz, C.A. 2018. Modeling greenhouse gas emissions from dairy farms. J. Of Dairy Sci. 101:1-16.

Rotz, C.A., Corson, M.S., Chianese, D.S., Montes, F., Hafner, S.D., Bonifacio, H.F. et Coiner, C.U., 2018. The Integrated Farm System Model, Reference Manual Version 4.4. Agricultural Research Service, USDA. https://www.ars.usda.gov/ARSUserFiles/80700500/Reference%20Manual.pdf (accessed 16 Apr. 2019).

Rotz, C.A., Montes, F. et Chianese, D.S. 2010. The carbon footprint of dairy production systems through partial life assessment. J. Dairy Sci.93, 1266 – 1282.

Sainju, U.M., Stevens, W.B., Caesar-Tonthat, T., Liebig, M.A. et Wang, J. 2014. Net global warming potential and greenhouse gas intensity influenced by irrigation, tillage, crop rotation, and nitrogen fertilization. J. Environ. Qual. 43, 777 – 788.

Sainju, U.M., Stevens, W.B., Caesar-Tonthat, T. et Liebig, M.A. 2012. Soil greenhouse gas emissions affected by irrigation, tillage, crop rotation, and nitrogen fertilization. J. Environ. Qual. 41,1774–1786.

Sanz-Cobena, A., Lassaletta, L., Aguilera, E., del Prado, A., Garnier, J., Billen, G., Iglesias, A., Sánchez, B., Guardia, G., Abalos, D., Plaza-Bonilla, D., Puigdueta, I., Moral, R., Galán, E., Arriaga, H., Merino, P., InfanteAmate, J., Meijide, A., Pardo, G., Alvaro-Fuentes, J., Gilsanz, C., Báez, D., Doltra, J., González, S., Cayuela, M.L., Menendez, S., Diaz-Pines, E., Le-Noe, J., Quemada, M., Estellés, F., Calvet, S., van Grinsven, H., Yáñez, D., Westhoek, H., Sanz, M.J., Sánchez-Jimeno, B., Vallejo, A. et Smith, P. 2017. Strategies for greenhouse gas emissions mitigation in Mediterranean agriculture: A review. Agric. Ecosyst. Environ. 238: 5 – 24.

Sauvant, D. et Giger-Reverdin, S. 2007. Empirical Modelling Meta-Analysis Of Digestive Interactions And Ch4 Production In Ruminants. . In: Ortigues-Marty, I., Miraux, N. And Brand-Williams, W. (Eds.) Energy And Protein Metabolism And Nutrition No. Eaap Publication No. 124. P 561. Wageningen Academic Publishers, Wageningen, The Netherlands.

https://www.ars.usda.gov/ARSUserFiles/80700500/Reference%20Manual.pdf

68

Schils, R.L.M., Verhagen, A., Aarts, H.F.M. et Šebek, L.B.J. 2005. A farm level approach to define successful mitigation strategies for ghg emissions from ruminant livestock systems. Nutr. Cycl. Agroecosys. 71: 163 – 175.

Schwarm, A., Schweigel-Röntgen, M., Kreuzer, M., Ortmann, S., Gill, F., Kuhla, B., Meyer, U., Lohölter, M. et Derno, M. 2015. Methane emission, digestive characteristics and faecal archaeol in heifers fed diets based on silage from brown midrib maize as compared to conventional maize. Arch. Anim. Nutr. 69: 159–176.

Sheppard, S., Bittman, S., Swift, M., Beaulieu, M. et Sheppard, M. 2011. Ecoregion and farm size differences in dairy feed and manure nitrogen management: a survey. Can. J. Anim. Sci. 91: 459 – 473.

Smith, K. A. et Dobbie, K.E. 2001a. The impact of sampling frequency and sampling times on chamber-based measurements of n2o emissions from fertilized soils. Global Change Biol. 7: 933–945.

Smith, P., Bustamante, M., Ahammad, H., Clark, H., Dong, H., Elsiddig, E.A., Haberl, H., Harper, R., House, J., Jafari, M., Masera, O., Mbow, C., Ravindranath, N.H., Rice, C.W., Robledo Abad, C., Romanovskaya, A., Sperling, F. et Tubiello, F. 2014. Agriculture, forestry and other land use (AFOLU). in: Climate change 2014: mitigation of climate change. contribution of working group III to the fifth assessment report of The Intergovernmental Panel On Climate Change [Edenhofer, O., R. Pichs-Madruga, Y. Sokona, E. Farahani, S. Kadner, K. Seyboth, A. Adler, I. Baum, S. Brunner, P. Eickemeier, B. Kriemann, J. Savolainen, S. Schlömer, C. Von Stechow, T. Zwickel And J.C. Minx (Eds.)]. Cambridge University Press, Cambridge, United Kingdom And New York, Ny, Usa.

Smith, P., Goulding, K.W.T., Smith, K.A., Powlson, D.S., Smith, J.U., Falloon, P. et Coleman, K. 2001b. Enhancing the carbon sink in european agricultural soils: including trace gas fluxes in estimates of carbon mitigation potential. Nutr. Cycl. Agroecosys. 60: 237 – 252.

Sørensen, P., Weisbjerg, M.R. et Lund, P. 2003. Dietary effects on the composition and plant utilization of nitrogen in dairy cattle manure. J. Agric. Sci. 141, 79–91.

Sorg, D., Mühlbach, S., Rosner, F., Kuhla, B., Derno, M., Meese, S., Schwarm, A., Kreuzer, M. et Swalve, H.H. 2017. The agreement between two next-generation laser methane detectors and respiration chamber facilities in recording methane concentrations in the spent air produced by dairy cows. Comput. Electron. Agric. 143: 262 – 272.

Stanton, D., Grombacher, A. W., Pinnisch, R., Mason, H. et Spaner, D. 2007. Hybrid and population density affect yield and quality of silage maize in north central Alberta. Can. J. Plant Sci. 87: 867–871

69

Storlien, T.M., Prestløkken, E., Beauchemin, K.A., McAllister, T.A., Iwaasa, A.D. et Harstad, O.M. 2015. Supplementation with crushed rapeseed causes reduction of methane emissions from lactating dairy cows on pasture. Anim Prod Sci. 57: 81 – 89.

Storlien, T.M., Volden, H., Almøy, T., Beauchemin, K.A., McAllister, T.A. et Harstad, O.M. 2014. Prediction of enteric methane production from dairy cows, Acta Agric. Scand. Sect. A. 64: 98 – 109.

Taft, H.E., Cross, P.A. et Jones, D.L. 2018. Efficacy of mitigation measures for reducing greenhouse gas emissions from intensively cultivated peatlands. Soil Biol. Biochem. 127: 10 – 21.

Thivierge, M., Chantigny, M.H., Seguin, P. et Vanasse, A. 2015. Sweet pearl millet and sweet sorghum have high nitrogen uptake efficiency under cool and wet climate. Nutrient Cycling Agroecosystem 102, 195 – 208.

Thoma, G., Popp, J., Shonnard, D., Nutter, D., Matlock, M., Ulrich, R., Kellogg, W., Soo Kim, D., Neiderman, Z., Kemper, N., Adom, F. et East, C. 2013. Regional analysis of greenhouse gas emissions from usa dairy farms: A cradle to farm-gate assessment of the american dairy industry circa 2008. Int. Dairy J. 31: 529 – 540.

Thompson, A.G., Wagner-Riddle, C. et Fleming, R. 2004. Emissions of N2O and CH4 during the composting of liquid swine manure. Environ. Monit. Assess. 91: 87 – 104.

Timilsena, Y.P., Adhikari, R., Casey, P., Muster, T., Gill, H. et Adhikari, B. 2015. Enhanced efficiency fertilisers: a review of formulation and nutrient release patterns. J. Sci. Food Agric. 95: 1131 – 1142.

Tongwane, M., Mdlambuzi, T., Moeletsi, M., Tsubo, M., Mliswa, V. et Grootboom, L. 2016. Greenhouse gas emissions from different crop production and management practices in South Africa. Environ. Dev. 19: 23 – 35.

Trupa, A., Aplocina, E. et Degola, L., 2015. Forage quality and feed intake effect on methane emissions from dairy farming. Engineering for Rural Development. pp. 601–605, Jelgava, Latvia.

Tubiello, F., Salvatore, M., Ferrara, A., House, J., Federici, S., Rossi, S., Biancalani, R., Condor Golec, R., Jacobs, H., Flammini, A., Prosperi, P., Cardenas-Galindo, P., Schmidhuber, J., Sanz Sanchez, M.J., Srivastava, N. et Smith, P. 2015. The contribution of agriculture, forestry and other land use activities to global warming, 1990–2012. Glob. Change Biol. 21: 2655 – 2660.

Tubiello, F.N., Salvatore, M., Ferrara, A., Rossi, S., Fitton, N. et Smith, P. 2013. The faostat database of GHG emissions from agriculture. Environ. Res. Lett. 8: 1–10.

http://www.agr.gc.ca/eng/science-and-innovation/research-centres-and-collections/alberta/lethbridge-research-and-development-centre/scientific-staff-and-expertise/beauchemin-karen-phd/?id=1204128530252

http://www.agr.gc.ca/eng/science-and-innovation/research-centres-and-collections/alberta/lethbridge-research-and-development-centre/scientific-staff-and-expertise/mcallister-tim-a-phd/?id=1181941560835

http://www.agr.gc.ca/eng/science-and-innovation/research-centres-and-collections/saskatchewan/swift-current-research-and-development-centre/scientific-staff-and-expertise/iwaasa-alan-phd/?id=1181940972609

70

Ulyatt, M.J., Lassey, K.R., Shelton, I.D. et Walker, C.F. 2002. Methane emission from dairy cows and wether sheep fed subtropical grass-dominant pastures in midsummer in new zealand. New Zeal. J. Agr. Res. 45: 227–234

USEPA, 2001. Cost Methodology Report for Beef and Dairy Animal Feeding Operations. United States Environ. Prot. Agency EPA-821-R-.

Vadas, P.A., Powell, J.M., Brink, G.E., Bush, D.L. et Good, L.W. 2015. Whole-farm phosphorus loss from grazing-based dairy farms. Agric. Sys. 140: 40 – 47.

van Gastelen, S., Antunes-Fernandes, E.C., Hettinga, K.A., Klop, G., Alferink, S.J.J., Hendriks, W.H. et Dijkstra. J. 2015. Enteric methane production, rumen volatile fatty acid concentrations, and milk fatty acid composition in lactating Holstein-Friesian cows fed grass silage- or corn silage-based diets. J. Dairy Sci. 98: 1915 – 1927.

VanderZaag, A.C., MacDonald, J.D., Evans, L., Vergé, X.P.C. et Desjardins, R.L. 2013. Towards an inventory of methane emissions from manure management that is responsive to changes on Canadian farms. Environ. Res. Lett. 8: 13.

Velarde-Guillén, J., Jiménez-Calderón, J.D., Martinez-Fernández, A. et Vicente, F. 2015. Effect of organic fertilization of maize forage on greenhouse gas emissions by dairy cows. grassland and forages in high output dairy farming systems. Grassland Science In Europe 20, 487 – 489.

Vellinga, T.V. et Hoving, L.E. 2011. Maize silage for dairy cows: mitigation of methane emisions can be offset by land use change. Nutr. Cycl. Agroecosys. 89: 413 – 426.

Vergé, X.P.C., Dyer, J.A., Desjardins, R.L. et Worth, D. 2007. Greenhouse gas emissions from the canadian dairy industry during 2001. Agric. Sys. 94: 683 – 693.

Vergé, X.P.C., Maxime, D., Dyer, J.A., Desjardins, R.L., Arcand, Y. et Vanderzaag, A. 2013. Carbon footprint of canadian dairy products: calculations and issues. J. Dairy Sci. 96: 6091 – 6104.


Wang, H., Ben, H., Ruan, H., Zhang, L., Pu, Y., Feng, M., Ragauskas, A.J. et Yang, B. 2017. Effects of lignin structure on hydrodeoxygenation reactivity of pinewood lignin to valuable chemicals. Acs Sustain. Chem. Eng. 5, 1824–1830.

Wang, J. 2014. Decentralized biogas technology of anaerobic digestion and farm ecosystem: opportunities and challenges. Front. Energy Res. 2: 1–12.

71

Warnecke, S., Paulsen, H.M., Schulz, F. et Rahmann, G. 2014. Greenhouse gas emissions from enteric fermentation and manure on organic and conventional dairy farms – an analysis based on farm network data. Organic agriculture 4, 285 – 293.

Williams, S.R.O., Moate, P.J., Hannah, M.C., Ribaux, B.E., Wales, W.J. et Eckard, R.J. 2011. Background matters with the SF6 tracer method for estimating enteric methane emissions from dairy cows: a critical evaluation of the SF6 procedure. Anim. Feed. Sci. Technol. 170: 265 – 276.

Wolf, B., Zheng, X., Brüggemann, N., Chen, W., Dannenmann, M., Han, X., Sutton, M.A., Wu, H., Yao, Z. et Butterbach-Bahl, K. 2010. Grazing-induced reduction of natural nitrous oxide release from continental steppe. Nature 464: 881–4

Wu, L.S., Koerkamp, P.W.G.G. et Ogink, N.W.M. 2015. Design and test of an artificial reference cow to simulate methane release through exhalation. J. Biosystems Engineering 136: 39 – 50.

Xue, X., Pang, Y. et Landis, A.E. 2014. Evaluating agricultural management practices to improve the environmental footprint of corn-derived ethanol. Renew. Energ. 66: 454 – 460.

Yan, T., Agnew, R.E., Gordon, F.J. et Porter, M.G., 2000. Prediction of methane energy output in dairy and beef cattle offered grass silage-based diets. Livest. Prod. Sci. 64: 253–263

Zehetmeier, M., Gandorfer, M., Hoffmann, H., Müller, U.K., De Boer, I.J.M. et Heißenhuber, A. 2014. The impact of uncertainties on predicted ghg emissions of dairy cow production systems. J. Cleaner Production. 73: 116-124

Zhang, S., Chaudhry, A.S., Ramdani, D., Osman, A., Guo, X., Edwards, G.R. et Cheng, L., 2016. Chemical composition and in vitro fermentation characteristics of high sugar forage sorghum as an alternative to forage maize for silage making in Tarim Basin, China. J. Integr. Agric. 15: 175 – 182.

Zhang, S.J., Chaudhry, A.S., Osman, A., Shi, C.Q., Edwards, G.R., Dewhurst, R.J. et Cheng, L. 2015a. Associative effects of ensiling mixtures of sweet sorghum and alfalfa on nutritive value, fermentation and methane characteristics. Anim. Feed Sci. Technol. 206: 29–38

Zhang, T., Liu, H., Luo, J., Wang, H., Zhai, L., Geng, Y., Zhang, Y., Li, J., Lei, Q., Bashir, M.A., Wu, S. et Lindsey, S. 2018. Long-term manure application increased greenhouse gas emissions but had no effect on ammonia volatilization in a northern china upland field. Sci Total Environ. 633: 230 – 239.

Zhang, X., Lee, X., Griffis, T., Andrews, A., Baker, J., Erickson, M., Hu, N. et Xiao, W. 2015b. Quantifying nitrous oxide fluxes on multiple spatial scales in the Upper Midwest, USA. Int. J. Biometeorol. 59: 299 – 310.

72

Zimmerman, P., Zimmerman, S., Utsumi, S. et Beede, D. 2011. Development of a user-friendly online system to quantitatively measure metabolic gas fluxes from ruminants. J. Dairy Sci. 94: 760.

73

Chapitre 2

Simulating the effect of substituting corn silage by

sweet pearl millet or sweet sorghum silages on

Canadian dairy farm profitability and agro-

environmental performance

J. Velarde-Guillén, D. Pellerin, A. Vanasse, V. Baron, M. Chantigny, and É.

Charbonneau

Ce chapitre sera soumis pour publication dans la revue Canadian Journal of Animal Science

74

2.1 Résumé

L’ensilage de maïs (ES) est amplement utilisé en fermes laitières par son

rendement élevé et par son contenu en énergie. L’ensilage de millet perlé sucré

(MPS) et l’ensilage de sorgho sucré (SS) sont des fourrages avec un rendement

similaire à l’ES, mais avec un moindre besoin de N comme fertilisant. L’objectif de

cette étude a été d’évaluer l’effet économique et environnemental du remplacement

de l’ES par MPS ou SS à partir de simulations utilisant le modèle N-CyCLES. Trois

fermes virtuelles ont été développées basées dans trois régions laitières différentes

du Canada : les Maritimes, le Québec/Ontario et les Prairies. Le MPS a été évalué

dans les trois régions, tandis que le SS a été évalué seulement dans la région de

Québec/Ontario, laquelle est l’unique région avec la météo appropriée pour cette

culture. Les résultats montrent que, en moyenne, le MPS et le SS diminuent de 12

et 9 % le revenu total de la ferme, respectivement, en comparaison avec le ES.

Environnementalement, le MPS a augmenté de 7 % le bilan totale de N et par 99 %

la balance de P, tandis que le SS a réduit de 7 % le bilan de N et a augmenté de

78 % le bilan de P en comparaison avec le ES. Les émissions de gaz à effet de serre

ont diminué de 2 et 4 % avec le MPS et le SS, respectivement en comparaison avec

le ES. Ces résultats suggèrent que le MPS et le SS ont besoin de plus d’études

permettant d’améliorer leur productivité avant de pouvoir remplacer l’ES

économiquement dans les fermes laitières canadiennes.

75

2.2 Abstract

Corn silage (CS) is widely used on dairy farms because of its high yields and

energy content. Sweet pearl millet (SPM) and sweet sorghum (SS) are forages also

known for their high yields, but with lower N requirements. The aim of this study was

to evaluate the economic and environmental differences when replacing CS with

SPM or SS through simulations with the whole-farm model N-CyCLES. Virtual farms,

representative of three contrasting Canadian dairy regions were built: Maritimes,

Quebec/Ontario and Prairies. The SPM was evaluated in the three regions whilst SS

was tested in Québec/Ontario only, which has the appropriate climate for this plant.

Results show, on average, that SPM and SS decreased by 12 and 9% respectively

the farm net income in comparison with CS. Environmentally, on average, SPM

increases by 7% the whole-farm N balance and by 99% the P balance and SS

decrease by 7% and increase by 78% the N and P balance respectively in

comparison to CS. The greenhouse gas emission decreased in average by 2 and

4% with SPM and SS respectively in comparison to CS. These results suggest that

SPM and SS need additional improvement before they can economically replace CS

on Canadian dairy farms.

Short title: Velarde-Guillén et al., Whole-farm impact of corn silage

substitution.

Key words: corn, sorghum (sweet), pearl millet (sweet), environmental,

economic.

Abbreviations: GE, gross energy; MY, milk yield; DIM, days in milk, BW,

body weight; DM, Dry matter; OM, organic matter; CP, crude protein; NDF, neutral

detergent fiber; ADF, acid detergent fiber; EE, ether extract; NFC, non-fiber

carbohydrate;

76

2.3 Introduction

Corn silage (CS) is appreciated on dairy farms because of its high yield and

nutritive value. It is already the main annual forage on farms in Eastern Canada

(Guyader et al., 2017). In Western Canada, there is a growing interest for CS (Baron

et al., 2006; Stanton et al., 2007) replacing, partially, barley silage in dairy cows diets

(McGinn and Beauchemin 2012). Environmentally, corn is known for its high fertilizer

needs, which may affect the N and P cycles (Xue et al., 2014). The fertilizer

requirements can have an important environmental impact due to the eutrophication

of water (Costello et al., 2009; Xue et al., 2014) and N2O emissions (Janzen et al.,

2006). Knowing the negative impact associated with CS, it is worth exploring the

possibility of using other crops to replace CS totally or partially on Canadian dairy

farms.

Sweet pearl millet (Pennisetum glaucum (L.) R.BR) and sweet sorghum

(Sorghum bicolor (L.) Moench) with a yield from 5 to 19 t DM ha-1 (Leblanc et al.,

2012; dos Passos et al., 2015) are potential candidates under Canadian conditions.

Also, they are known for their efficient use of nutrients, mainly N (Palumbo et al.,

2014) where 54 – 82% of applied mineral N is used by the plant (Thivierge et al.,

2015b). This allows for the use of less N fertilizers (75 to 100 kg ha-1) than corn

(Leblanc et al., 2012; dos Passos et al., 2015). Moreover, they have high

concentration of simple sugars, which makes them proper for silage production and

utilization in cows’ diets. Trials using sweet pearl millet silage (SPM) in comparison

to corn silage (Brunette et al., 2014) or sweet sorghum silage (SS) in comparison to

perennial-legume forage (Amer et al., 2012) have shown that these forages can be

used in diets with little or no effect on energy-corrected milk. Although, in another

study, Brunette et al., (2016) showed that SPM can result into lower energy-

corrected milk compared to perennial-grass forage. Knowing the decrease in N

fertilizer requirements and the possibility to use these plants in dairy cows’ diets,

SPM and SS can be an alternative to replace CS (Baran et al., 2008; Pour et al.,

2012).

77

A whole-farm assessment is necessary for the correct agroeconomic and

environmental evaluation of the substitution of CS by SPM or SS because of the

many interactions that need to be considered. The choice of crops on a farm can

influence economic results, cropland management, dairy cows’ ration composition,

manure management, nutrients balance (N and P) and emission of greenhouse gas

(GHG) (Chapman et al., 2011; Cela et al., 2015). Likewise, the effect may differ from

a subsystem of the farm to another, so a whole-farm analysis is essential to perform

this type of analysis (Vadas et al., 2015).

The optimization of resources is essential to have a good agroeconomic

balance and a lower environmental impact on dairy farms. Linear programming

models are the easiest tools to optimize (Gameiro et al., 2016) the on-farm resources

for milk production and to evaluate the impact of these changes on the cycle of

production (Castelán-Ortega et al., 2016). Moreover, optimization models have

previously been used to link environmental and impacts on farms (Berentsen and

Giesen, 1995; Klootwijk et al., 2016; Pellerin et al., 2017).

The aim of the current study was to simulate the impact of substituting CS by

SPM or SS on: 1) profitability, 2) N and P balance, and 3) GHG emission on

Canadian dairy farms. The hypothesis of this work was that cropping SPM and SS

instead of CS could improve the whole-farm environmental footprint (N and P

balance, GHG emission) without importantly affecting the farm net income.

2.4 Materials and methods

2.4.1 Model Used

For this work, Nutrient Cycling, Crop, Livestock, Environment and Soil model

(N-CyCLES) was used. The N-CyCLES model has been used successfully in the

Canadian context and allows for the simulation of different scenarios and the

optimization of farm net income, while modifications in a subpart of the system have

been done (Pellerin et al., 2017). This model also evaluates N and P mass balance

as well as GHG emissions for the whole cycle of production. The N-CyCLES is a

78

linear programming model in which three levels: agronomic, animal and economic

are considered to find the best response (optimization) for a maximum net income

or a minimum emission of N or P; evaluating trade-offs between economic and

environmental outcomes from mixed livestock-crop dairy systems. The main

parameters considered in the model and details on the interactions are available in

Pellerin et al., (2017).

2.4.2 Region of study

Virtual farms were developed to describe typical dairy farms from three

important dairy regions in Canada: Maritimes (48° N; 68° W), Quebec/Ontario (45°

N; 73° W) and Prairies (52° N; 113° W). Farm descriptors (agronomic, economic and

animal characteristics) were the averages, or median (for feed characteristics), of

five years (2010 – 2014, Table 2. 1 and Appendices A1, A2 and A3).

2.4.3 Main inputs

Farm size, herd characteristics and economic data at the farm level for

Maritimes and Quebec/Ontario were the average of farms in a subset of these

regions coming from Agritel Database and from Valacta between the years 2010 –

2014 (Table 2. 1). For the farm of the Prairies, the average of these characteristics

came from the Government of Alberta (2018a; 2018b) for the same period. The

average fat- and protein- corrected milk (FPCM) sold per farm, considering a 5%

milk waste, was 513 696 kg yr-1 for Maritimes, 614 296 kg yr-1 for Quebec/Ontario

and 1 213 288 kg yr-1 for Prairies. The variable and fixed costs (labour, taxes,

insurance, depreciation, interest, supplies, bedding, and veterinary costs), feed

prices and fertilizer prices by region are presented in AppendicesTable A2. 1

andTable A2. 3.

The soil type considered in each region was: Orthic Humo-Ferric Podzol for

Maritimes; Sandy loam for Quebec/Ontario; and Black chernozemic for Prairies. The

amount of organic matter, N, P and K in soil of each region are described in Appendix

A2. The croplands in each virtual farm were subdivided into two land units (LU) of

79

equal size: a LU with higher nutrients accumulation and a LU with lower nutrients

accumulation. These LU were set in high and low soil P and differed in organic matter

(Appendix A1). Five different rotations representatives of each region were assigned

to each LU (Table 2. 2). The recommendations of the guide of fertilization of CRAAQ

(2015) was used for fertilization needs in Maritimes and Quebec/Ontario and

adjusted with the help of an agronomist from Alberta for Prairies. Six fertilizers were

available in the model: di-ammonium phosphate (18% N and 46% P2O5), urea

ammonium nitrate (27% N), triple super phosphate (46% P2O5), muriate of potash

(60% K2O and 47.5% Cl) and mono-ammonium phosphate (11% N and 52% P2O5)

and on-farm manure.

Farms from each region have different cropping practices because of the

difference in climatic condition and regional preferences. Thus, the principal

differences in cropping practices are that Quebec/Ontario climate allows the

production of corn grains whereas in Maritimes and Prairies this crop production is

not recommended due to low corn-heat units (CHU) in both regions. The cropping

of CS is possible in the three regions, but the nutrient composition of the forage is

slightly different because of the variation in CHU (Table 2. 3). However, the low CHU

in Maritime and Prairies limits the possibilities to grow SS and bring it to proper DM

for silage production. Kelley (2006) reported a high CHU requirement for SS (CHU

accumulation from 2673 to 3360). For this reason, SS was only tested in the virtual

dairy farm of Quebec/Ontario whereas SPM (CHU accumulation of 2100 to 2200;

Leblanc et al., 2012) was evaluated in the three virtual dairy farms. A single harvest

at the end of the growth season was considered for SPM and SS to allow for soluble

carbohydrates to accumulates in the plants and have forages more comparable to

CS. In addition, the conservation system for CS, SPM and SS was considered to be

bunker silos in order to conserve the forages properly; SPM and SS are expected to

be harvested near 25% of DM. Finally, because of regional differences, grass and

legume association harvest as silage was used and no barley silage was available

on the virtual dairy farms of Maritimes and Quebec/Ontario, whereas the rotations in

80

the Prairies farm included pure alfalfa (no grass and legume association) and barley

silage.

Crop yields from Maritimes and Quebec/Ontario came from the 2010 – 2014

average data from “La financière agricole du Québec” (2016). In those two regions,

data from field experiments were used to evaluate the SPM and SS yield and nutrient

value (Amer and Mustafa, 2010; Bouchard et al., 2011; Amer et al., 2012; Leblanc

et al., 2012; dos Passos et al., 2015; dos Passos et al., 2016; Table 2. 3), and yields

were then corrected from parcel- to field-size results by consulting an expert with

data of producers in similar regions to this study. Because CHU between the

Maritimes and Prairies regions are similar, and no data from the region associated

with dairy production was available in the Prairies, yield, needs of fertilizer and the

cost of crop production were adjusted from the Maritimes region for the Prairies with

slight modifications using the information from the Government of Alberta (2018a;

2018c; Table 2. 3). Data related to agronomic inputs are described in Appendices

A2 and A3.

The main herd characteristics for each region are presented in Table 2. 1 and

in AppendixError! Reference source not found.. For the diet optimization, the herd w

as divided into two groups of lactating cows (early lactation: from 1 to 152 days in

milk; and mid-late lactation: from 153 to last day in milk), one group of dry cows and

two groups of heifers (<1 yr old and ≥1 yr old). Cows dry matter intake (DMI) was

estimated with NRC (2001) equation and diets were formulated to meet NRC (2001)

requirements. Thus, because the body weight (BW) and average milk production

were different between regions, DMI of cows in the early lactation group and in the

mid-late lactation group were respectively estimated at 3.46 and 3.22% of BW for

Maritimes, 3.56 and 3.30% of BW for Quebec/Ontario and 3.43 and 3.20% of BW

for Prairies.

The amount of N and P in the ration has an important effect on N and P

balance of the whole-cycle of production. For N, a maximum of rumen degradable

protein (RDP) was set at 15% above the requirement for all groups (lactating, dry

81

and heifers). No maximum was set for rumen undegradable protein (RUP), although

the price of protein supplements usually limits unnecessary addition of RUP. For P

in diets, the minimum requirement in the model was set at 5% above the NRC

requirements and the maximum amount was set at 30% above the minimum for

lactating and dry cows and 40% for heifers. Therefore, the range of available P in

the ration for early lactating and mid-late lactating groups was from 0.27 to 0.35 and

from 0.25 to 0.32% respectively in the three regions.

2.4.4 Simulations

A total of seven simulations were performed to verify the impact of substituting

CS by SPM or SS: two in Maritimes (CS and SPM), three in Quebec/Ontario (CS,

SPM and SS) and two in Prairies (CS and SPM). The rotations were first built to

represent a normal rotation with CS in each region, and it was considered as the

simulation for the actual situation (Table 2. 2). For the second simulation, CS was

substituted by SPM in each region. Finally, for the third simulation, CS was

substituted by SS just in Quebec/Ontario.

Environmental, agronomic and economic impacts of the substitution of CS by

SPM and SS, as well as the dairy cows’ rations, were compared in each region. In

N-CyCLES, the farm net income (FNI) is calculated as the difference between

incomes (milk, animals and cash-crop sold) and expenses (fixed costs, purchased

feeds, home-grown feeds, fertilizers and manure spreading). Whole-farm N and P

mass balances are calculated by the difference between the farm-gate imports

(purchased feeds and fertilizers, atmospheric depositions and biological N-fixation)

and the exports (milk and animals sold, manure exported, and cash-crop sold)

(Pellerin et al., 2017). The GHG emissions calculation followed the IDF (2015)

methodology based on the IPCC Tier 2 equations (IPCC, 2006).

Finally, a sensitivity analysis was conducted to assess the effect of variability

in feed costs (+25 or −25%), fertilizer costs (+10 or −10%) and SPM or SS yields

82

(+10 or −10%) on key model outcomes. All the results are presented per kilogram of

FPCM for consistency and convenience of cross-regional comparison.

2.5 Results ans discussion

2.5.1 Substitution of CS by SPM on the Maritimes farm

The inclusion of SPM instead of CS in the simulated dairy farm of the

Maritimes increased the land allocated to SPM production in comparison to CS, as

seen by the increased selection of rotation R4 (Table 2. 2 andError! Reference

source not found.Table 2. 4) by the model. The substitution declined the total

cropland DM yield by 12%. Nevertheless, the amount of fertilizer (N and K)

decreased because of lower total plant requirements (Table 2. 4) as a result of the

higher N efficiency of SPM in comparison to CS (Thivierge et al., 2015a, 2015b). It

was shown that, in an intercrop system, this increase in efficiency can decrease by

50% N fertilizer needs (Layek et al., 2014). The reduction of total crops grown on the

farm was reflected in the herd ration (Table 2. 5) in which home-grown feed

proportion decreased (from 86% with CS to 76% with SPM; Table 2. 5), particularly

for the forages portion. As a result of the lower inclusion of SPM in comparison to

CS in the herd rations, all the barley harvested on the farm was used as homegrown

feeds (with a decrease in cash-crop sold) and there was an increase in the use of

concentrate feeds (corn, barley and wheat), most of them being imported (Table 2.

5). The increase of concentrate feeds is often used in trials when a forage with a

lower energy content is compared to CS (Colombini et al., 2015; Bender et al., 2016;

Cattani et al., 2017). This modification in rations impacted the N, P and K contents

of manure, increasing them slightly.

Economically (Table 2. 6), the FNI decreased by 21% (2.33$ 100 kg-1 of

FPCM) because the income from cash-crop sold decreased (0.66$ 100 kg-1 of

FPCM) and the expenses for purchased feeds increased (2.40$ 100 kg-1 of FPCM)

with SPM in comparison to CS. Despite the increase in imported feeds, the Maritime

simulated farm has the highest proportion of homegrown feed in its diet. Under

83

production systems where self-sufficiency is prevalent, it was shown that giving

priority to home-grown feeds (Arriaga-Jordán et al., 2002) and maximizing their yield

is the key for a maximum FNI (Guyader et al., 2017).

Environmentally, the substitution of CS by SPM increased the N mass

balance by 16% (192.63 g of N 100 kg-1 of FPCM) principally because of higher N

from feed importation. As well, the P mass balance increased by 65% (110.85 g of

P 100 kg-1 of FPCM) in which the feeds and fertilizer importation were the main

responsible for this augmentation. The latter is explained by a higher P

recommendation and lower yield per hectare for the SPM production in comparison

to the CS production (Table 2. 3). Other studies (Spears et al., 2003a, 2003b; Pellerin

et al., 2017) have also reported that purchased feeds, followed by fertilizers, is the

main sources of nutrients importation and has a huge impact on N and P mass

balance.

Finally, the total GHG emissions decreased by 2.1% (3.36 kg of CO2eq 100

kg-1 of FPCM) when CS was substituted by SPM. The emissions allocated to milk

production were reduced by 1% (1.66 kg of CO2eq 100 kg-1 of FPCM) whereas those

allocated to cash-crop decreased by 23% (1.36 kg of CO2eq 100 kg-1 of FPCM). This

implies that the total reduction mainly came from the decrease in cash-crop sold. As

well, from the total reduction, N2O emissions decreased by 6% (1.73 kg of CO2eq

100 kg-1 of FPCM) when CS was replace with SPM, mainly because of a decrease

in land emissions (related to the synthetic fertilizers and crop residues). This pattern

has been observed in other studies, i.e. Pugesgaard et al., (2013) compared

environmentally the use of organic fertilizer (as a product of the biodigestion of the

manure and crop residues) in four different scenarios in simulated Dutch dairy farms

and observed that the reduction of GHG emissions from the cropland was due to the

decrease of cash-crop production, which declined the importation of feeds (and N)

and the amount of N applied to the cash-crop. Whilst Rotz et al., (2001) reported that

farms that produce soybeans as a cash-crop increased the volatilization and

leaching losses of N by 5 kg ha-1 in comparison with farms without cash-crop

production. Yet, the lower crop yield increased the feed importations, with their

84

environmental cost (16.13 vs 18.25 kg of CO2eq 100 kg-1 of FPCM, CS vs SPM

scenarios respectively).

2.5.2 Substitution of CS by SPM or SS on the Quebec/Ontario farm

In the virtual farm of Quebec/Ontario, the substitution of CS by SPM or SS

resulted in an increase of crop rotation including forage production (SPM or SS and

perennial silages; Table 2. 2 and Table 2. 4). These strategies decreased the total

cropland yield; however, the amount of fertilizer used declined as well by 98%

(1225.10 g 100 kg-1 of FPCM) for SPM and 79% (991.04 g 100 kg-1 of FPCM) for SS

in comparison to CS. This lower use of fertilizers was mainly due to a higher content

of N and K in the manure, an increased perennial silages production and, as

mentioned previously, a decrease in N requirements for SPM and SS in comparison

with CS. Perennial silages in Quebec/Ontario are mixed silage with a high proportion

of legumes in the first few years of production, such forages are known for their

biological N-fixation (Archer et al., 2007; Liebman et al., 2008; Olmstead and

Brummer 2008). The modifications in the cropland allocation affected the herd

rations, in which, despite the lower cropland yield, the home-grown feeds proportion

increased by 6 and 1% in the SPM and SS scenarios respectively (Table 2. 5). The

proportion of corn grain, harvested on the farm, was highly increased in the herd

rations (272% or 13.49 kg of DM 100 kg-1 of FPCM) in the SPM scenario and (158%

or 7.82 kg of DM 100 kg-1 of FPCM) in the SS scenario. This resulted in a lower

proportion of the harvest allocated to cash-crop sales (corn grain and soybean) and

a decrease in income from cash-crop by 50% in SPM scenario and by 30% in SS

scenario in comparison to CS (Table 2. 6). Once again, the replacement of CS with

SPM or SS in the diets increased the concentrate feed proportion (corn and barley

grain; Table 2. 5) to compensate for the lower concentration in NEl of SPM and SS

in comparison to CS.

Economically, the replacement of CS had a negative impact on FNI of 9%

(2.02$ 100 kg-1 of FPCM) and 8% (1.81$ 100 kg-1 of FPCM) in the SPM and SS

scenarios respectively. Kumar et al., (2007) also observed an economic

85

disadvantage of using sorghum instead of corn in a rotation with canola because of

the lower yield and price of sorghum grain in comparison to corn grain. Furthermore,

in a rotation setting on dairy farms, Thivierge et al., (2016) reported that higher forage

yield on Canadian dairy farms can result in an increase of income from crops sold.

Similarly, the lower SPM and SS yields in comparison with CS in this study, resulted

in an increase of cropland area dedicated to forage production, which decreased the

cash-crop production and the income for its sales.

Environmentally, the N mass balance decreased by 10% (133.62 g 100 kg-1

of FPCM) in the SPM scenario and by 4% (47.85 g 100 kg-1 of FPCM) in the SS

scenario in comparison to the CS scenario. This is mainly a result of less feed and

fertilizer importations (Table 2. 6). Nonetheless, the P mass balance increased by

132% (55.26 g 100 kg-1 of FPCM) and 78% (32.53 g 100 kg-1 of FPCM) mostly

because of lower P exportation from cash-crop sales and higher P requirements for

SPM or SS than CS. The lower N mass balance (as a consequence of the less feed

and N fertilizer importation) and the higher P mass balance (because of the increase

in P needs for the cropland) are in line with Spears et al., (2003a, 2003b), in which

the purchased feeds and the fertilization are the main sources of N and P in the farm.

The total GHG emissions in the SPM scenario decreased by 9.5% (16.01 kg

of CO2eq 100 kg-1 of FPCM) in comparison to CS, in which N2O was reduced by

11% (3.51 kg of CO2eq 100 kg-1 of FPCM) and off-farm CO2eq emissions by 31%

(11.14 kg of CO2eq 100 kg-1 of FPCM). Whilst in the SS scenario, the total GHG

emissions decreased 7% (12.13 kg of CO2eq 100 kg-1 of FPCM) in comparison to

CS, as the result of a decline of 9% in N2O (2.85 kg of CO2eq 100 kg-1 of FPCM) and

25% (8.90 kg of CO2eq 100 kg-1 of FPCM) of off-farm CO2 emissions (Table 2. 6).

The decrease in N2O emissions (related to fertilizer application and crop residues)

were expected because of the lower N requirements for SPM and SS production in

comparison to CS. Moreover, substituting CS by SPM and SS resulted in an increase

of perennial forages production on the farm, which is known to have lower N2O

emissions than other crop productions (Rochette et al., 2004). Whilst the lower off-

farm CO2 emissions are both from the decrease in feed and fertilizer importations.

86

These results are in line with those observed by Kristensen et al., (2011) in which

the importation of feeds was the main source of GHG importation in conventional

dairy farms.

The GHG allocated to milk production in the SPM scenario decreased by 3%

(3.38 kg of CO2eq 100 kg-1 of FPCM) and those allocated to cash-crop by 53%

(11.95 kg of CO2eq 100 kg-1 of FPCM) in comparison to the CS scenario. Likewise,

emissions allocated to the milk production decreased by 3% in the SS scenario in

comparison to CS, whilst the cash-crop production allocation declined by 35%.

These results are in line with Agostini et al., (2016) who observed more emissions

from corn-based systems than from sorghum-based systems. However, the analysis

of the reduction in GHG considering the allocations shows that the main decrease in

GHG comes from a reduction of cash-crop production with its important economic

repercussion of the farm.

2.5.3 Substitution of CS by SPM on the Prairies farm

In the virtual dairy farm of the Prairies, the crop rotation selected by the model

with SPM in comparison to CS (Table 2. 2 andTable 2. 4) increased alfalfa and barley

silages production. However, this cropland strategy did not allow to compensate for

the difference in yield between the SPM and the CS and resulted in lower total

production yield in the fields of the farm. Contrarily to the virtual farm of Maritimes

and Quebec/Ontario, barley silage was used, in addition to SPM, to substitute CS in

the cropland and the diets. Under the Prairies farm conditions/climate barley silage

allows for higher yields and nutritive value than SPM. It also requires less N fertilizer

than corn silage and even SPM (Addah et al., 2011). Total fertilization was higher

with the SPM scenario in comparison to CS, mainly because of an increase in P and

K fertilizer requirements for the rotations selected, with SPM and Barley, in the SPM

scenario.

The home-grown feeds proportions in the diets decreased by 14% due to

lower total yield with SPM production (vs CS production) and the difference in

87

nutritive value. The increase in other forage sources was not sufficient to

compensate the substitution of SPM by CS. Nonetheless, barley silage proportion in

the diet was drastically increased (475%) in the SPM scenario, mostly because the

higher energy content for barley silage than SPM (5.48 vs 5.19 vs 4.56 MJ of NEl kg-

1 of DM for CS vs barley silage vs SPM; NRC 2001; Benchaar et al., 2014).

Nevertheless, as in the other two virtual farms, there was an increase in the use of

purchased concentrate feeds to balance the herd diets.

The modifications in herd rations (purchased feeds), in addition to the

increased use of fertilizers and the decreased cash-crop sold, resulted in a FNI

decrease of 5% (1.16$ 100 kg-1 of FPCM) on the SPM scenario in comparison to CS

scenario. Once again, the lower yield of SPM, as well as barley silage, in comparison

to CS decreased the area available for cash-crop production (peas) which was lower

by 28%.

Environmentally, the N and P mass balance increased by 17% (221.07 g of

N 100 kg-1 of FPCM) and 144% (120.17 g of P 100 kg-1 of FPCM) respectively, due

to the higher feeds and fertilizer importation and lower cash-crop sales. Also, despite

the lower N requirements for SPM (Table 2. 4), the N fertilizer importation increased

by 143% (35.29 g of N 100 kg-1 of FPCM) because mono-ammonium phosphate was

preferred to cover the P needs because of its economic advantage. These

differences in the P needs in the cropland between the use of CS and barley silage

were also observed by Wang et al., (2000). In addition, they reported that an

increase in N mass balance was observed with the higher biological N-fixation

coming from more alfalfa being produced on the farm, which is also slightly seen

(0.05 g of N 100 kg-1 of FPCM) in this study.

The total in GHG emissions were similar, although it was slightly lower (1%

or 1.77 kg of CO2eq 100 kg-1 of FPCM) in SPM scenario in comparison to CS. Of the

on-farm GHG emissions, the CH4 and N2O emissions decreased by 1% (0.61 kg of

CO2eq 100 kg-1 of FPCM) and 2% (0.42 kg of CO2eq 100 kg-1 of FPCM) respectively.

However, the CO2 emissions increased by 8% (0.31 kg of CO2eq 100 kg-1 of FPCM)

88

because of an increase in fuel consumption in the cropland. Also, the GHG

emissions imported decreased by 6% (1.04 kg of CO2eq 100 kg-1 of FPCM). Whilst,

the GHG emissions allocated to milk were similar, the reduction mainly applied to

cash-crop production with a decrease of 28% (1.14 kg of CO2eq 100 kg-1 of FPCM).

This decreased cash-crop production reduced the importation of feeds (and N) and

the amount of N applied to the cropland, which decreased the N2O emissions and

fuel consumption. These relations were also observed by Pugesgaard et al., (2013)

when they compared four different scenarios in a virtual Danish dairy farm in which

the scenario with the lower cash-crop production, presented the lower feed

importation, less fertilizer used and a decrease of the work in the cropland that

together decreased the total GHG emissions in comparison with other scenarios with

a higher cash-crop production and a lower number of animals.

2.5.4 Overall impact of the substitution of CS by SPM or SS

Agronomically, the substitution of CS by SPM or SS in the virtual Canadian

dairy farms decreased the total cropland yield by 14% (17.71 kg of DM 100 kg-1 of

FPCM) and 10% (12.43 kg of DM 100 kg-1 of FPCM), respectively. In all scenarios,

the proportion of forage production (SPM, SS, barley silage, and perennial forage)

were increased in the cropland. In addition, the cash-crop productions were

decreased in all the regions when SPM and SS scenarios where compared with CS.

These observations are in line with Rotz et al., (2001, 2002) which observed that a

decrease in the availability of cropland area resulted in lower cash-crop production.

These decreases in overall yield and in cash-crop productions had a direct

negative impact on FNI. As well, the new crops (SPM and SS) necessitated the

addition of more purchased feed in the diet to meet the animal requirements. The

main hypothesis of this work was that the substitution of CS by SPM or SS would

decrease farm GHG production. Knowing the impact of these strategies on FNI and

total GHG reduction, the GHG mitigation cost of using SPM instead of CS in the

Maritimes, Quebec/Ontario and the Prairies simulated dairy farms were of 0.69, 0.13

and 0.66 $ kg-1 of CO2eq respectively, or 0.26 $ kg-1 of CO2eq in average. Whilst the

89

mitigation cost for the SS scenario in comparison to CS in the Quebec/Ontario

simulated farm was of 0.15 $ kg-1 of CO2eq. However, the GHG emissions allocated

to milk production decreased only slightly with SPM and SS (2 and 3% for SPM and

SS scenarios respectively). The main reduction mainly came from GHG emissions

allocated to the cash-crop production (44 and 32% in average in SPM and SS

scenarios respectively). Overall, the decrease in GHG mainly came from a lower

productivity of the farm, having to allocate more land to milk production and less to

diversification of income. However, the lower crop production in this study was due

for the less amount of cash-crop production that has a higher environnemental

impact in comparison with the crop production destined for the alimentation of the

herd.

The production of SPM and SS as forage on dairy farms is relatively new

under the Canadian context. These crops could probably benefit from agronomic

improvement, such as what was done with corn, in order to become a more

interesting alternative for dairy farmers. Meanwhile, it was shown that increasing milk

production by 10% has the possibility of decrease GHG emissions without a negative

impact on the FNI (Dutreuil et al., 2014). For now, the intensification of the dairy

farm, as proposed by Adler et al., (2015), is more profitable than the substitution of

CS by SPM or SS as a GHG mitigation strategy.

2.5.5 Sensitivity analysis

The sensitivity analysis shows that the increase or decrease of the feed and

fertilizer prices, and of the CS, SPM and SS crop yield had little effects on the

outcomes of this study, CS being more profitable and producing more GHG in nearly

all scenarios than SPM and SS (Table 2. 7). The conclusions from this study are

therefore robust for the zones evaluated.

The augmentation of the feed prices decreased FNI by 12% on average.

Particularly, the increase of the feed prices impacted more the SPM scenarios with

a decline of 16% in FNI, whereas the CS and SS scenarios presented a decrease of

90

9 and 8% in FNI respectively. This scenario was also the more dependent on

purchased feeds. In opposition, the decrease of feed prices increased by 12% the

FNI in average, and by 9, 16 and 8% for CS, SPM and SS respectively. The increase

and decrease of fertilizer prices did not cause major change in the FNI. The change

in CS, SPM and SS crop yield varied the FNI, with an increase of 3% on average

with the increase of the crop yield and a decrease of 4% on average with a decrease

of the crop yield, but did not change the conclusion about the economic interest of

growing SPM or SS in comparison to CS.

Environmentally, feed and fertilizer prices had only little impact on GHG and

N mass balance. The P balance was more affected by the choices in feed made to

decrease the total cost of production. Finally, variations in CS, SPM and SS crop

yield, with their impact on crops sales and purchased feed, had more impact on N

and P mass balance and GHG emissions, mostly because of the modification in the

inputs and outputs on the farms.

2.6 Conclusions

The objective of this study was to investigate with simulations the agro-

environmental and economic impact of replacing CS with SPM or SS in Canadian

dairy farms of three different regions: Maritimes, Quebec/Ontario and Prairies. The

whole-farm simulations were useful in assessing all the implication of using those

crops on dairy farms. The modification in yield and nutritive value when using SPM

or SS in comparison to CS resulted in the necessity to increase the proportion of

cropland area dedicated to feed the dairy herd. It resulted in a positive impact on

GHG production, but a negative impact on FNI. In addition, the modification in

cropland area dedicated to forages increased the need to use purchased feed in the

diets. Where cash-crop production is important, most of the decrease in GHG was

allocated to cash-crop production, that was negatively affected by the inclusion of

the new species. Considering the whole-farm in this analysis allowed to understand

that the gain made by decreasing the GHG mainly came from an overall decrease

in productivity from the farms, which is probably not a sustainable practice for the

91

dairy producers of Canada. These new forages could still benefit from genetic

amelioration under Canadian conditions, which would help to increase the interest

of using them on dairy farms.

2.7 Acknowledgements

This research was funded by Agriculture and AgriFood Canada and Dairy

Farmers of Canada as part of the Dairy Science Cluster Initiative. A special thanks

to Leonardo Guerra Alarcon for his continued support in this study.

2.8 References

Addah, W., Baah, J., Groenewegen, P., Okine, E. K. and McAllister, T. A., 2011.

Comparison of the fermentation characteristics, aerobic stability and nutritive

value of barley and corn silages ensiled with or without a mixed bacterial

inoculant. Can. J. Anim. Sci. 91: 133 – 146.

Bougouin, A., Ferlay, A., Doreau, M. and Martin, C. 2018. Effects of carbohydrate

type or bicarbonate addition to grass silagebased diets on enteric methane

emissions and milk fatty acid composition in dairy cows. J.Dairy Sci. 101: 6085 –

6097.

Adler, A.A., Doole, G.J., Romera, A.J. and Beukes, P.C., 2015. Managing

greenhouse gas emissions in two major dairy regions of New Zealand: A system-

level evaluation. Agric. Sys. 135:1–9.

Agostini, A., Battini, F., Padella, M., Giuntoli, J., Baxter, D., Marelli, L. and

Amaducci, S. 2016. Economics of GHG emissions mitigation via biogás

production from Sorghum, maize and dairy farm manure digestion in the Po valley.

Biomass Bioenergy 89: 58 – 66.

Amer, S. and Mustafa, A.F. 2010. Effects of feeding pearl millet silage on milk

production of lactating dairy cows. J. Dairy Sci. 93: 5921 – 5925.

Amer, S., Seguin, P. and Mustafa, A.F. 2012. Effects of feeding sweet sorghum

silage on milk production of lactating dairy cows. J. Dairy Sci. 95: 859 – 863.

92

Archer, D.W., Jaradat, A.A., Johnson, J.M.F., Weyers, S.L., Gesch, R.W.,

Forcella, F. and Kludze, H.K. 2007. Crop productivity and economics during the

transition to alternative cropping systems. Agron. J. 99:1538 – 1547.

Arriaga-Jordán, C.M., Albarran-Portillo, B., García-Martínez, A. and Castelán-

Ortega, O.A. 2002. On-farm comparison of feeding strategies based on forages

for small-scale dairy production systems in the highlands of central Mexico. Exp.

Agric. 38: 375 – 388.

Baran, M.S., Gul, I. and Demirel, R. 2008. Effects of Sorghum on nutrient

digestibility and some milk parameters in Dairy cow rations. J. Anim. Vet. Adv. 7,

879 – 884.

Baron, V. S., Najda, H. G. and Stevenson, F. C. 2006. Influence of population

density, row spacing and hybrid on forage corn yield and nutritive value in a cool-

season environment. Can. J. Plant Sci. 86: 1131–1138.

Benchaar, C., Hassanat, F., Gervais, R., Chouinard, P.Y., Petit, H.V. and

Massé, D.I. 2014. Methane production, digestion, ruminal fermentation, nitrogen

balance and milk production of cows fed corn silage- or barley silage-based

diets. J. Dairy Sci. 97: 961 – 974.

Bender, R.W., Lopes, F., Cook, D.E. and Combs, D.K. 2016. Effects of partial

replacement of corn and alfalfa silage with tall fescue hay on total-tract

digestibility and lactation performance in dairy cows. J. Dairy Sci. 99: 5436 -

5444

Berentsen, P.B.M. and Giesen, G.W.J. 1995. An environmental-economic model

at farm level to analyse institutional and technical change in dairy farming. Agric.

Syst. 49 : 153 – 175.

Bouchard, A., Vanasse, A., Seguin, P. and Bélanger, G. 2011. Yield and

composition of sweet pearl millet as affected by row spacing and seeding rate.

Agronomy journal 103: 995 – 1001.

93

Brunette, T., Baurhoo, B. and Mustafa, A.F. 2014. Replacing corn silage with

different forage millet silage cultivars: Effects on milk yield, nutrient digestion, and

ruminal fermentation of lactating dairy cows. J. Dairy Sci. 97: 6440 – 6449.

Brunette, T., Baurhoo, B. and Mustafa, A.F. 2016. Effects of replacing grass silage

with forage pearl millet silage on milk yield, nutrient digestion and ruminal

fermentation of lactating dairy cows. J. Dairy Sci. 99: 269 – 279.

Castelán-Ortega, O.A., Martínez-García, C.G., Mould, F.L., Dorward, P.,

Rehman, T. and Rayas-Amor, A.A. 2016. Optimal management of on-farm

resources in small-scale dairy systems of central Mexico: model development and

evaluation. Trop. Anim. Health. Prod. 48: 951 – 958.

Castelán-Ortega, O.A., Ku-Vera, J.C.c, Estrada-Flores Jg, 2014. Modeling

methane emissions and methane inventories for cattle production systems in

mexico. Atmósfera. 27: 185-191.

Cattani, M., Guzzo, N., Mantovani, R. and Bailoni, L. 2017. Effects of total

replacement of corn silage with sorghum silage on milk yield, composition and

quality. J. Anim. Sci. Biotechnol. 8: DOI 10.1186/s40104-017-0146-8

Cela, S., Ketterings, Q.M., Czymmek, K., Soberon, M. and Rasmussen, C. 2015.

Long-term trends of nitrogen and phosphorus mass balances on New York state

dairy farms. J. Dairy Sci. 98:7052 – 7070.

Centre de référence en agriculture et agroalimentaire du Québec (CRAAQ)

2015. Guide de référence en fertilisation. 2nd ed. CRAAQ, Quebec, Canada.

Chapman, D.F., Kenny, S.N. and Lane, N. 2011. Pasture and forage crop systems

for non-irrigated dairy farms in southern Australia: 3. Estimated economic value

of additional home-grown feed. Agric. Sys. 104: 589 – 599.

Colombini, S., Zucali, M., Rapetti, L., Crovetto, G.M., Sandrucci, A. and Bava,

L. 2015. Substitution of corn silage with sorghum silages in lactating cow diets: in

vivo methane emission and global warming potential of milk production. Agric.

Syst. 136: 106 – 113.

94

Costello, C., Griffin, W.M., Landis, A.E. and Matthews, H.S. 2009. Impact of

biofuel crop production on the formation of hypoxia in the Gulf of Mexico. Environ.

Sci. technol. 43: 7985 – 7991.

Crosson, P., Shalloo, L., O’ Brien, D., Lanigan, G.J., Foley, P.A., Boland, T.M.

and Kenny, D.A. 2011. A review of whole farm systems models of greenhouse

gas emissions from beef and dairy cattle production systems. Anim. Feed Sci.

Tech. 166: 29 – 45.

dos Passos, B., Tremblay, G.F., Bélanger, G., Seguin, P., Brégard, A. and

Vanasse, A. 2016. Bagasse silage from sweet pearl millet and sweet sorghum as

influenced by harvest dates and delays between biomass chopping and pressing.

Bioenerg. Res. 9: 88 – 97.

dos Passos, B.A., Tremblay, G.F., Bélanger, G., Brégard, A., Seguin, P. and

Vanasse A. 2015. Sugar yield of sweet pearl millet and sweet sorghum as

influenced by harvest dates and delays between biomass chopping and pressing.

Bioenerg Res 8:100–108

Dutreuil, M., Wattiaux, M. Hardle, C.A. and Cabrera, V.E. 2014. Feeding

strategies and manure management for cost-effective mitigation of greenhouse

gas emissions from dairy farms in Wisconsin. J. Dairy Sci. 97: 1 – 14.

Gameiro, A.H., Rocco, C.D. and Caixeta Filho, J.V. 2016. Linear programming in

the economic estimate of livestock-crop integration: application to a Brazilian dairy

farm. R. Bras. Zootec. 45: 181 – 189.

Government of Alberta, 2018a. AgriProfit$ . . . cost and return benchmarks for

crops and forages: Black soil zone [online] Available:

https://open.alberta.ca/dataset/agriprofit-cost-and-return-benchmarks-for-crops-

and-forages-black-soil-zone [2017 Oct. 01]

Government of Alberta, 2018b. Economics of milk production (Dairy cost study)

[Online]. Available:

https://www1.agric.gov.ab.ca/$Department/deptdocs.nsf/all/econ14116 [2017

Oct. 01]

https://open.alberta.ca/dataset/agriprofit-cost-and-return-benchmarks-for-crops-and-forages-black-soil-zone


https://www1.agric.gov.ab.ca/$Department/deptdocs.nsf/all/econ14116

95

Government of Alberta, 2018c. Farm input prices [Online]. Available:

http://www.agric.gov.ab.ca/app21/farminputprices [2017 Oct. 01]

Guyader, J., Little, S., Kröbel, R., Benchaar, C. and Beauchemin, K.A. 2017.

Comparison of greenhouse gas emissions from corn- and barley-based dairy

production systems in Eastern Canada. Agric. Sys. 152: 38 – 46.

Guyader, J., Eugène, M., Nozière, P., Morgavi, D.P., Doreau, M. and Martin, C.

2014. Influence of rumen protozoa on methane emissions in ruminants: A meta-

analysis approach. Animal 8: 1816 – 1825.

Intergovernmental Panel on Climate Change (IPCC), 2006. IPCC Guidelines for

National Greenhouse Gas Inventories. vol. 4: Agricultural, Forestry and Other

Land Use. Chapter 10: Emissions from Livestock and Manure Management.

IGES, Kanagawa, Japan.

Morgavi, D.P., Martin, C., Jouany, J.P. and Ranilla, M.J. 2012. Rumen protozoa

and methanogenesis: Not a simple cause-effect relationship. Br. J. Nutr. 107: 388

– 397.

International Dairy Federation (IDF), 2015. Bulletin of the international Dairy

federation 479/2015: A common carbon footprint approach for the dairy sector.

The IDF guide to standart life cycle assessment methodology. Belgium.

Janzen, H.H., Angers, D.A., Boehm, M., Bolinder, M., Desjardins, R.L., Dyer,

J.A., Ellert, B.H., Gibb, D.J., Gregorich, E.G., Helgason, B.L., Lemke, R.,

Massé, D., McGinn, S.M., McAllister, T.A., Newlands, N., Pattey, E., Rochette,

P., Smith, W., VandenBygaart, A.J. and Wang, H. 2006. A proposed approach

to estimate and reduce net greenhouse gas emissions from whole farms. Can. J.

Soil. Sci. 86: 401 – 418.

Klootwijk, C.W., Van Middelaar, C.E., Berentsen, P.B.M. and de Boer J.M. 2016.

Dutch dairy farms after milk quota abolition: Economic and environmental

consequences of a new manure policy. J. Dairy Sci. 99: 8384 – 8396.

http://www.agric.gov.ab.ca/app21/farminputprices

96

Kristensen, T., Mogensen, L., Knudsen, M.T. and Hermansen, J.E. 2011. Effect

of production system and farming strategy on greenhouse gas emissions from

commercial dairy farms in a life cycle approach. Livest. Sci. 140: 136 – 148.

Kumar, S., Bishnoi, U.R. and Cebert, E. 2007. Impact of rotation on yield and

economic performance of summer crops-winter canola cropping systems. Am.-

Eurasian J. Sustain. Agric. 1: 68–76.

La financière agricole du Québec, 2016. Rendements de référence. [Online]

Available: https://www.fadq.qc.ca/statistiques/assurance-recolte/rendements-de-

reference/ [2015, Dic. 30]

Layek, J., Shivakumar, B.G., Rana, D.S., Munda, S., Lakshman, K., Das, A. and

Ramkrushna, G.I. 2014. Soybean-Cereal intercropping systems as influenced by

nitrogen nutrition. Agron. J. 106: 1933 – 1946.

Leblanc, V., Vanasse, A., Bélanger, G. and Seguin, P. 2012. Sweet pearl millet

yields and nutritive value as influenced by fertilization and harvest dates. Agron J

104: 542 – 549.

Liebman, M., Gibson, L.R., Sundberg, D.N., Heggenstaller, A.H., Westerman,

P.R., Chase, C.A., Hartzler, R.G., Menalled, F.D., Davis, A.S. and Dixon, P.M.

2008. Agronomic and economic performance characteristics of conventional and

low-external-input cropping systems in the Central Corn Belt. Agron. J. 100: 600

– 610.

McGinn, S.M. and Beauchemin, K.A., 2012. Dairy farm methane emissions using

a dispersion model. J. Environ. Qual. 41: 73–79.

National Research Council (NRC), 2001. Nutrient requirements of Dairy cattle. 7th

ed. Natl. Acad. Press, Washington, D.C.

Olmstead, J. and Brummer, E.C. 2008. Benefits and barriers to perennial forage

crops in Iowa corn and soybean rotations. Renew. Agr. Food Syst. 23: 97– 107.

Palumbo, A.D., Vonella, A.V., Garofalo, P., D’Andrea, L. and Rinaldi, M. 2014.

Response of a two-year sugar beet-sweet sorghum rotation to an agronomic

https://www.fadq.qc.ca/statistiques/assurance-recolte/rendements-de-reference/


97

management approach diversified by soil tillage and nitrogen fertilization. Ital. J.

Agron. 9: 109 – 114.

Pellerin, D., Charbonneau, E., Fadul-Pacheco, L., Soucy, O. and Wattiaux, M.A.

2017. Economic effect of reducing nitrogen and phosphorus mass balance on

Wisconsin and Québec dairy farms. J. Dairy Sci. 100: 8614 – 8629.

Pour, A.H., Khorvash, M., Ghorbani, G., Ebadi, M., Mohammadzadeh, H. and

Boroumand-jazi, M. 2012. Comparison of chemical and degradability

characteristics in three sorghum silage varieties with corn silage using in vitro and

in situ methods. Pages 224 – 225 in K. Kuoppala, M. Rinne, A. Vanhatalo and

Hämeenlinna, eds. XVI International Silage Conference, Finland, 2 – 4 July 2012.

Pugesgaard, S., Olesen, J.E., Jørgensen, U. and Dalgaard, T. 2013. Biogas in

organic agriculture – effects on productivity, energy self-sufficiency and

greenhouse gas emissions. Renew. Agr. Food Syst. 29: 28 – 41.

Rochette, P., Angers, D.A., Bélanger, G., Chantigny, M., Prévost, D. and

Lévesque, G. 2004. Emissions of N2 O from alfalfa and soybean crops in Eastern

Canada. Soil Science Society of America Journal 68: 493–506

Rotz, C.A., Roth, G.W. and Stout, W.L. 2002. Economic and environmental

implications of small grain production and use on Pennsylvania dairy farms. Appl.

Eng. Agric. 18: 417 – 428.

Rotz, C.A., Roth, G.W., Soder, K.J. and Schnabel, R.R. 2001. Economic and

environmental implications of soybean production and use on Pennsylvania dairy

farms. Agron. J. 93: 418 – 428.

Spears, R.A., Kohn, R.A. and Young, A.J. 2003a. Whole-farm nitrogen balance on

western dairy farms. J. Dairy Sci. 86: 4178 - 4186.

Spears, R.A., Young, A.J. and Kohn, R.A. 2003b. Whole-Farm phosphorus

balance on western dairy farms. J. Dairy Sci. 86: 688 – 695.

98

Stanton, D., Grombacher, A. W., Pinnisch, R., Mason, H. and Spaner, D. 2007.

Hybrid and population density affect yield and quality of silage maize in north

central Alberta. Can. J. Plant Sci. 87: 867–871

Thivierge, M-N., Chantigny, M.H., Be´langer, G., Seguin, P., Bertrand, A. and

Vanasse, A. 2015a. Response to nitrogen of sweet pearl millet and sweet

sorghum grown for ethanol in eastern Canada. Bioenerg Res. 8: 807 – 820.

Thivierge, M-N., Chantigny, M.H., Seguin, P. and Vanasse A. 2015b. Sweet pearl

millet and sweet sorghum have high nitrogen uptake efficiency under cool and

wet climate. Nutr. Cycl. Agroecosys 102:195 – 208

Thivierge, M-N., Jégo, G., Bélanger, G., Bertrand, A., Tremblay, G.F., Rotz, C.A.

and Qian, B. 2016. Predicted yield and nutritive value of an alfalfa-timothy mixture

under climate change and elevated atmospheric carbon dioxide. Agron. J. 108:

585 – 603.

Vadas, P.A., Powell, J.M., Brink, G.E., Bush, D.L. and Good, L.W. 2015. Whole-

farm phosphorus loss from grazing-based dairy farms. Agric. Sys. 140: 40 – 47.

Wang, S.J., Fox, D.G., Cherney, D.J.R., Chase, L.E. and Tedeschi, L.O. 2000.

Whole-herd optimization with the cornell net carbohydrate and protein system. III.

Application of an Optimization model to evaluate alternatives to reduce nitrogen

and phosphorus mass balance. J. Dairy Sci. 83: 2160 – 2169.

Xue, X., Pang, Y. and Landis, A.E. 2014. Evaluating agricultural management

practices to improve the environmental footprint of corn-derived ethanol. Renew.

Energ. 66: 454 – 460.

99

Table 2. 1. Herd size, FPCM yield, milk composition, milk price and agronomic characteristics of dairy farms in three regions of Canada.

Item Maritimes Quebec / Ontario Prairies

Herd:

Breed Holstein Holstein Holstein

Heads, dairy and dry cows 63 71 144

Production:

FPCMz yield, kg cow-1 year-1 8 154 8 652 8 426

Milk fat, % 4.01 4.01 3.78

Milk protein, % 3.25 3.29 3.19

Economic inputs

Milk price, $ hl-1 75.22 75.67 74.95

Agronomic parameters

Cropland, ha 135 95 255

CHUy 1 987 – 2 246 2 893 – 3 286 1 917 – 2 275

zFPCM: Fat- and protein- corrected milk = Milk yield (kg yr-1) x [0.1226 x Fat% + 0.0776 x Protein%

+ 0.2534] (IDF, 2015)

yCHU: Corn heat units

100

Table 2. 2. Crop rotations of each region with the number of years needed per rotation.

Scenario Maritimes Quebec/Ontario The Prairies

Rotation Crops/years Crops/years Crops/years

R1 Bg/As+As+Mxs+Mxsz 4 XX+As+As+Mxs 4 XX+XX+Bg/As+As+As+

As 6

R2 Bg+Bg+Can 3 Cg+Cg+Soybean 3 XX+Bg+Bg/As+As+As+

As 6

R3 XX+Bg/As+As+Mxs+Mxs 5 Cg+XX+Wg/As+As+Mxs+

Mxs+Gh 7 Bg+Bg+Pea 3

R4 XX+XX+Bg/As+As+Mxs 5 Wg/As+As+Mxs+Mxs 4 XX+XX+Pea+Bg/As+As

+As+As

7

R5 Bg/As+As+Mxs+Mxs+Gh 5 XX+XX+Wg/As+As+Mxs+

Mxs 6

XX+Bg+Pea+Bg/As+As

+As+As 7

R6 Bg+Bg/As+As+Mxs+Mxs 5 XX+As+As+Mxs 4 XX+Bs+Bg/As+As+As+

As 6

R7 Bg+Can+Bg/As+As+Mxs 5 Cg+Cg+Soybean 3 XX+Bg+Bg/As+As+As+

As 6

R8 Bg/As+As+Mxs+Mxs 4 Cg+XX+Wg/As+As+Mxs+

Mxs+Gh 7 Bg+Bg+Pea 3

R9 Bg/As+As+Mxs 3 Wg/As+As+Mxs+Mxs 4 XX+Bs+Pea+Bg/As+As

+As+As

7

R10 Bg/As+As+Mxs+Mxs+Gh 5 XX+XX+Wg/As+As+Mxs+

Mxs 6

XX+Bg+Pea+Bg/As+As

+As+As 7

zXX: Corn silage or Sweet pearl millet silage or Sweet sorghum silage; B: Barley; A: Alfalfa (>75%

leguminous); Mx: Mixed (50% grass and 50% leguminous); Can: Canola; C: Corn; G: Grass (>75%

grass); W: Wheat; s: silage; g: grain; /: association (two crops in the same area and in the same year).

101

Table 2. 3. Chemical composition and agronomic characteristics of corn silage (CS),

sweet pearl millet silage (SPM) and sweet sorghum silage (SS) in the three regions.

Scenario Maritimes Quebec/Ontario Prairies

Forage CSz SPM CS SPM SS CS SPM

Silage

composition

DM, g of DM kg-1 of

FM 348.3 261.0 350.0 287.0 270.5 348.3 261.0

NEl, MJ kg-1 of DM 5.48 4.56 5.57 4.82 4.86 5.48 4.56

CP, g kg-1 of DM 91.8 105.0 78.8 122.5 87.5 91.8 105.0

NDF, g kg-1 of DM 463.0 698.0 425.9 669.0 614.0 463.0 698.0

NFC, g kg-1 of DM 380.4 125.0 436.5 135.9 245.6 380.4 125.0

EE, g kg-1 of DM 32.3 21.0 30.7 21.0 16.0 32.3 21.0

ADL, g kg-1 of DM 30.7 38.0 27.4 30.5 34.0 30.7 38.0

Ash, g kg-1 of DM 45.5 72.0 41.3 73.0 55.5 45.5 72.0

Price, $ t-1 DM 144.08 177.94 143.95 178.84 147.68 144.08 177.94

Forage yield

and needs of

fertilizer

Yield, t DM ha-1 11 7 18 11 13 11 7

Ny, kg ha-1 130 110 170 110 130 80 60

P, kg ha-1 40 63 40 63 63 40 63

k, kg ha-1 110 75 110 75 75 110 75

Cost, $ ha-1 619 470 749 575 561 698 500 zCS: corn silage; SPM: Sweet pearl millet; SS: Sweet sorghum; Data for CS came from NRC (2001),

and data for SPM and SS came from Amer and Mustafa (2010), Bouchard et al., (2011), Amer et al.,

(2012), Leblanc et al., (2012), dos Passos et al., (2015) and dos Passos et al., (2016).

yNeeds of fertilizer for the average LU that represent the mean between the LU with a high soil P

amount and LU with a low soil P amount.

102

Table 2. 4. Rotation, crop production, and fertilizer (synthetic and manure) used in virtual

farms with Corn Silage (CS), Sweet Pearl Millet (SPM) or Sweet Sorghum (SS) in the

Maritimes, Quebec/Ontario and the Prairies

Item Maritimes Quebec/Ontario Prairies

CS SPM CS SPM SS CS SPM

Rotation, %

LU Hy

R1z - - - - - 100 40

R2 6 - 97 25 50 - -

R3 21 - - 24 - - 60

R4 73 100 - - - - -

R5 - - 3 51 50 - -

LU L

R6 - - - - - 17 100

R7 100 100 - 46 35 - -

R8 - - - - - 83 -

R9 - - - - - - -

R10 - - 100 54 65 - -

Crop yield, kg of DM 100 kg-1 of FPCMx

Total 137.10 120.14 125.85 107.37 113.42 121.89 104.22

CS (35)w 51.62 - 48.51 - - 44.97 -

SPM - 36.85 - 32.63 - - 22.16

SS - - - - 38.58 - -

Alfalfa silage (83) 34.78 35.84 12.06 14.65 13.46 26.75 31.99

Mixed silage (74) 24.10 22.59 15.18 18.44 16.94 - -

Barley silage (10) - - - - - 2.43 14.01

Grass hay (52) - - - 1.29 - - -

Corn grain (27) - - 41.89 (88)v 33.26 (45) 36.71 (65) - -

Barley grain (08) 14.49 (16) 13.60 - - - 26.62 20.09

Wheat grain (116) - - 1.20 (100) 1.45 (100) 1.34 (100) - -

Soybean (108) - - 6.02 (100) 4.43 (100) 5.28 (100) - -

Canola (18) 5.04 (100) 4.59 (100) - - - - -

Pea - - - - - 7.44 (100) 5.37 (100)

Straw (120, bed) 7.08 6.66 1.00 1.21 1.11 13.68 10.61

Fertilizer needs kg 100 kg-1 of FPCM

N 1.23 1.13 1.32 1.03 1.08 0.61 0.45

P 0.98 1.09 1.38 0.59 0.58 0.71 0.87

K 2.15 2.13 0.97 1.15 1.16 0.95 1.39

Purchased fertilizer, kg 100 kg-1 FPCM

Total 1.26 1.02 1.25 0.03 0.26 0.22 0.55

18-46-00 0.37 - - - - - -

27-00-00 0.34 - 1.25 0.03 0.26 - -

00-46-00 - - - - - - -

00-00-60 - - - - - - -

11-52-00 0.55 1.02 - - - 0.22 0.55

Manure, kg 100 kg-1 FPCM

Total 527.02 527.02 508.06 508.06 508.06 532.42 532.42

N 1.10 1.13 0.99 1.02 1.01 1.08 1.07

P 0.23 0.25 0.26 0.26 0.29 0.26 0.25

K 1.80 2.01 1.56 1.72 2.10 1.62 1.80

103

zR1-R10: represents the rotations of the Table 2;

yLU H: Land unit higher in soil P and OM; LU L: Land unit lower in soil P and OM.

xFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% +

0.2534] (IDF, 2015).

wNumber in the parenthesis is the NRC (2001) ingredient.

vNumber in the parenthesis represent the percentage sold.

104

Table 2. 5. Type and quantity of feeds used for diet formulation in virtual farms with Corn

Silage (CS), Sweet Pearl Millet (SPM) or Sweet Sorghum (SS) in the Maritimes,

Quebec/Ontario and the Prairies

Item Maritimes Quebec/Ontario Prairies CS SPM CS SPM SS CS SPM

Feed used, kg of DM 100 kg-1 of FPCMz

Total 124.59 124.1 120.12 119.44 119.76 128.22 126.67 DM intake 119.19 119.19 114.96 114.96 114.96 122.40 122.40 Refused feed, % 4.53 4.12 4.49 3.90 4.18 4.76 3.49 Home-grown feed, % 86.15 75.51 58.82 62.83 59.34 70.23 60.85 Forage, % 79.72 67.44 66.12 53.50 58.37 67.04 57.66 Home-grown feed, kg of DM 100 kg-1 of FPCM

Corn silage (35)y 45.42 42.68 39.57

Sweet pearl millet silage (XX) 31.14 27.57 18.73 Sweet sorghum silage (XX) 32.60

Alfalfa silage (83) 29.39 30.29 10.19 12.38 11.37 22.60 27.03 Mixed silage (74) 20.36 19.09 12.83 15.59 14.32

Barley silage (10) 2.06 11.84 Grass hay (52) 1.06

Corn grain (27) 4.96 18.45 12.78

Barley grain (08) 12.15 13.29 25.83 19.49 Purchased feed, kg of DM 100 kg-1 of FPCM

Grass hay (52) 2.14 1.16 11.86 5.45 9.77 19.88 13.58 Corn grain (27) 5.11

Barley grain (08) 5.81 17.10 21.33 17.82 0.76 19.15 Wheat grain (116) 4.13 7.23 2.26 5.72 Canola (19) 0.62 2.52 6.52 5.51 6.15 3.29 1.54 Soybean meal, expellers (104) 1.57 0.93 1.44 0.93 Soybean meal, dried (107) 2.15

Blood meal ring (14) 1.67 1.09 0.06 0.84 1.66 1.66 Corn distiller grain (23) 3.61 3.61 8.13 8.91 8.91

Wheat distiller grain (XX) 5.39 3.66 Beet pulp (11) 2.22

Straw, feed (120) 2.01 2.01 1.85 1.85 1.85 1.86 1.86 Fat and oils, Calcium soaps (40) 0.72 0.13 0.88 0.20 0.27 0.86 0.58 Purchased Minerals, kg of DM 100 kg-1 of FPCM

CaCO3 0.05 0.21 0.31 0.39 0.34 0.19 0.32 CaHPO4 0.12 0.12

MgO 0.01 0.01 0.02 CaSO4 0.14 0.01 0.11 0.20 0.06 0.06 0.02 NaCl 0.44 0.44 0.46 0.49 0.40 0.49 0.53 MgSO4 0.03 0.03 0.06 0.05 0.03 0.02 Bed (straw,120), kg of DM 100 kg-1 of FPCM

Home-grown 5.80 5.46 0.82 0.99 0.91 11.22 8.70 Purchased 10.37 10.71 14.5 14.32 14.4 4.93 7.45

zFPCM: Fat- and protein- corrected milk = Milk yield (kg yr-1) x [0.1226 x Fat% + 0.0776 x Protein%

+ 0.2534] (IDF, 2015).

yNumber in the parenthesis is the NRC (2001) ingredient.

105

Table 2. 6. Farm incomes and expenses, balance of nutrients (N and P balance) and

GHG emissions (total and allocated) of virtual farms with Corn Silage (CS), Sweet Pearl

Millet (SPM) or Sweet Sorghum (SS) in the Maritimes, Quebec/Ontario and the Prairies

Item Maritimes Quebec/Ontario Prairie

CS SPM CS SPM SS CS SPM

Revenue, $ 100 kg-1 of FPCMz

Farm net income 11.01 8.69 22.55 20.53 20.73 23.39 22.23

Income

Milk and animal 80.21 80.21 83.19 83.19 83.19 78.62 78.62

Cash-crop 3.02 2.36 12.84 6.23 9.04 2.18 1.58

Expenses

Homegrown feed 12.60 11.99 10.33 9.53 9.65 12.08 10.47

Purchased feed 9.96 12.36 17.94 14.94 17.27 11.58 13.48

Purchased fertilizer 1.03 0.92 0.80 0.02 0.17 0.19 0.45

Manure spreading 0.79 0.79 0.76 0.76 0.76 0.80 0.80

N balance, g 100 kg-1 of FPCM

Total 1223.48 1416.11 1282.47 1148.85 1234.62 1329.92 1550.99

Import

Purchased feed 911.85 1141.23 1837.48 1562.59 1790.54 1400.07 1459.83


Biological fixation 867.64 871.04 547.19 592.36 574.44 664.11 713.28

Export

Milk and animal 587.66 587.66 589.65 589.65 589.65 609.05 609.05

Cash-crop 345.20 279.02 942.91 516.05 703.49 276.02 199.15

P balance, g 100 kg-1 of FPCM

Total 169.52 280.37 41.80 97.06 74.32 83.43 203.60

Import

Purchased feed 119.84 186.53 299.87 281.37 290.13 181.79 220.64


Export

Milk and animal 112.02 112.02 111.02 111.02 111.02 119.10 119.10

Cash-crop 37.50 26.69 147.05 73.29 104.78 30.30 21.86

GHG emissions, kgCO2eq 100 kg-1 of FPCM

Total 163.22 159.85 169.32 153.31 157.19 149.29 147.53

On-farm emissions, % 86.40 86.28 78.77 83.82 82.79 88.80 89.37

CH4 105.40 104.56 97.25 96.07 97.11 103.15 102.53

N2O 27.83 26.10 31.96 28.45 29.11 25.57 25.16

CO2 7.78 7.26 4.17 3.99 3.91 3.84 4.15

CO2eq. (imported)y 22.20 21.93 35.95 24.81 27.05 16.73 15.68

Milk allocation 130.31 128.65 122.36 118.98 118.27 115.63 115.13

Cash-Crop allocation 5.93 4.57 22.63 10.68 15.41 4.04 2.90

Beef allocation 26.98 26.63 24.33 23.65 23.51 29.63 29.50 zFPCM: Fat- and protein- corrected milk = Milk yield (kg yr-1) x [0.1226 x Fat% + 0.0776 x Protein%

+ 0.2534] (IDF, 2015).

yCO2eq imported: greenhouse gas emissions on CO2eq of the purchased feeds and fertilizers and

other crop inputs.

106

Table 2. 7. Sensitivity analysis when feed prices, fertilizer prices or CS, SPM or SS yield vary on the farm net income (FNI), N and P

balance and greenhouse gas (GHG) emission in the Maritimes, Quebec/Ontario and the Prairies.

CS SPM SS

FNI

($ 100 kg-1

of FPCMz)

N

(g 100

kg-1 of

FPCM)

P

(g 100

kg-1 of

FPCM)

GHG

(kg

CO2eq

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM1)

N

(g 100

kg-1 of

FPCM)

P

(g 100

kg-1 of

FPCM)

GHG

(kg

CO2eq

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM1)

N

(g 100

kg-1 of

FPCM)

P

(g 100

kg-1 of

FPCM)

GHG

(kg

CO2eq

100 kg-1

of

FPCM)

Ma

ritim

es

Normal 11.01 1223.48 169.52 163.22 8.69 1416.11 280.37 159.85 - - - -

Feed prices +25% 9.44 1248.02 169.16 164.83 6.39 1417.68 280.22 159.91 - - - -

Feed prices -25% 12.58 1199.75 170.52 162.81 10.99 1417.33 280.02 159.85 - - - -

Fertilizer prices +10% 10.90 1199.77 170.51 162.81 8.59 1416.11 280.37 159.85 - - - -

Fertilizer prices -10% 11.09 1250.24 169.98 165.43 8.78 1416.11 280.37 159.85 - - - -

Crop yield +10% 11.38 1190.77 164.19 163.34 9.27 1380.45 273.59 160.92 - - - -

Crop yield -10% 10.57 1245.32 174.62 163.33 8.03 1468.23 287.12 160.34 - - - -

Qu

eb

ec / O

nta

rio

Normal 22.55 1282.47 41.80 169.32 20.53 1148.85 97.06 153.31 20.73 1234.62 74.32 157.19

Feed prices +25% 21.62 1282.47 41.80 169.32 18.65 1152.00 96.94 153.24 19.02 1241.86 78.24 157.58

Feed prices -25% 23.48 1283.43 43.22 169.02 22.38 1123.66 93.98 152.21 22.49 1219.70 63.45 155.72

Fertilizer prices +10% 22.47 1282.47 41.80 169.32 20.53 1148.85 97.06 153.31 20.72 1234.28 74.14 157.17

Fertilizer prices -10% 22.63 1282.47 41.80 169.32 20.53 1148.85 97.06 153.31 20.75 1241.86 78.24 157.58

Crop yield +10% 23.12 1269.27 32.58 168.48 21.09 1099.84 84.48 154.32 21.39 1193.22 60.05 157.68

Crop yield -10% 21.91 1328.44 53.37 168.65 19.83 1233.86 109.65 152.92 20.04 1275.57 85.94 156.41

Pra

irie

s

Normal 23.39 1329.92 83.43 149.29 22.23 1550.99 203.60 147.53 - - - -

Feed prices +25% 21.32 1329.64 83.30 149.31 19.55 1551.29 203.63 147.55 - - - -

Feed prices -25% 25.48 1356.01 104.43 147.88 24.90 1550.99 203.60 147.53 - - - -

Fertilizer prices +10% 23.37 1329.92 83.43 149.29 22.18 1550.99 203.60 147.53 - - - -

Fertilizer prices -10% 23.41 1329.92 83.43 149.29 22.27 1550.99 203.60 147.53 - - - -

Crop yield +10% 24.07 1277.24 79.66 149.16 22.67 1511.17 193.77 147.47 - - - -

Crop yield -10% 22.64 1414.80 120.66 147.67 21.75 1597.26 209.98 147.88 - - - -

zFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015).

107

2.9 Appendix

Table A2. 1. Dairy farm characteristics for the virtual farms in the Maritimes, Quebec/Ontario and the Prairies


Herd structure: cows

Management tie-stall tie-stall free-stall


Heads 63 71 144

Body weight, kg 656 656 682

Calving interval, months 13.8 13.7 14.0

Culling, % 33.0 34.0 40.4

Herd structure: heifers

Mortality, % 10 10 10

Age at first calving, month 25.3 25.3 37.5

Economic inputs

Milk fat price, $ kg-1 9.67 9.67 11.48

Milk protein price, $ kg-1 8.89 8.89 4.15

Total variable costs, $ hl-1 8.87 8.37 7.73

Total fixed costs, $ 201 312 218 159 303 232

Agronomic and manure management

Storage liquid, uncovered liquid, uncovered liquid, uncovered

Manure spreading Broadcast, no

incorporation

Broadcast, no

incorporation

Spray misting, no

incorporation

Land unit LU Hz LU L LU H LU L LU H LU L

Organic matter in soil, % 7.7 6.2 5.3 4.0 9.0 7.0

N in soil, kg ha-1 30.0 30.0 18.8 7.5 45.0 30.0

P in soil, kg ha-1 98.0 58.0 106.5 163.5 98.0 58.0

K in soil, kg ha-1 273.0 184.0 225.3 349.8 273.0 184.0

zLU H: Land unit higher in soil P and OM; LU L: Land unit lower in soil P and OM.

108

Table A2. 2. Agronomic characteristics of the home-grown feeds for the virtual

farms in the Maritimes, Quebec/Ontario and the Prairies

Forage

Yield, t

DM

ha-1

Fertilizer N

fixation,

kg t-1

N

residue,

g N kg-1

P

removal,

kg ha-1

Fuel, L

ha-1 N, kg ha-1 P, kg ha-1 K, kg ha-1

LU Hz LU L LU H LU L LU H LU L

Maritimes

Corn silage 11 111 130 30 50 75 145 0 20 29 164

Sweet pearl millet silage 7 91 110 51 74 63 88 0 27 16 113

Alfalfa silage year 1 2 0 0 0 0 0 0 18 0 5 49


Mixed silage Year 1 4 21 40 25 35 60 140 10 0 12 98


Grass hay 4 91 110 29 36 46 99 0 30 9 81

Barley grain 2 61 80 31 54 34 61 0 16 9 72

Quebec/Ontario

Corn silage 18 151 170 30 50 75 145 0 20 39 163


Sweet sorghum silage 13 111 130 51 74 63 88 0 26 45 113





Grass hay 5 91 110 29 36 46 99 0 30 14 87

Corn grain 8 151 170 30 50 50 70 0 12 25 72

Wheat grain 1 41 60 33 58 58 113 0 0 4 72

Prairies

Corn silage 12 80 80 30 45 20 100 0 20 28 110





Barley silage 8 40 55 25 40 50 100 0 20 22 92

Barley grain 4 30 55 25 40 10 40 0 16 19 35


109

Table A2. 3. Purchase price and cost of production of different ingredients in the

Maritimes, Quebec/Ontario and the Prairies.

Item Maritimes Quebec/Ontario Prairies

Purchase Production Purchase Production Purchase Production

Home-grown feed, $ t DM-1

Corn silage (35)z NA2 54 NA 42 NA 71 Alfalfa silage (83) 186 274 185 242 159 341 Mixed silage (74) 186 83 186 77 - - Barley silage (10) - - - - 297 43 Sweet pearl millet silage (XX) NA 67 NA 52 NA 71 Sweet sorghum silage (XX) - - NA 43 - - Grass hay (52) 186 51 186 47 160 - Mid mature mixed hay (83) - - - - 160 - Barley grain (08) 225 125 233 - 197 104 Corn grain (27) 317 - 272 85 187 - Wheat grain (116) 297 - 297 219 219 - Pea (XX) - - - - 303 211

Soybean, seed (108) - - 478 183 - -

Canola, seed (18) 531 197 - - - Straw, bed (120) 120 - 121 - 58 - Purchased feed, $ t DM-1

Canola (19) 351 - 351 - 311 - Blood meal ring (14) 850 - 850 - 850 - Soybean meal, expellers (104) 718 - 708 - 708 - Soybean meal, dried (107) 609 - 600 - 600 - Wheat distiller grain (XX) - - - - 180 -

Corn distiller grain (23) 453 - 350 - 241 -

Corn gluten meal (25) 975 - 971 - 971 -

Beet pulp (11) 559 - 559 - 559 -

Straw, feed (120) 120 - 121 - 58 -

Fat and oils, Calcium soaps (40) 1953 - 1816 - 1816 -

Purchased Minerals, g t DM-1

CaCO3 359 - 271 - 271 -

CaHPO4 833 - 833 - 833 -

MgO 816 - 805 - 805 -

CaSO4.2H20 539 - 539 - 539 -

NaCl 382 - 333 - 333 -

MgSO4.7H20 607 - 607 - 607 -

Fertilizer, $ t-1 Purchase Purchase Purchase

18-46-00 876 846 831

27-00-00 641 641 610

00-46-00 976 976 904

00-00-60 762 762 721

11-52-00 895 895 830 zNumber in the parenthesis is the NRC (2001) ingredient. 2NA: not allowed

110

Chapitre 3

Development of an equation to estimate the enteric

methane emissions from Holstein dairy cows in

Canada

J. Velarde-Guillén, D. Pellerin, C. Benchaar, M.A. Wattiaux and É. Charbonneau

Ce chapitre a été soumis pour publication dans la revue Canadian Journal of Animal Science

111

3.1 Résumé

L’objectif de ce travail était d’utiliser les caractéristiques de la ration, incluant le type

de gras, et les caractéristiques animales pour prédire les émissions de CH4

entérique des vaches laitières sous conditions canadiennes. Pour répondre à cet

objectif, un total de 193 observations individuelles, de six différentes expériences

portant sur l’effet de la modification de la ration sur les émissions de CH4 entérique,

ont été analysées. Les facteurs animaux (lait, pourcentage de gras et de protéine,

jour en lait, poids, prise alimentaire) et les facteurs de la ration (matière organique,

protéine brute, fibres NDF et ADF, amidon, extractif à l’éther [EE], le gras inerte dans

le rumen et le gras non protège dans le rumen [EE – gras inerte]; tout en % de MS).

Par la suite, une validation croisée en 5 étapes a été utilisée pour développer

l’équation suivante : CH4 (g j-1) = – 1260,4 + 1,9 × lait (kg j-1) + 62,8 × gras (%) –

18,4 × protéine (%) + 11,0 × prise alimentaire (kg j-1) + 0,3 × poids (kg) + 58,3 ×

NDF (% de MS) – 0,8 × NDF2 (% de MS) + 1,9 × amidon (% de MS) – 2,4 × EE –

gras inerte (% de MS). L’estimation avec l’équation proposée (474 g de CH4 vache-

1 j-1 ; r=0,83, RMSE=40,0) était près des résultats d’émissions observées (476 g de

CH4 vache-1 j-1). L’équation développée dans cette étude a une meilleure précision

de prédiction pour les émissions de CH4 entérique des vaches laitières avec des

rations typiquement canadiennes que les autres modèles testés et elle peut être

utilisée pour évaluer les stratégies de mitigation du CH4.

112

3.2 Abstract

The aim of this study was to use dietary factor, including the type of fats, and animal

characteristics, to predict enteric CH4 emissions from dairy cows under Canadian

conditions. For this purpose, 193 individual observations, from six different trials

assessing the impact of dietary modification on enteric CH4 production, were

analyzed. Animal (milk yield [MY], milk fat content, milk protein content, days in milk

[DIM], body weight [BW], dry matter intake [DMI]) and dietary variables (organic

matter [OM], crude protein [CP], neutral detergent fiber [NDF], acid detergent fiber

[ADF], starch, EE, rumen-inert fat and unprotected fat [EE–rumen-inert fat]: as % of

dry matter [DM]) were tested. A fivefold cross validation was used to obtain the

following equation: CH4 (g d-1) = –1260.4 + 1.9 × MY (kg d-1) + 62.8 × milk fat (%) –

18.4 × milk protein (%) + 11.0 × DMI (kg d-1) + 0.3 × BW (kg) + 58.3 × NDF (% of

DM) – 0.8 × NDF2 (% of DM) + 1.9 × starch (% of DM) – 2.5 × EE–rumen-inert fat

(% of DM). The mean estimate from the proposed equation (474 g CH4 cow-1 d-1;

r = 0.83, RMSE = 40.0) was close to the observed mean emission (476 g CH4 cow-

1 d-1). The proposed model has a higher precision to predict CH4 emission from cows

fed typical Canadian diets than other models and can be used to evaluate CH4

mitigation strategies.

Short title: Velarde-Guillén et al., Methane prediction of Canadian dairy cows.

Key words: Methane, dairy (cows), equation, ration.


body weight; DMI, Dry matter intake, DM, Dry matter; OM, organic matter; CP,

crude protein; NDF, neutral detergent fiber; ADF, acid detergent fiber; EE, ether

extract; NFC, non-fiber carbohydrate.

113

3.3 Introduction

In addition to being a potent greenhouse gas (GHG), methane (CH4) resulting

from enteric fermentation in ruminants also represents an energy loss to the animal

(Kebreab et al. 2008). This loss can vary from 2 to 12% of the gross energy (GE)

intake (Johnson and Johnson 1995) and may lower efficiency of feed conversion into

milk or meat (Haque et al. 2014). For dairy cows fed forage-based diets, CH4 energy

losses range from 6.5 to 7.2% of GE intake (Intergovernmental Panel on Climate

Change (IPCC) 2006; Kebreab et al. 2008).

A number of studies have examined, under controlled experimental

conditions, the effects of dietary changes on CH4 emissions from dairy cows fed

typical Canadian diets (Beauchemin et al. 2009; Benchaar et al. 2013; Hassanat et

al. 2013; Lettat et al. 2013; Hassanat et al. 2014; Benchaar et al. 2015; Storlien et

al. 2015; Hassanat et al. 2017). However, measuring the impact of ration formulation

on CH4 emissions is difficult to assess on dairy farms. Therefore, predictive tools

such as mathematical models can represent an alternative to measurements to

determine the effectiveness of CH4 mitigation dietary options on farm (Ramin and

Huhtanen 2013).

The IPCC Tier 2 methodology (IPCC 2006) is used by different countries for

calculation of national GHG inventories. In that methodology, enteric CH4 emissions

are predicted based on GE intake. However, other equations using more animal (e.g.

milk yield [MY], body weight [BW], dry matter intake [DMI]) and dietary (e.g. GE,

neutral detergent fiber [NDF], non-fiber carbohydrate [NFC], ether extract [EE],

nutrient digestibility) characteristics that may have an impact on CH4 production,

have better accuracy to predict enteric CH4 emissions (Appuhamy et al. 2016; Niu

et al. 2018).

Moraes et al. (2014) and Niu et al. (2018) developed equations using

databases of 1111 and 1084 observations, respectively, from studies that measured

enteric CH4 emissions with respiration chambers, the GreenFeed system and sulfur

hexafluoride tracer techniques under American conditions. These equations used

114

dietary (NDF, EE) and animal (DMI, GE intake, BW, milk fat) variables. Both models

presented a better prediction in comparison with the IPCC methodology (2006).

However, these equations include total EE. It is known that rumen-inert fat doesn’t

have the same impact on enteric CH4 production as does fat that is available in the

rumen (Relling and Reynolds 2007; Nichols et al. 2018). Thus, adding rumen

available fat, such as oil, has a direct impact on CH4 production (Beauchemin et al.

2009; Martin et al. 2010; McGinn and Beauchemin 2012; Benchaar et al. 2015). As

shown by Appuhamy et al. (2016), when comparing a large number of equations to

predict enteric CH4 production, the equation of Nielsen et al. (2013) using dietary

fatty acid content improved prediction. When formulating diets, fatty acid contents

are not always available, whereas determining if a source of fat is protected or not

is relatively simple. In addition, although American and Canadian diets are

somewhat similar, Canadian diets are more likely to include feed ingredients such

as grass silage or barley silage. The consideration of these forages can improve the

ability to predict enteric CH4 production under Canadian conditions. Development of

such model would be helpful to assess mitigation strategies at the cow level and on

the whole-farm if such equations are included in models such as N-CyCLES (Pellerin

et al. 2017) and HOLOS (Janzen et al. 2006; Little et al. 2008) which were developed

to simulate typical Canadian farms.

The aims of this study were: 1) to identify the main variables that can predict

CH4 emissions under Canadian conditions; 2) to develop a CH4 prediction equation

that includes type of fat, using individual observations of lactating Holstein cows from

Canadian studies that evaluated the effect of different dietary strategies on enteric

CH4 production; and 3) to compare the newly developed equation with other existing

equations. The hypothesis underlying the present study was that it is possible to

improve accuracy of CH4 prediction in comparison with typical prediction equations

by using animal and dietary characteristics particularly accounting for rumen

availability of fat. A database that included typical Canadian diets was used to

improve the accuracy of prediction under the Canadian context.

115

3.4 Material and methods

3.4.1 Data set description

The dataset was created from individual cow observations from six studies

(five Latin square and one cross-over designs) that assessed the impact of dietary

modification on enteric CH4 production (Benchaar et al. 2013; Hassanat et al. 2013;

Benchaar et al. 2014; Hassanat et al. 2014; Benchaar et al. 2015; Hassanat et al.

2017). The six studies were selected for the availability of the data, the homogeneity

of the dairy cows and the heterogeneity of the treatments that are based on typical

Canadian diets. All studies were carried out at the Sherbrooke Research and

Development Centre of Agriculture and Agri-Food Canada (Sherbrooke, Quebec,

Canada) and all animal procedures were approved by the local Animal Care

Committee in agreement with the guidelines of the Canadian Council on Animal Care

(1993). The cows were housed in a tie-stall barn and had free access to water.

A total of 193 observations from 18 different treatments and 56 multiparous

Holstein cows were represented in the database. In those trials, dietary changes

were: effect of corn dried distillers grains with solubles (DDGS) as a lipid supplement

(Benchaar et al. 2013); alfalfa silage vs corn silage (Hassanat et al. 2013); corn

silage vs barley silage (Benchaar et al. 2014); alfalfa silage vs timothy grass silage

(Hassanat et al. 2014); red clover silage vs corn silage with or without linseed oil

supplementation (Benchaar et al. 2015), and conventional corn silage vs brown

midrib corn silage (Hassanat et al. 2017).

In all trials, enteric CH4 emissions were measured using individual

respiration chambers (Hassanat et al. 2017). Daily DMI, MY, milk composition and

BW of individual cows were measured (Benchaar et al. 2015). The chemical

analyses of the diets (dry matter [DM], ash, organic matter [OM], crude protein

[CP], NDF, acid detergent fiber [ADF], GE and EE) were determined by wet

chemistry as described by Benchaar et al. (2013). Descriptive statistics of animal

and dietary characteristics of the trials composing the database are summarized

in table 3.1.

116

.

3.4.2 Statistical analysis

A preliminary analysis with Pearson correlation was performed using the

CORR procedure of SAS 9.4 software, between enteric CH4 emissions and all the

independent variables: the composition of the experimental diets (OM, CP, NDF,

ADF, NFC, starch, EE, rumen-inert fat [% of EE non-reactive in the rumen] and

unprotected fat [EE – rumen-inert fat]; as % of DM), forage (% of the diet in DM

basis), DMI (kg cow-1 d-1), MY (kg cow-1 d-1), milk fat (%), milk protein (%), days in

milk (DIM) and BW (kg). When the collinearity between two variables presented a

Pearson correlation (r) ≥ 0.80 or r ≤ -0.80, only one was chosen based on its

effectiveness to decrease enteric CH4 emissions and/or its easiness to use on-farm.

Afterward, a univariate analysis using the MIXED procedure of SAS 9.4 software

was performed between CH4 emissions and the variables selected from the Pearson

correlation. The variables showing a relation with CH4 with minimally a P < 0.25 in

the univariate regression analysis were then tested in a backward multiple

regression using the MIXED procedure of SAS 9.4 to predict CH4. A significance

level of P < 0.05 was used for a given variable to be retained in the final prediction

model. The variable “cow” was included as a random effect in the analysis. The

presence of multicollinearity among independent variables was assessed according

to Kaps and Lamberson (2017) using variance inflation factor (VIF) option of Proc

REG of SAS, with a VIF level under 10 being considered as a model without

multicollinearity. Nonetheless, some confounding variables were still present after

this validation. Regardless of their statistical significance, confounding variables

were retained in the models if their removal resulted in a change of 20% or greater

on the other significant variable coefficients. Confounding variables are the variables

correlated with the dependent and independent variables, in which its presence

affects the other variables being studied (Pourhoseingholi et al. 2012).

A five-fold cross validation was used to validate the equation. In this process,

the dataset was split into five subsets with four subsets used for calibration purposes

117

and the fifth subset used for validation (Slaets et al. 2014). The whole process was

repeated five times such that all data were in the validation dataset once. The

equation with the lowest root means square error (RMSE) and the highest r between

the observed and the predicted values was selected as the final equation. Once the

final model was selected, a bias analysis, following the methodology of St-Pierre

(2003), was carried out for this equation as well as for other equations including the

IPCC Tier 2 methodology (IPCC 2006), the lactating cows (animal level) equation of

Moraes et al. (2014), and the animal_c (ID 34) equation for the United States of Niu

et al. (2018). The IPCC Tier 2 equation used was:

𝐶𝐻4 (𝑔 𝑐𝑜𝑤−1 𝑑𝑎𝑦−1 = [𝐺𝐸𝐼 (𝑀𝐽 𝑐𝑜𝑤−1𝑑𝑎𝑦−1) × (6.5% 100⁄ ) 55.65⁄ ] × 1000

where GEI = gross energy intake, 6.5% = CH4 conversion factor (Ym), 55.65

= MJ content in 1 kg of CH4. The Moraes et al. (2014) equation used was:

𝐶𝐻4 (𝑔 𝑐𝑜𝑤−1 𝑑𝑎𝑦−1) = [−9.311 + 0.042 × 𝐺𝐸𝐼 (𝑀𝐽 𝑑𝑎𝑦−1) + 0.094 ×

𝑁𝐷𝐹 (% 𝑜𝑓 𝐷𝑀) − 0.381 × 𝐸𝐸 (% 𝑜𝑓 𝐷𝑀) + 0.008 × 𝐵𝑊 (𝑘𝑔) + 1.621 × 𝑀𝐹 (%)]/

0.05565

where GEI = gross energy intake, NDF = neutral detergent fiber, EE = ether

extract, BW = body weight, MF = milk fat and 0.05565 = MJ content in 1 g of CH4.

The Niu et al. (2018) equation used was:

𝐶𝐻4 (𝑔 𝑐𝑜𝑤−1 𝑑𝑎𝑦−1) = −126 + 11.3 × 𝐷𝑀𝐼 (𝑘𝑔 𝑑𝑎𝑦−1) + 2.30 ×

𝑁𝐷𝐹 (% 𝑜𝑓 𝐷𝑀) + 28.8 × 𝑀𝐹 (%) + 0.148 × 𝐵𝑊 (𝑘𝑔)

where DMI = dry matter intake, NDF = neutral detergent fiber, MF = milk fat

and BW = body weight.

An ANOVA was conducted between the observed and predicted CH4

emissions with the MIXED procedure of SAS 9.4. Following this analysis, the mean

square prediction error (MSPE), which was calculated as the sum of squared

differences between observed and predicted CH4 divided by the number of

observations, was used to evaluate the quality of prediction for the proposed model,

the IPCC Tier 2 model, the Moraes et al. (2014) equation and the Niu et al. (2018)

equation. The root MSPE (RMSPE) was also calculated and expressed in g d-1 and

118

as percentage of the observed mean, the latter providing an overall error of

prediction. The MSPE was decomposed into: error due to overall bias of prediction

or error in central tendency (ECT), which indicates the deviation of the predicted

values with regard to the observed values; error due to linear bias or error due to

regression (ER), which measures the deviation of the least squares regression

coefficient from 1 (the ability of the model to predict); and error due to random

variation or error due to disturbance (ED), which represents the variation in observed

values unexplained after the mean and the regression biases have been removed.

These three components were expressed as percentage of MSPE (Bibby and

Toutenburg 1977; Nasri et al. 2006).

3.5 Results and discussion

3.5.1 Data set

Animal performance (Table 3.1) were in line with the typical Holstein dairy

cows in the three main dairy provinces: 34.2 ± 0.9 kg of milk cow-1 day-1 with 3.77

± 0.10% of milk fat and 3.18 ± 0.01% of milk protein for Alberta, 32.9 ± 1.1 kg of

milk cow-1 day-1 with 3.82 ± 0.06% of milk fat and 3.18 ± 0.01% of milk protein for

Ontario, and 33.1 ± 0.9 kg of milk cow-1 day-1 with 3.90 ± 0.05% of milk fat and

3.24 ± 0.02% of milk protein for Quebec (Agriculture and Agri-food Canada 2017).

Likewise, the chemical composition of the diet (Table 3.1) was within the range of

CP (from 14 to 19% of DM), NDF (from 27 to 41% of DM), starch (from 11 to 31%

of DM) and EE (from 3 to 8% of DM) commonly observed for forage-based diets

used in Quebec and Ontario (Rico et al. 2016) and in Alberta (Benchaar et al.

2014). The general low standard deviation (SD) around the mean is an indication

of a low variation between the observations despite the gap between the minimum

and maximum values.

3.5.2 Correlation and regression analyses

The results of correlation (Table 3. 2) showed that the following dietary

variables presented collinearity (-0.80 ≥ r ≥ 0.80): OM vs ash (r = 1.00), starch vs

119

ADF (r = -0.85), starch vs NFC (r = 0.85), NDF vs NFC (r = -0.87), GE vs EE (0.87),

GE vs EE – rumen-inert fat (0.86) and EE vs EE – rumen-inert fat (r = 0.87). Previous

studies observed that enteric CH4 emissions are linked with intake and digestibility

of OM (Crompton et al. 2010). Thus, OM was selected over ash for further analysis.

Starch is known for its impact on enteric CH4 emissions because its fermentation in

the rumen lowers ruminal pH and favors propionate production at the expense of

acetate, which decreases the availability of hydrogen for methanogenesis

(Beauchemin et al. 2009; Benchaar et al. 2014). For this reason, starch was included

in the analysis. Contrarily to starch, fibrolytic fermentation (i.e. NDF) increases the

production of acetate which provides hydrogen for enteric CH4 formation (Piao et al.

2014; Hammond et al. 2014; Hassanat et al. 2017). In addition, Ramin and Huhtanen

(2013) observed that cell wall carbohydrates (NFC/(NFC+NDF)) showed marginal

effects on CH4 emissions. For this reason, NDF was preferred over NFC to include

in the model. Finally, between EE and EE – rumen-inert fat, the latter was chosen

because all fat supplementation increase energy density of the diet (Allen 2000), but

EE – rumen-inert fat also has an impact on rumen function whereas rumen-inert fat

does not (Relling and Reynolds 2007; Nichols et al. 2018). No collinearity was

observed between the animal variables (DIM, MY, milk composition, DMI and BW).

The univariate analyses helped to discriminate variables used for further

analysis. Variables meeting the selection criteria were MY, milk fat content, milk

protein content, DMI, BW, NDF, starch and EE – rumen-inert fat (Table 3. 3). From

all the variables selected, DMI presented the highest correlation with enteric CH4

production (r = 0.64; Table 3. 2). This relation has been observed previously; daily

enteric CH4 production has been shown to be proportional to DMI, and when

expressed on a DMI basis, it can vary from 15 to 35 g of CH4 kg-1 of DMI

(Beauchemin et al. 2009). As well, this observation is in agreement with those of

Mills et al. (2003) and Ellis et al. (2007) who reported that DMI was the strongest

variable for predicting the daily enteric CH4 production with a higher r (0.81 and 0.80,

respectively) value compared with what was obtained in this study. In their studies,

Mills et al. (2003) and Ellis et al. (2007) used treatment means in a meta-analysis

120

setting, whereas in the current study, individual cow data were used, which may

explain the difference in response between studies of those authors and our study.

Although previous studies showed potential to predict CH4 emissions from

DIM (Pszczola et al. 2017), OM (Hassanat et al. 2014), CP (Gidlund et al. 2017),

rumen-inert fat and forage proportion in the diet (Benchaar et al. 2001; Mills et al.

2003; Ellis et al. 2007), these variables did not meet the significance criteria to be

included in the multiple regression. The dataset of this study was representative of

commonly used diets in Canada. A characteristic of these diets is the low variation

of the forage:concentrate ratio (59.6 to 65.4), which did not allow this ratio to express

its full impact on CH4, in contrast to the study by Aguerre et al. (2011). Those authors

compared four diets varying in forage:concentrate ratios (47:53, 54:46, 61:39 and

68:32) on enteric CH4 emissions, and observed a significant difference for daily

enteric CH4 production only between the 2 most contrasted treatments.

3.5.3 Model selection

Table 3. 4 presents the final model with the lowest RMSE (40.0) and the

highest r (0.83) of all the possible combinations, in which the DMI, BW, MY, milk fat

content, milk protein content, NDF, starch and EE – rumen-inert fat were the selected

variables.

In the animal variables, the retention of DMI was expected given that it had

been found to be the most important variable to predict enteric CH4 production in the

study of Niu et al. (2018). As well, in their evaluation of models to predict enteric CH4

production, Appuhamy et al. (2016) observed that 4 of the 5 top North American

model used this variable. These authors also compared the effectiveness of using

estimated DMI in this type of equation, and concluded that estimated DMI allowed

to achieve similar prediction of enteric CH4 production as did measure DMI for North

American and European contexts. The inclusion of this parameter in the model is

therefore acceptable in the prediction of enteric CH4 production even if measured

DMI is not always available.

121

The positive relationship between MY and DMI (r = 0.41; Table 3. 2), explains

the positive coefficient (r = 0.22) for MY and CH4 emissions. However, MY is usually

associated with a decrease of the amount of enteric CH4 emitted per kg of milk

(Martin et al. 2010) because of a dilution effect of the energy utilized for maintenance

(Knapp et al. 2014).

Milk fat is highly influenced by the composition of the diet (Bauman and

Griinari, 2003). The positive relationship between enteric CH4 and milk fat content

observed with this model may be explained by the link between acetate production

in the rumen and milk fat synthesis. Fiber fermentation in the rumen results in the

production of acetate, which in addition to 3-hydroxy butyrate, produces milk fatty

acids via de novo synthesis in the mammary gland (Dijkstra et al. 2011). However,

acetate production liberates hydrogen which is used by methanogens for CH4

formation and by rumen microbes (Mohammed et al. 2011). Another study (Moraes

et al. 2014) showed that the inclusion of BW and milk fat in prediction models

reduced the RMSE compared with other models without these variables.

Milk protein concentration and enteric CH4 emissions had a lower correlation

(r = 0.16). However, its effect, as a confounding variable, could be partially explained

by the effect of dilution when the MY increases (Wu and Huber 1994). Likewise, milk

protein concentration can decline because of a decrease of microbial protein

synthesis with fat supplementation (Alstrup et al 2015).

Other studies have also found a positive relationship between BW and CH4

emissions (Hristov et al. 2013; Moraes et al. 2014; Niu et al. 2018). This relationship

could come from the proportional link between BW and rumen and digestive tract

sizes. Rumen volume affects ruminal passage rates and consequently, the amount

of OM in the rumen (Moraes et al. 2014). Consequently, dairy cows with a lower BW

have less DMI and lower CH4 production (Niu et al. 2018).

The final model showed a linear and quadratic (convex) relationship between

the proportion of NDF in the diet and enteric CH4 emissions. This finding agrees with

the results of Hammond et al. (2016) and Hatew et al. (2016) who reported that

122

enteric CH4 production increased with NDF concentration in the diet. However, the

quadratic effect implies that the impact of NDF on CH4 emissions is more important

at lower levels of NDF than at higher level of NDF proportion in the diet. Other studies

have observed a quadratic effect but with NDF intake (Kasuya and Takahashi 2010;

Arndt et al. 2015).

In this study, the final model showed a positive relation between the starch

content and enteric CH4 production (Table 3. 4). This is in agreement with the linear

model 3 of Mills et al. (2003) where the authors suggested that the effect of starch

intake was underestimated compared with the effect of other nutrients included in

the model. The increase in starch intake is often associated with a decrease in CH4

production when the latter is expressed on the basis of milk production (g of CH4 kg-

1), but not when it is expressed on the basis of daily production (g of CH4 d-1 or l of

CH4 d-1; Huhtanen et al. 2015). The association between starch and CH4 can be

explained by the inverse relationship between CH4 formation and propionate

synthesis in which the propionate synthesis and methanogens compete for the use

of hydrogen (Johnson and Johnson 1995; Ellis et al. 2008; Bannink et al. 2008).

However, an increase in starch (from 0 to 30%) is often associated with a decrease

in NDF intake and an increase in DMI and MY (Huhtanen et al. 2015; Potts et al.

2015). This could explain why the relation is not the same when the production of

enteric CH4 is expressed per kg of milk than when it is expressed as daily production.

Starch content, as a confounding variable, presented a negative correlation with

NDF which could be part of the explanation for the positive coefficient between

starch content and enteric CH4 emissions.

Finally, EE – rumen-inert fat presented a negative link with CH4 production.

Several studies have showed that diets with lipids decrease enteric CH4 production

from 10 to 25% or by 5.6% (g CH4 kg-1 of DMI) for each 1% fat added in the diet

(Beauchemin et al. 2009; Martin et al. 2010; McGinn and Beauchemin 2012;

Benchaar et al. 2015). Fat supplementation decreases enteric CH4 emissions

through biohydrogenation of unsaturated fatty acids, in addition to reducing ruminal

OM fermentation, the activity of methanogens, and the number of protozoa in rumen

123

(Johnson and Johnson 1995; Ellis et al. 2007; Beauchemin et al. 2008, 2009).

However, the type of fat has an impact on the ability to decrease enteric CH4

production. Rumen-inert fat has a lower impact on rumen function than other fat

supplementation in the diet (Lundy et al. 2004; van Zijderveld et al. 2011; Benchaar

et al. 2013). For this reason, EE – rumen-inert fat represents the effective portion of

fat in the dairy cows’ diet that decreases enteric CH4 production. To our knowledge,

this differentiation between total EE and EE – rumen-inert fat was not made

previously in prediction equations for CH4. It would be worth exploring it using a

larger dataset, such as the one used by Niu et al. (2018).

3.5.4 Bias analysis

In comparison with the average CH4 production (476 ± 73 g of CH4 cow-1 d-1)

of the database, the proposed equation predicts a similar mean value (474 ± 61 g of

CH4 cow-1 d-1). Essentially no mean bias (1.5 g of CH4 cow-1 d-1; P = 0.99) or linear

bias (-0.02; P = 0.70) was observed for the proposed equation (Figure 3. 1).

Moreover, the decomposition of the MSPE indicated that most of the error for the

proposed equation was associated with random variation (>99%;Table 3. 5).

In contrast, the use of the IPCC Tier 2 equation (IPCC 2006) with the same

data set resulted in an overestimation of CH4 production (535 ± 59 g of CH4 cow-1 d-

1; r = 0.62 and RMSE = 57.0). The IPCC equation exhibited a mean bias of -59.5 g

of CH4 cow-1 d-1 (P < 0.001) and a linear bias of -0.23 (P < 0.001) as shown in Figure

3. 2. The maximum bias with this equation (36 g of CH4 cow-1 d-1) was however less

than the prediction standard error (58 g of CH4 cow-1 d-1). Likewise, the

decomposition of the MSPE for the IPCC equation indicated a prediction bias of 51%

with an error associated to random variation of 46% (Table 3. 5).

On the other hand, the equation of Moraes et al. (2014) underestimated the

enteric CH4 emission (412 ± 50 g of CH4 cow-1 d-1; r = 0.77 and RMSE = 46.1).

Essentially no mean bias (63.5 g of CH4 cow-1 d-1; P = 0.15) or linear bias (0.12; P =

0.07) was observed for the Moraes et al. (2014) equation (Figure 3. 3). Moreover,

124

the decomposition of the MSPE indicated a prediction bias of 65% with an error

associated to random variation of 34% (Table 3. 5).

The bias analysis of the Niu et al. (2018) equation showed an underestimation

of CH4 production (439 ± 42 g of CH4 cow-1 d-1; r = 0.80 and RMSE = 44.0). This

equation exhibited a mean bias of 37.3 g of CH4 cow-1 d-1 (P < 0.01) and a linear

bias of 0.36 (P < 0.001) as shown in Figure 3. 4. The maximum bias with this equation

(33 g of CH4 cow-1 d-1) was, however, less than the prediction standard error (37 g

of CH4 cow-1 d-1). Likewise, the decomposition of the MSPE for the Niu et al. (2018)

equation indicated a prediction bias of 39% with an error associated to random

variation of 54% (Table 3. 5).

These results suggest a better prediction of CH4 emission from cows tested

in these Canadian trials with the proposed equation in comparison with the use of

IPCC Tier 2 equation, Moraes et al. (2014) equation, or Niu et al. (2018) equation.

In a previous study, Kebreab et al. (2008) also reported that the IPCC equation over-

predicted the CH4 emissions with MSPE of 65% for error due to overall bias (ECT),

18% for error due to regression (ER) and 18% for error due to random variation (ED).

There was a high correlation between the proposed equation and Moraes et al.

(2014) equation and Niu et al. (2018) equation (r = 0.88 and 0.92, respectively),

although the equation developed in this work had a greater coefficient of

determination with observed CH4 emissions (R2 = 0.70 vs R2 = 0.60 and 0.63 for

Moraes et al. 2014 and Niu et al. 2018, respectively). However, a greater prediction

accuracy was expected due to the use of the database from this study for the

comparison. The proposed equation was built using a five-fold cross validation,

which means that the totality of the dataset was used for the calibration and the

validation of the model. It allows for a better fit of the model with the data used for its

development. Although proper statistical methods were used in developing this

equation, a validation should be done with a different dataset under Canadian

conditions.

125

3.5.5 Limitations

Unlike other equations for predicting enteric CH4 emissions (e.g. Moraes et

al. 2014 and Niu et al. 2018) that used a database comprised of studies from multiple

laboratories and used various techniques of measure, the proposed equation was

developed using a database from six different studies from a single laboratory using

a single measurement technique. As a result of these differences, Moraes et al.

(2014) and Niu et al. (2018) presented a SD of 92 and 109 g of CH4 d-1 in comparison

with SD of the database used for the proposed equation (72 g of CH4 d-1). The lower

SD can be attributed to the absence of variations in measurement technique (1 vs 3

techniques) and a small range between the observations and the general mean

(Altman and Bland 2005; Rico et al. 2015). Also, as previously mentioned, the

variation in the forage:concentrate ratio in the dataset was relatively narrow in this

study. However, it represented average diets used in Canada. These limitations

need to be considered when using this equation with diets with high- or low- forage

proportions.

3.6 Conclusion

The use of only one variable to predict enteric CH4 production can lead to

overestimation or underestimation of the actual emissions. For this reason, animal

and dietary characteristics should be combined to enhance prediction of enteric CH4

emissions. Previous models were developed including variables of both of these

categories, but they did not include the availability of fat in the rumen. The model

developed in this study included the MY (kg cow-1 d-1), milk fat (%), milk protein (%),

DMI (kg cow-1 d-1), BW (kg cow-1), NDF (% of DM), starch (% of DM) and EE – rumen-

inert fat (% of DM). Compared to IPCC Tier 2, Moraes et al. (2014) and Niu et al.

(2018) equations, the model developed in the current study allows greater accuracy

of prediction of CH4 emissions from lactating dairy cows fed typical Canadian diets.

Its utilization in diet formulation software would help improve accuracy of predicting

enteric CH4 production for lactating dairy cows. Furthermore, its implementation in

126

whole-farm models would improve the assessment of GHG emission from Canadian

farms.


This research was funded by Agriculture and Agri-Food Canada and Dairy

Farmers of Canada as part of the Dairy Science Cluster Initiative.

3.8 References

Aguerre, M.J., Wattiaux, M.A., Powell, J.M., Broderick, G.A., and Arndt, C. 2011.

Effect of forage-to-concentrate ratio in dairy cow diets on emission of methane,

carbon dioxide, and ammonia, lactation performance, and manure excretion. J.

Dairy Sci. 94:3081 – 3093.

Agriculture and Agri-food Canada 2017. Average production by province based

on official – supervised records [online]. Available:

http://www.dairyinfo.gc.ca/index_e.php?s1=dff-fcil&s2=mrr-pcle&s3=mpb-plr [2018 Feb. 12].

Allen, M.S. 2000. Effects of diet on short-term regulation of feed intake by lactating

dairy cattle. J. Dairy Sci. 83: 1598 – 1624.

Alstrup, L., Frydendahl, A.L. H., Lund, P., and Weisbjerg, M.R. 2015. Effect of fat

supplementation and stage of lactation on methane production in dairy cows.

Anim. Feed Sci. Tech. 207: 10 – 19.

Altman, D.G., and Bland, J.M. 2005. Standard deviations and standard errors.

BMJ, 2005, 331: 903.

Appuhamy, J.A.D.R.N., France, J., and E. Kebreab.2016. Models for predicting

enteric methane emissions form dairy cows in North America, Europe, and

Australia and New Zealand. Glob. Change Biol. 22:3039 – 3056.

http://www.dairyinfo.gc.ca/index_e.php?s1=dff-fcil&s2=mrr-pcle&s3=mpb-plr

127

Arndt, C., Powell, J.M., Aguerre, M.J., Crump, P.M., and Wattiaux, M.A. 2015.

Feed conversion efficiency in dairy cows: repeatability, variation in digestion and

metabolism of energy and nitrogen, and ruminal methanogens. J. dairy Sci. 98:

3938 – 3950.

Bannink, A., J. France, S. Lopez, W. J. J. Gerrits, E. Kebreab, S. Tamminga,

and J. Dijkstra. 2008. Modelling the implications of feeding strategy on rumen

fermentation and functioning of the rumen wall. Anim. Feed Sci. Technol. 143: 3

– 26.

Bauman, D.E., and Griinari, J.M. 2003. Nutritional regulation of milk synthesis.

Annu. Rev. Nutr. 23: 203 – 227.

Beauchemin, K.A., Kreuzer, M., O’Mara, F., and McAllister, T.A. 2008. Nutritional

management for enteric methane abatement: a review. Aust. J. Exp. Agric. 48:

21–27.

Beauchemin, K.A., McAllister, T.A., and McGinn, S.M. 2009. Dietary Mitigation of

Enteric Methane from Cattle.CAB Reviews: Perspectives in Agriculture,

Veterinary Science, Nutrition and Natural Resources, 4, 1 – 18.

Benchaar, C., Pomar, C., and Chiquette, J. 2001. Evaluation of dietary strategies

to reduce methane production in ruminants: A modelling approach. Can. J. Anim.

Sci. 81: 563 – 574.

Benchaar, C., Hassanat, F., Gervais, R., Chouinard, P.Y., Julien, C., Petit, H.V.,

and Massé, D.I. 2013. Effects of increasing amounts of corn dried distillers grains

with solubles in dairy cow diets on methane production, ruminal fermentation,

digestion, N balance and milk production. J. Dairy Sci. 96: 2413 – 2427.

128

Benchaar, C., Hassanat, F., Gervais, R., Chouinard, P.Y., Petit, H.V., and Massé,

D.I. 2014. Methane production, digestion, ruminal fermentation, nitrogen balance

and milk production of cows fed corn silage- or barley silage-based diets. J. Dairy

Sci. 97: 961 – 974.

Benchaar, C., Hassanat, F., Martineau, R., and Gervais, R. 2015. Linseed oil

supplementation to dairy cows fed diets based on red clover silage or corn silage:

Effects on methane production, rumen fermentation, nutrient digestibility, N

balance and milk production. J. Dairy Sci. 98: 7993 – 8008.

Bibby, J., and Toutenburg, H. 1977. Prediction and improved estimation in linear

models. John Wiley & Sons, London, UK.

Canadian Council on Animal Care. 1993. Guide to the care and use of

experimental animals, vol. 1, 2nd edition, Chapter IV. Farm animal facilities and

environment (ed. ED Olfert, BM Cross and AA McWilliam), pp. 65–69. Canadian

Council on Animal Care, Ottawa, ON, Canada.

Crompton, L.A., Mills, J.A.N., Reynolds, C.K., and France, J. 2010. Fluctuations

in methane emission in response to feeding pattern in lactating dairy cows. Pages

176 – 180 in D. Sauvant, J. Van Milgen, P. Faverdin and N. Friggens, eds.

Modelling nutrient digestion and utilization in farms animals. Wageningen

Academic Publishers, Netherlands.

Dijkstra, J., van Zijderveld, S.M., Apajalahti, J.A., Bannink, A., Gerrits, W.J.J.,

Newbold, J.R., Perdok, H.B., and Berends, H. 2011. Relationships between

methane production and milk fatty acid profiles in dairy cattle. Anim. Feed Sci.

Tech. 166–167: 590 – 595.

129

Ellis, J.L., Kebreab, E., Odongo, N.E., McBride, B.W., Okine, E.K., and France,

J. 2007. Prediction of methane production from dairy and beef cattle. J. Dairy Sci.

90, 3456 – 3467.

Ellis, J.L., Dijkstra, J., Kebreab, E., Bannink, A., Odongo, N.E., McBride, B.W.,

and France, J. 2008. Aspects of rumen microbiology central to mechanistic

modelling of methane production in cattle. J. Agric. Sci. 146: 213 – 233.

Gidlund, H., Hetta, M., and Huhtanen, P. 2017. Milk production and methane

emissions from dairy cows fed a low or high proportion of red clover silage and

an incremental level of rapeseed expeller. Livest. Sci. 197: 73 – 81.

Hammond, K.J., Pacheco, D., Burke, J.L., Koolaard, J.P., and Waghorn, G.C.

2014. The effects of fresh forages and feed intake level on digesta kinetics and

enteric methane emissions from sheep. Anim. Feed Sci. Technol.193, 32 – 43.

Hammond, K.J., Jones, A.K., Humphries, D.J., Crompton, L.A., and Reynolds,

C.K. 2016. Effects of diet forage source and neutral detergent fiber content on

milk production of dairy cattle and methane emissions determined using

GreenFeed and respiration chamber techniques. J. Dairy Sci. 99:7904 – 7917.

Haque, M.N., Cornou, C., and Madsen, J. 2014. Estimation of methane emission

using the CO2 method from dairy cows fed concentrate with different carbohydrate

compositions in automatic milking system. Livest. Sci. 164: 57 – 66.

Hassanat, F., Gervais, R., Julien, C., Massé, D.I., Lettat, A., Chouinard, P.Y.,

Petit, H.V., and Benchaar, C. 2013. Replacing alfalfa silage with corn silage in

dairy cow diets: effects on enteric methane production, ruminal fermentation,


130

Hassanat, F., Gervais, R., Massé, D.I., Petit, H.V., and Benchaar, C. 2014.

Methane production, nutrient digestion, ruminal fermentation, N balance and milk

production of cos fed timothy silage- or alfalfa silage-based diets. J. Dairy Sci. 97:

6463 – 6474.

Hassanat, F., Gervais, R., and Benchaar, C. 2017. Methane production, ruminal

fermentation characteristics, nutrient digestibility, nitrogen excretion and milk

production of dairy cows fed conventional or brown midrib corn silage. J. Dairy

Sci. 100: 2625 – 2636.

Hatew, B., Bannink, A., van Laar, H., de Jonge, L.H., and Dijkstra, J. 2016.

Increasing harvest maturity of whole-plant corn silage reduces methane emission

of lactating dairy cows. J. Dairy Sci. 99: 354-368.

Hristov, A. N., J. Oh, J. L. Firkins, J. Dijkstra, E. Kebreab, G. Waghorn, H. P. S.

Makkar, A. T. Adesogan, W. Yang, C. Lee, P. J. Gerber, B. Henderson, and J.

M. Tricarico. 2013. Special topics—Mitigation of methane and nitrous oxide

emissions from animal operations: I. A review of enteric methane mitigation

options. J.Anim. Sci. 91: 5045 – 5069.

Huhtanen, P., Ramin, M., and Udén, P. 2015. Nordic dairy cow model Karoline in

predicting methane emissions: 1. Model description and sensitivity analysis.

Livest. Sci. 178: 71 – 80.

Intergovernmental Panel on Climate Change 2006. IPCC Guidelines for National

Greenhouse Gas Inventories. vol. 4: Agricultural, Forestry and Other Land Use.

Chapter 10: Emissions from Livestock and Manure Management. IGES,

Kanagawa, Japan.

131

Janzen, H. H., Angers, D. A., Boehm, M., Bolinder, M., Desjardins, R. L., Dyer,

J. A., Ellert, B. H., Gibb, D. J., Gregorich, E. G., Helgason, B. L., Lemke, R.,

Massé, D., McGinn, S. M., McAllister, T. A., Newlands, N., Pattey, E.,

Rochette, P., Smith, W., VandenBygaart, A. J., and Wang, H. 2006. A

proposed approach to estimate and reduce net greenhouse gas emissions from

whole farms. Can. J. Soil Sci. 86: 401–418.

Johnson, K.A., and Johnson, D.E. 1995. Methane emissions from cattle. J. Anim.

Sci. 73: 2483 – 2492.

Kaps, M., and W.R. Lamberson. 2017. Biostatistics for animal science. 3rd ed. CAB

International, London, UK. 547 pp.

Kasuya, H., and Takahashi, J. 2010. Methane emissions from dairy cows fed grass

or legume silage. Asian-Aust. J. Anim. Sci. 23: 563 – 566.

Kebreab, E., Johnson, K.A., Archibeque, S.L., Pape, D., and Wirth, T. 2008.

Model for estimating enteric methane emissions from United States dairy and

feedlot cattle. J. Anim. Sci. 86: 2738 – 22748.

Knapp, J.R., Laur, G.L., Vadas, P.A., Weiss, W.P., and Tricarico, J.M.

2014. Invited review: Enteric methane in dairy cattle production: quantifying the

opportunities and impact of reducing emissions. J. Dairy Sci. 97:3231–3261.

Lettat, A., Hassanat, F., and Benchaar, C. 2013. Corn silage in dairy cow diets to

reduce ruminal methanogenesis: effects on the rumen metabolically active

microbial communities. J. Dairy Sci. 96: 5237 – 5248.

Little, S., Linderman, J., Maclean, K., and Janzen, H.H. 2008. HOLOS — a tool

to estimate and reduce greenhouse gases from farms. Methodology and

132

Algorithms for Versions 1.1.x. Agriculture and Agri-Food Canada (Cat. No. A52-

136/2008E-PDF, 158 pp.).

Lundy III, F.P., Block, E., Bridges Jr, W.C., Bertrand, J.A., and Jenkins, T.C.

2004. Ruminal biohydrogenation in Holstein cow fed soybean fatty acids as

amides or calcium salts. J. Dairy Sci. 87: 1038 – 1046.

Martin, C., Morgavi, D.P., and Doreau, M. 2010. Methane mitigation in ruminants:

from microbe to the farm scale. Animal 4: 351 – 365.

McGinn, S.M., and Beauchemin, K.A., 2012. Dairy farm methane emissions using

a dispersion model. J. Environ. Qual. 41: 73–79.

Mills, J.A.N., Kebreab, E., Yates, C.M., Crompton, L.A., Cammell, S.B., Dhanoa,

M.S., Agnew, E., and France, J. 2003. Alternative approaches to predicting

methane emissions from dairy cows. J. Anim. Sci. 81, 3141-3150.

Mohammed, R., McGinn, S.M., and Beauchemin, K.A. 2011. Prediction of enteric

methane output from milk fatty acid concentrations and rumen fermentation

parameters in dairy cows fed sunflower, flax, or canola seeds. J. Dairy Sci. 94:

6057 – 6068.

Moraes, L.E., Strathe, A.B., Fadel, J.G., Casper, D.P., and Kebreab. E. 2014.

Prediction of enteric methane emissions from cattle. Glob. Change Biol. 20: 2140

– 2148.

Nasri, M.H.F., Mesgaran, M.D., France, J., Cant, J.P., and Kebreab, E. 2006.

Evaluation of models to describe ruminal degradation kinetics from in situ ruminal

incubation of whole soybeans. J. Dairy Sci. 89: 3087 – 3095.

133

Nichols, K., Bannink, A., Pacheco, S., van Valenberg, H.J., Dijkstra, J., and van

Laar, H. 2018. Feed and nitrogen efficiency are affected differently but milk

lactose production is stimulated equally when isoenergetic protein and fat is

supplemented in lactating dairy cow diets. J. Dairy Sci. 101: 1 – 14.

Nielsen, N.I., Volden, H., Akerlind, M., Brask, M., Hellwing, A.L.F., Storlein, T.,

Bertilsson, J. 2013. A prediction equation for enteric methane emission from

dairy cows for use in NorFor. Acta Agri. Scand. A Anim. Sci. 63:126 – 130.

Niu, M., Kebreab, E., Hristov, A.N., Oh, J., Arndt, C., Bannink, A., Bayat, A.R.,

Brito, A.F., Boland, T., Casper, D., Crompton, L.A., Dijkstra, J., Eugène, M.A.,

Garnsworthy, P.C., Haque, M.N., Hellwing, A.L.F., Huhtanen, P., Kreuzer, M.,

Kuhla, B., Lund, P., Madsen, J., Martin, C., McClelland, S.C., McGee, M.,

Moate, P.J., MuetzelS., Muñoz, C., O´Kiely, P., Peiren, N., Reynolds, C.K.,

Schwarm, A., Shingfield, K.J., Storlien, T.M., Wiesbjerg, M.R., Yáñez-Ruiz,

D.R., and Yu, Z. 2018. Prediction of enteric methane production, yield and

intensity in dairy cattle using an intercontinental database. Glob. Change Biol.

24:3368 – 3389.

Pellerin, D., Charbonneau, E., Fadul-Pacheco, L., Soucy, O., and Wattiaux, M.A.



Piao, H., Leachman, M., Malfatti, S., Sczyrba, A., Knierim, B., Auer, M., Tringe,

S.G., Mackie, R.I., Yeoman, C.J., and Hess, M. 2014. Temporal dynamics of

fibrolytic and methanogenic rumen microorganisms during in situ incubation of

134

switchgrass determined by 16S rRNA gene profiling. Front. Microbiol. 5:307:1–

11.

Potts, S.B., Boerman, J.P., Lock, A.L., Allen, M.S., and VandeHaar, M.J. 2015.

Residual feed intake is repeatable for lactating Holstein dairy cows fed high and

low starch diets. J. Dairy Sci. 98: 4735 – 4747.

Pourhoseingholi, M.A., Baghestani, A.R., and Vahedi, M. 2012. How to control

confounding effects by statistical analysis. Gastroenterol. Hepatol. Bed Bench. 5:

79–83.

Pszczola, M., Rzewuska, K., Mucha, S., and Strabel, T. 2017. Heritability of

methane emissions from dairy cows over a lactation measured on commercial

farms. J. Anim. Sci. 95: 4813 – 4819.

Ramin, M., and Huhtanen, P. 2013. Development of equations for predicting

methane emissions from ruminants. J. Dairy Sci. 96: 2476 – 2493.

Relling, A.E., and Reynolds, C.K. 2007. Feeding rumen-inert fats differing in their

degree of saturation decreases intake and increases plasma concentrations of

gut peptides in lactating dairy cows. J. Dairy Sci. 90: 1506 – 1515.

Rico, D.E., Chouinard, P.Y., Hassanat, F., Benchaar, C., and Gervais, R. 2016.

Prediction of enteric methane emissions from Holstein dairy cows fed various

forage sources. Animal 10: 203 – 211.

Slaets, J.I.F., Schimitter, P., Hilger, T., Lamers, M., Piepho, H-P., Vien, T.D., and

Cadisch, G. 2014. A turbidity-based method to continuously monitor sediment,

carbon and nitrogen flows in mountainous watersheds. J. Hydrol. 513: 45 – 57.

135

Storlien, T.M., Prestløkken, E., Beauchemin, K.A., McAllister, T.A., Iwaasa,

A.D., and Harstad, O.M. 2015. Supplementation with crushed rapeseed causes

reduction of methane emissions from lactating dairy cows on pasture. Anim Prod

Sci. 57: 81 – 89.

St-Pierre, N.R. 2003. Reassessment of biases in predicted nitrogen flows to the

duodenum by NRC 2001. J. Dairy Sci. 86: 344 – 350.

van Zijderveld, S.M., Fronken, B., Dijkstra, J., Gerrits, W.J.J., Perdok, H.B.,

Fokkink, W., and Newbold, J.R. 2011. Effects of a combination of feed additives

on methane production, diet digestibility, and animal performance in lactating

dairy cows. J. Dairy Sci. 94: 1445 – 1454.

Warner, D., Bannink, A., Hatew, B., van Laar, H., and Dijkstra, J. 2017. Effects

of grass silage quality and level of feed intake on enteric methane production in

lactating dairy cows. Journal of Animal Science, 95: 3687–3700.

Wu, Z., and J. T. Huber. 1994. Relationship between dietary-fat supplementation

and milk protein-concentration in lactating cows: A review. Livest. Prod. Sci.

39:141–155.




136

Table 3. 1. Mean of dependent (CH4 emissions) and independent (animal and diet) variables of 18 treatments of six different trialsz

Variabley Mean SD Minimum Maximum

CH4 emissions, g cow-1 d-1 475.8 72.3 175.0 633.2

Animal

DIM 138.5 41.7 52.0 235.0

Milk yield, kg cow-1 d-1 35.4 5.8 20.0 50.7

Milk fat, % 3.74 0.55 1.53 5.37

Milk protein. % 3.28 0.27 2.62 4.01

BW, kg cow-1 710.6 57.9 553.4 827.2

DM intake, kg cow-1 d-1 24.3 2.7 17.1 32.2

Diet

GE, MJ kg-1 of DM 4.5 0.1 4.4 4.7

OM, % of DM 93.0 0.7 91.7 94.5

CP, % of DM 16.3 0.4 15.2 17.2

NDF, % of DM 33.4 3.2 28.2 37.8

ADF, % of DM 21.6 2.3 17.0 24.4

Ash, % of DM 7.0 0.7 5.5 8.3

NFC, % of DM 38.2 4.3 30.7 47.0

Starch, % of DM 17.7 5.1 10.1 30.0

EE, % of DM 5.0 1.4 2.3 7.2

Rumen-inert fat, % of DM 0.6 0.7 0.0 2.0

EE – rumen-inert fat, % of DM 4.4 1.5 2.3 7.2

Forage, % 60.5 1.5 59.6 65.4 zStudies : Benchaar et al., (2013); Hassanat et al., (2013); Benchaar et al., 2014; Hassanat et al.,

2014; Benchaar et al., 2015; Hassanat et al., 2017.

yDIM: days in milk; BW: body weight; DM: dry matter; GE: gross energy; OM: organic matter; CP:

crude protein; NDF: neutral detergent fiber; ADF: acid detergent fiber; NFC: non-fiber

carbohydrate; EE: ether extract; Rumen-inert fat: rumen-protected fat.

137

Table 3. 2. Pearson correlation coefficient (r) for independent (animal and dietary) and dependent (CH4 emissions) variables

Variablez 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

1 CH4 emissions,

g cow-1 d-1

r -

-0.07 0.22 0.60 0.16 0.64 0.39 -0.10 0.04 0.01 0.22 0.16 -0.12 -0.05 -0.10 0.07 -0.14 -0.04 0.01 p 0.37 <0.01 <0.01 0.02 <0.01 <0.01 0.18 0.58 0.89 <0.01 0.03 0.09 0.49 0.15 0.35 0.06 0.58 0.92

2 DIM r -

-0.54 0.08 0.40 -0.02 0.20 0.11 0.02 0.08 0.14 0.05 -0.12 -0.10 0.04 -0.16 0.12 -0.02 0.01

p <0.01 0.26 <0.01 0.83 <0.01 0.14 0.75 0.29 0.06 0.52 0.10 0.16 0.58 0.02 0.09 0.75 0.90

3 Milk yield,

kg cow-1 d-1

r -

-0.23 -0.48 0.41 -0.04 0.09 -0.05 0.01 0.07 0.07 -0.07 -0.10 0.03 0.01 0.02 0.05 -0.04

p <0.01 <0.01 <0.01 0.61 0.20 0.47 0.86 0.34 0.30 0.33 0.17 0.71 0.94 0.74 0.47 0.62

4 Milk fat, % r

- 0.32 0.25 0.19 -0.15 -0.07 0.10 0.20 0.23 -0.12 -0.13 -0.14 0.19 -0.24 0.07 0.08

p <0.01 <0.01 0.01 0.03 0.33 0.19 0.01 <0.01 0.09 0.07 0.05 0.01 <0.01 0.33 0.26

5 Milk protein. % r

- 0.22 0.17 -0.26 0.42 -0.13 -0.01 -0.30 0.17 0.22 -0.26 -0.31 -0.10 -0.42 0.26

p <0.01 0.02 <0.01 <0.01 0.07 0.96 <0.01 0.02 <0.01 <0.01 <0.01 0.19 <0.01 <0.01

6 DM intake, kg cow-1 d-1

r -

0.26 -0.09 0.26 -0.16 0.12 -0.11 0.03 0.02 -0.17 -0.23 -0.05 -0.26 0.20

p <0.01 0.21 <0.01 0.02 0.11 0.14 0.66 0.77 0.02 <0.01 0.45 <0.01 <0.01

7 BW, kg cow-1 r -

0.03 0.07 <0.01 0.03 -0.03 -0.03 0.04 0.06 -0.05 0.08 -0.07 -0.04

p 0.65 0.33 0.98 0.67 0.72 0.68 0.60 0.43 0.50 0.26 0.33 0.58

8 GE, % of DM r

- -0.60 0.46 0.43 0.55 -0.76 -0.62 0.87 -0.01 0.86 0.60 -0.43

p <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 0.88 <0.01 <0.01 <0.01

9 OM, % of DM r

- -0.72 -0.21 -0.78 0.56 0.65 -0.50 -0.51 -0.23 -1.00 0.45

p <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01

10 CP, % of DM r

- 0.07 0.47 -0.41 -0.43 0.41 0.27 0.26 0.72 -0.26

p 0.30 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01 <0.01

11 NDF, % of DM r

- 0.73 -0.87 -0.78 0.25 0.14 0.18 0.21 0.18

p <0.01 <0.01 <0.01 <0.01 0.05 0.01 <0.01 0.01

12 ADF, % of DM r

- -0.87 -0.85 0.45 0.55 0.17 0.78 -0.25

p <0.01 <0.01 <0.01 <0.01 0.02 <0.01 <0.01

13 NFC, % of DM r

- 0.85 -0.65 -0.29 -0.49 -0.56 0.14

p <0.01 <0.01 <0.01 <0.01 <0.01 0.05

14 Starch, % of DM r

- -0.36 -0.17 -0.27 -0.65 -0.13

p <0.01 0.02 <0.01 <0.01 0.07

15 EE, % of DM r

- 0.23 0.87 0.50 -0.50

p <0.01 <0.01 <0.01 <0.01

16 Rumen-inert fat, %

of DM

r -

-0.28 0.51 -0.32

p <0.01 <0.01 <0.01

17 EE - rumen-inert

fat, % of DM

r -

0.23 -0.33

p <0.01 <0.01

18 Ash, % of DM r

- -0.45

p <0.01

19 Forage, % r

- p

138

zDIM: days in milk; BW: body weight; DM: dry matter; GE: gross energy; OM: organic matter; CP: crude protein; NDF: neutral detergent fiber; ADF:

acid detergent fiber; NFC: non-fiber carbohydrate; EE: ether extract; Rumen-inert fat: rumen-protected fat; EE - Rumen-inert fat: difference

between EE and rumen-inert fat.

139

Table 3. 3. Univariate analysis of animal and dietary variablesz against enteric CH4

production

Variabley Intercept SEx Slope SE Pr > |t|

Animal

DIM 477.69 22.28 -0.03 0.10 0.74

Milk yield, kg cow-1 d-1 428.24 30.50 1.20 0.75 0.11

Milk fat, % 198.99 33.87 65.31 7.62 <0.01

Milk protein, % 320.44 54.53 48.33 16.82 <0.01

DM intake, kg cow-1 d-1 193.02 36.48 11.66 1.45 <0.01

BW, kg cow-1 220.76 69.38 0.37 0.10 <0.01

Dietary

OM, % of DM 732.12 571.22 -2.78 6.11 0.65

CP, % of DM 433.00 156.11 2.37 9.45 0.80

NDF, % of DM 372.36 40.86 3.46 1.34 <0.01

ADF, % of DM 382.84 40.01 4.02 1.70 0.02

NFC, % of DM 506.17 46.19 -0.75 0.96 0.44

Starch, % of DM 498.62 22.62 -1.12 0.76 0.14

EE, % of DM 497.15 15.79 -10.07 2.76 <0.01

Rumen-inert fat, % of DM 471.97 13.82 6.01 6.56 0.36

EE - rumen-inert fat, % of DM 471.97 14.23 -11.84 2.80 <0.01

Forage, % of DM 425.09 222.75 0.77 3.64 0.83 zVariables selected from the Pearson correlation (Table 3. 2)

yDIM: days in milk; BW: body weight; DM: dry matter; OM: organic matter; CP: crude protein; NDF:

neutral detergent fiber; ADF: acid detergent fiber; NFC: non-fiber carbohydrates; EE: ether

extract; Rumen-inert fat: rumen-protected fat; EE - Rumen-inert fat: difference between EE and

rumen-inert fat.

xSE: standard error

140

Table 3. 4. Best-fit equation for multiple regression and cross validation for prediction of

enteric CH4 emissions (g d-1) from a dataset of 193 observations from 56 lactating Canadian

Holstein dairy cows. R= 0.83 and RMSE= 40.03

Variablez Estimatey SD Pr > |t|

Intercept -1260.37 27.60 0.02

Animal

DM intake, kg cow-1 d-1 11.00 0.14 <0.001

Milk yield, kg cow-1 d-1 1.87 0.05 0.05

Milk fat, % 62.79 0.30 <0.001

Milk protein, % -18.37 0.96 0.37

BW, kg cow-1 0.26 0.00 <0.001

Diet

NDF, % of DM 58.25 1.79 0.06

NDF2, % of DM -0.82 0.03 0.08

Starch, % of DM 1.93 0.08 0.17

EE - rumen-inert fat, % of DM -2.45 0.13 0.37 z BW: body weight; DM: dry matter; NDF: neutral detergent fiber; EE: ether extract; Rumen-inert fat:

rumen-protected fat; EE - Rumen-inert fat: difference between EE and rumen-inert fat.

y Regression estimates, standard errors and P-values from the mixed model considering the

random effect of cow.

141

Table 3. 5. Regression estimates for the association between residuals and model

predicted CH4 (g d-1) values centered around the mean

Model Estimate SE P-Value R2 Predicted CH4 (g/d)

RMSPEz MSPEy

g/d % ECT (%) ER (%) ED (%)

Observed 476 ± 73

Proposed Intercept 1.5 4.45 0.99

0.00 474 ± 62 39.87 8.38 0.14 0.08 99.78 Predicted CH4 -0.02 0.11 0.70

IPCC Tier 2

Intercept -59.53 5.89 <0.001 0.06 535 ± 59 83.37 17.52 50.99 2.72 46.29

Predicted CH4 -0.23 0.07 <0.001

Moraes et al. 2014

Intercept 63.48 6.08 0.15 0.02 412 ± 50 78.55 16.51 65.32 0.58 34.10

Predicted CH4 0.12 0.08 0.07

Niu et al. 2018

Intercept 37.33 3.72 <0.01 0.11 439 ± 42 59.51 12.51 39.36 6.49 54.15

Predicted CH4 0.36 0.06 <0.001 zRMSPE: root mean square predicted error;

yMSPE: mean square predicted error; ECT: error due to overall bias; ER: error due to regression;

ED: error due to random variation.

142

Figure 3. 1. Plot of observed and predicted CH4 emissions accounting for the proposed model, obtained from a dataset of 193 observations of 53 dairy Holstein cows. a) Association between observed and predicted CH4 emissions. b) Association between predicted and residual (observed – predicted) CH4 emissions. In b), the predicted value was centered around the mean predicted valued before the residuals were regressed on the predicted value. The analyses show no mean bias (1.5 g d-1; P=0.99) and no linear bias (-0.02; P=0.70).

y = 0.7097x + 136.64R² = 0.6969

100

200

300

400

500

600

700

100 200 300 400 500 600 700

Pre

dic

ted

CH

4e

mis

sio

ns

Observed CH4 emissions

a)

y = -0.018(x-474) + 1.4978R² = 0.0008

-200

-100

0

100

200

200 300 400 500 600 700

Resid

ua

l C

H4

em

issio

ns

Predicted CH4 emissions

b)

143

Figure 3. 2 Plot of observed and predicted CH4 emissions accounting for the IPCC Tier 2 model

(IPCC, 2006), obtained from a dataset of 193 observations of 53 dairy Holstein cows. a) Association

between observed and predicted CH4 emissions. b) Association between predicted and residual

(observed – predicted) CH4 emissions. In b), the predicted value was centered around the mean

predicted valued before the residuals were regressed on the predicted value. The analyses show a

mean bias (-59.5 g d-1; P=<0.001) and a linear bias (-0.23; P=<0.001). This equation presents a

maximum bias of 37 g d-1 that is lower than the prediction standard error (59 g d-1).

y = 0.5032x + 295.94R² = 0.3853

300

400

500

600

700

800

100 200 300 400 500 600 700

Pre

dic

ted

CH

4 e

mis

sio

ns


a)

y = -0.2344(x-535) - 59.533R² = 0.0555

-300

-200

-100

0

100

300 400 500 600 700 800

Resid

ua

l C

H4

em

issio

ns


b)

144

Figure 3. 3 Plot of observed and predicted CH4 emissions accounting for the equation of Moraes et

al., (2014), obtained from a dataset of 193 observations of 53 dairy Holstein cows. a) Association



predicted valued before the residuals were regressed on the predicted value. The analyses showed

no mean bias (63.5 g d-1; P=0.15) and no linear bias (0.12; P=0.07).

y = 0.5338x + 158.34R² = 0.5979

100

200

300

400

500

600

100 300 500 700

Pre

dic

ted

CH

4 e

mis

sio

ns


a)

y = 0.1201(x-412) + 63.482R² = 0.0168

-150

-100

-50

0

50

100

150

200

200 300 400 500 600

Resid

ua

l C

H4

em

issio

ns


b)

145

Figure 3. 4 Plot of observed and predicted CH4 emissions accounting for the equation of Niu et al.

(2018), obtained from a dataset of 193 observations of 53 dairy Holstein cows. a) Association



predicted valued before the residuals were regressed on the predicted value. The analyses showed

mean bias (37.3 g d-1; P=0.003) and linear bias (0.36; P=<0.001). This equation presents a

maximum bias of 33 g d-1 that is lower than the prediction standard error (37 g d-1).

y = 0.4667x + 216.44R² = 0.6335

200

300

400

500

600

100 300 500 700

Pre

dic

ted

CH

4e

mis

sio

ns


a)

y = 0.3575(x-439) + 37.334R² = 0.1071

-200

-150

-100

-50

0

50

100

150

250 300 350 400 450 500 550

Resid

ua

l C

H4

em

issio

ns


b)

146

Chapitre 4

Simulating the effect of feeding strategies to

decrease enteric methane emissions on dairy

farms profitability and agro-environmental

performance in Canada

J. Velarde-Guillén, D. Pellerin, C. Benchaar and É. Charbonneau

Ce chapitre sera soumis pour publication dans la revue Canadian Journal of Animal Science

147

4.1 Résumé

Plusieurs stratégies nutritionnelles ont été évaluées pour leurs efficacités à

diminuer les émissions de CH4 entérique, mais leurs impacts au niveau de la ferme

n’a que très peu été étudié. L’objectif de cette étude était de simuler l’impact de

l’inclusion des drêches de distillerie (DDGS), d’huile de lin (HL) et de l’ensilage de

maïs Brown midrib (BMR) sur le bénéfice net des fermes et sur les performances

environnementales en utilisant le modèle N-CyCLES. Trois fermes virtuelles ont été

développées basées sur trois régions laitières différentes du Canada : les Maritimes,

le Québec/Ontario et les Prairies. Une contrainte d’utilisation dans la ration des

vaches laitières, sur une base de MS, a été fixée pour chaque aliment examiné :

10 % au DDGS, 4 % au HL et BMR au même niveau que l’ensilage de maïs (EM)

conventionnel. Les résultats montrent une légère diminution des émissions de CH4

entérique (2 % en moyenne avec DDGS, 4 % avec HL et 0,1 % avec BMR) en

comparaison avec les rations typiques de bases avec l’EM. L’évaluation sur la ferme,

en sa totalité, montre que la majorité des stratégies, sauf DDGS, ont un effet négatif

sur le bénéfice net. Cependant, les stratégies HL et BMR ont permis de diminuer les

émissions totales calculées de gaz à effet de serre de 2% chacune. Ces résultats

montrent l’importance de faire une évaluation complète à l’échelle de la ferme avant

de faire des modifications à la ration pour diminuer les émissions de gaz à effet de

serre.

148

4.2 Abstract

Several dietary strategies have been evaluated for their efficacy to mitigate

methane (CH4) emissions, but their impact at the farm level has only been scarcely

examined. The aim of this study was to simulate the impact of corn dried distiller

grains with solubles (DDGS), linseed oil (LO) and brown midrib corn silage (BMR)

on farm net income (FNI) and environmental output using the whole-farm model N-

CyCLES. Virtual farms, representative of three contrasting Canadian dairy regions

were built: Maritimes, Quebec/Ontario and Prairies. A constraint on lactating cow

diet inclusion was added for each feed (DM basis) tested: DDGS at 10%; LO at 4%

and BMR, replacing conventional corn silage (CS). Results, in comparison to CS

based diets, show a slight decrease in enteric CH4 (averages of 2% for DDGS; 4%

for LO and 0.1% for BMR) with typical on-farm diets. The whole-farm evaluation

shows that most strategies, except DDGS, had a negative impact on FNI. Also, LO

and BMR resulted in a slight reduction of total greenhouse gas emissions by 2 each.

These results show the importance of whole-farm evaluation before a modification

in the diet is made to decrease greenhouse gas emissions.

Short title: Velarde-Guillén et al., Whole-farm impact of methane mitigation

strategies.

Key words: Methane, mitigation, whole-farm, impact


body weight; DM, Dry matter; OM, organic matter; CP, crude protein; NDF, neutral

detergent fiber; ADF, acid detergent fiber; EE, ether extract; NFC, non-fiber

carbohydrate;

149

4.3 Introduction

Methane (CH4) from enteric fermentation of the ruminants is one of the three

main greenhouse gases (GHG) emitted from dairy farms (Intergovernmental Panel

on Climate Change (IPCC) 2006). This gas emission comprises a dietary energy

loss (Kebreab et al., 2008) that can range from 2 to 12% of the gross energy (GE)

intake (Johnson and Johnson, 1995). In Canada, the enteric CH4 represents 46% of

the total GHG emissions of the on-farm dairy production (Jayasundara et al., 2016).

To decrease enteric CH4 emissions, different strategies of CH4 mitigation

(g kg-1 of FPCM) has been tested. These strategies can be classified under three

main categories (Knapp et al., 2014): 1) dietary strategies, 2) rumen modifiers and

3) animal performance (through genetics or other management approaches).

Several dietary strategies have been evaluated for their efficacy to mitigate CH4

emissions under Canadian conditions (Benchaar et al., 2013; Hassanat et al., 2013;

Lettat et al., 2013; Hassanat et al., 2014; Benchaar et al., 2015; Hassanat et al.,

2017). The dietary strategies from these trials with the best results were the use of

corn dried distillers grains with solubles (DDGS; Benchaar et al., 2013), linseed oil

(LO; Benchaar et al., 2015) and brown midrib corn silage (BMR; Hassanat et al.,

2017) in lactating cows’ diets.

The inclusion of DDGS and LO results in increasing fat supplementation. The

latter allows to depress ruminal methanogenesis without affecting other ruminal

parameters (Martin et al., 2010; Benchaar et al., 2015). In general, the CH4

production decreases by 3.8% with the addition of each 1% of supplemental fat

(Martin et al., 2010). With the DDGS supplementation, Benchaar et al. (2013)

observed a linear relationship between the decrease of CH4 emissions and the

proportion of DDGS in the diet (a decrease of 1% of CH4 at 10% of DDGS in the diet;

3.6% at 20% of DDGS in the diet; and 4% at 30% of DDGS in the diet). Though, at

the higher level of inclusion, the fat supplementation may have reduced the

digestibility of the organic matter (OM) and fibre, lowered the N utilization efficiency

150

(Benchaar et al., 2013; Benchaar et al., 2015; Jayasundara et al., 2016) and

increased CH4 manure emissions per cow (Massé et al., 2014).

The type of fat supplementation also has an influence on CH4 production in

the rumen (Martin et al., 2010). Ingredients rich in polyunsaturated fatty acids (FA),

as the linoleic acid (C18:2; from soybean or sunflower seeds) and linolenic acid

(18:3; form linseed), can results in reductions of 4.1 and 4.8% of CH4 per percentage

unit, respectively (Martin et al., 2010). However, the effect of fat supplementation

depends on the type of forage in the basal diet (Benchaar et al., 2015). In addition,

oilseeds and vegetable oils are expensive and the advantage of the enteric CH4

mitigation might prove counterproductive due to a loss of general profit (Benchaar et

al., 2013).

In Canada, corn silage (CS) is one of the main forages used in the dairy cow

diets. It is an important source of starch, which is known to increase the production

of propionate and decreases the ruminal methanogenesis (Beauchemin et al., 2009;

Hassanat et al., 2017). However, there is a limit to the inclusion of starch in diets

because it can trigger milk fat depression, associated with a decreased rumen pH

and lower NDF degradation (Hoover 1986; Hassanat et al., 2013). An alternative to

increasing conventional CS in the diet is its substitution by brown midrib corn silage

(BMR). It was reported (Hassanat et al., 2017) that the utilization of BMR instead of

CS can decrease enteric CH4 production (1.2 g kg-1 of dry matter [DM] intake)

because of an increase in the H2 and propionate concentration in the rumen

(Janssen 2010). As well, BMR can increase DM intake because of the lower amount

of lignin and high ruminal fibre degradability compared to conventional CS, which

results in higher ruminal passage rate (liquid and solid passage).

The dietary strategies to decrease enteric CH4 production are well

documented at the animal level, but not for the whole-farm. For this reason, a whole-

farm model is a good option to observe the agro-economic and environmental effect

of the dietary strategies to decrease enteric CH4 emissions in each subsystem of the

dairy farm (Vadas et al., 2015). Linear programming models are the easiest to

151

optimize (Gameiro et al., 2016) the on-farm resources for milk production and to

evaluate the impact of these changes on the cycle of production (Castelán-Ortega

et al., 2016). Moreover, optimization models have previously been used to link

environmental and economic impacts in farms (Berentsen and Giesen, 1995;

Klootwijk et al., 2016; Pellerin et al., 2017). The aim of this study was to simulate the

economic and agro-environmental impact of the inclusion of DDGS, LO and BMR in

dairy cow rations using a whole-farm model. The hypothesis was that the

supplementation with DDGS and LO, as well as the substitution of CS by BMR, can

decrease the total GHG emissions with no major impact on farm net income.

4.4 Materials and methods

4.4.1 Model Used

The Nutrient cycling, Crop, Livestock, Environment and Soil (N-CyCLES) was

used under the Canadian context previously (Pellerin et al., 2017) and was chosen

for this evaluation. The N-CyCLES is a linear programming model in which three

levels: agronomic, animal and economic are considered to find the best response

(optimization) for a maximum net income or a minimum N or P mass balance;

evaluating trade-offs between economic and environmental outcomes from mixed

livestock-crop dairy systems and allowing for the simulation of different scenarios,

while modifications in a subpart of the system are done. The main consideration of

the model and details on the interactions are available in Pellerin et al. (2017).

4.4.2 Regions of study

Virtual farms were built in the model to describe typical dairy farms from three

contrasting Canadian dairy regions: Maritimes (48° N; 68° W), Quebec/Ontario (45°

N; 73° W) and Prairies (52° N; 113° W). Farm descriptors (agronomic, economic

and animal characteristics) were the averages, or median (for feed characteristics),

of five years (2010 – 2014, Table 4. 1 and AppendicesTable A4. 1, Table A4. 2 and

Table A4. 3).

152

4.4.3 Main inputs

Farm size, herd characteristics and economic data at the farm level for

Maritimes and Quebec/Ontario were the average of farms in a subset of these

regions coming from the Agritel Database (Groupes conseils agricoles du Quebec,

Longueil, Quebec, Canada) and from Valacta (Sainte-Anne-de-Bellevue, Quebec,

Canada) between the years 2010 – 2014 (Table 4. 1). For the farm in the Prairies,

the average of these characteristics came from Government of Alberta (2018a;

2018b) for the same period and were validated by local experts.

The average fat- and protein- corrected milk (FPCM) sold per farm,

considering a 5% milk waste, was: 513 696 kg yr-1 for Maritimes, 614 296 kg yr-1 for

Quebec/Ontario and 1 213 288 kg yr-1 for Prairies. The variable and fixed cost

(labour, taxes, insurance, depreciation, interest, supplies, bedding, veterinary costs),

feed prices and fertilizer prices by region are presented in Appendices Table A4. 1

and Table A4. 3.

The soil type considered in each region was: Orthic Humo-Ferric Podzol for

Maritimes; Sandy loam for Quebec/Ontario; and Black chernozemic for Prairies. The

amount of organic matter, N, P and K in soil of each region are described in Appendix

Table A4. 1. In each virtual farm, the cropland was subdivided into two land units (LU)

of equal size, a LU with higher nutrient accumulation and a LU with lower nutrient

accumulation. These LU were set in high and low soil P concentration and different

organic matter concentration (Appendix Table A4. 1). In each virtual farm, 10 different

rotations representatives of each region were simulated (Table 4. 2). The needs of

fertilizer for each crop in the Maritimes and Quebec/Ontario were adjusted with the

recommendations of the guide of fertilization of CRAAQ (2015) and adjusted with

the help of an agronomist from Alberta for Prairies. On-farm manure and six

fertilizers were available in the model: di-ammonium phosphate (18% N and 46%

P2O5), urea ammonium nitrate (27% N), triple super phosphate (46% P2O5), muriate

153

of potash (60% K2O and 47.5% Cl) and mono-ammonium phosphate (11% N and

52% P2O5).

Different cropping practices existed among the virtual farms because of the

variation in agro-environmental conditions in each region. Thus, the principal

differences in cropping practices were that Quebec/Ontario climate allows to

produce corn grain, whereas, in Maritimes and Prairies the production is not possible

due to the low corn heat units (CHU) in both regions. The cropping of CS is possible

in the three regions, but the nutrient composition of the forage was considered to be

slightly different because of the variation in CHU (Table 4. 3). As well, the low CHU

in Maritimes and Prairies (Table 4. 1) limit the possibilities to grow BMR; BMR

needing at least 2600 to 2900 to be properly used (Farmwest 2014; Mycogen 2014).

For this reason, BMR was tested only in Quebec/Ontario. Finally, because of

regional differences, grass and legume association harvested as silage was used

and no barley silage was available in the Maritimes and the Quebec/Ontario farms,

whereas the rotations in the Prairies farm included pure alfalfa (no grass and legume

association) and barley silage.

Crop yields from Maritimes and Quebec/Ontario came from the 2010 – 2014

average data from “La financière agricole du Québec” (Gouvernement du Québec,

2016). Information from the Government of Alberta (2018a, 2018c) were used for

yields and cost of production in Prairie, with some adjustment when needed after

consulting local experts. Data related to agronomic inputs are described in

Appendices Table A4. 2 andTable A4. 3.

The main characteristics and management of the simulated herd of each

region are in Table 4. 1 and in Appendix Table A4. 1. For the diet optimizations, the

herd was divided into two groups of lactating cows (early lactation: from 1 to 152

days in milk; and mid-late lactation: from 153 to last day in milk), one group of dry

cows and two groups of heifers (<1 yr old and ≥1 yr old). Cows DM intake were

estimated with NRC (2001) equation and diets were formulated to meet NRC (2001)

requirements. Thus, because the body weight (BW) and the average milk production

154

were different between regions, the DM intake of cows in the early lactation group

and in the mid-late lactation group were respectively estimated at 3.46 and 3.22% of

BW for Maritimes, 3.56 and 3.30% of BW for Quebec/Ontario and 3.43 and 3.20%

of BW for Prairies. Using results from existing research (Ebling and Kung Jr 2004;

Kung Jr. et al., 2008; Castro et al., 2010; Barlow et al., 2012; Holt et al., 2013;

Ferraretto and Shaver 2015; Lim et al., 2015; Hassanat et al., 2017), DM intake was

increased (3.15%) when BMR was used instead of CS. As well, MY and milk

composition was adjusted based on the same researchs: MY was considered to be

5.39% higher with BMR, milk fat percentage 2.88% lower, and milk protein

percentage 0.11% higher than with CS. Also, to respect the quota system, an

adjustment in the number of cows was made to obtain the same amount of total milk

fat sold per farm as in the CS scenario of the same region.

The amount of N in the ration has an important effect on the N mass balance

and on N2O emissions of the whole-cycle of production. For N, a maximum of rumen

degradable protein (RDP) was set at 15% above the requirement for all groups

(lactating, dry and heifers). No maximum was set for rumen undegradable protein

(RUP), although the price of protein supplements usually limits unnecessary addition

of RUP.

In addition, a constraint on lactating cow diets was added for each feed (DM

basis) tested: DDGS at 10% and LO at 4% of DM in the diets. For BMR, it was totally

replacing conventional CS, and both were limited at 40% of DM in the total diet to

better represent actual practices on Canadian dairy farms.

4.4.4 Simulations

A total of 14 simulations (four in Maritimes, six in Quebec/Ontario and four in

Prairies) were carried out to verify the agro-environmental and economic impacts of

the strategies for enteric CH4 mitigation. The first scenario (CS scenario)

represented the actual situation of the three regions, with averaged dairy cows’ diets

using CS with a maximal proportion of 40% of DM in the lactating cows’ diets. In the

155

second scenario (DDGS scenario), a constraint to include DDGS at 10% of the diet

formulated was added to the initial optimization constraint when the lactating cows’

rations were formulated in each region. Similarly, a constraint to include 4% of LO

was added to the optimization of lactating cows’ diets in the third scenario (LO

scenario) of each virtual dairy farm. The use of both supplements with an adjustment

to respect a maximum of 6.5% of total fat in the diet (constraints of DDGS at 7.5%

and LO at 3% of DM in the diet) was the fourth scenario (CDL scenario) in the three

regions. For the fifth scenario (BMR scenario), CS was substituted by BMR (in the

rotations and dairy cows’ diet) only in Quebec/Ontario because it is the only region

with the proper climate to grow BMR hybrids. And finally, for the sixth scenario (BDL

scenario), both supplements (constraints of DDGS at 7.5% and LO at 3% of DM in

the diet) were used in a BMR-based diet only in Quebec/Ontario.

The environmental and economic impact, as well as the variation in

agronomic and dairy cows’ ration decision were compared in each region. In N-

CyCLES, the farm net income (FNI) is calculated as the difference between incomes

(milk, animals and crops sold) and expenses (fixed costs, purchased feeds, home-

grown feeds production, fertilizers and manure spreading). Whole-farm N mass

balance was calculated by a difference between farm-gate imports (purchased feeds

and fertilizers, atmospheric depositions and biological N-fixation) and exports (milk

and animals sold, manure exported, and crops sold) (Pellerin et al., 2017). The

enteric CH4 emissions for the two lactating groups were calculated as Velarde-

Guillén et al. (chapter 3):

𝐶𝐻4(𝑔 𝑑⁄ ) = −1260.37 + 1.9 × 𝑀𝑌 (𝑘𝑔 𝑑−1) + 62.8 × 𝑀𝑖𝑙𝑘 𝐹𝑎𝑡 (%)

− 18.4 × 𝑀𝑖𝑙𝑘 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 (%) + 11.0 × 𝐷𝑀 𝑖𝑛𝑡𝑎𝑘𝑒 (𝑘𝑔 𝑑−1)

+ 0.3 × 𝐵𝑊 (𝑘𝑔) + 58.3 × 𝑁𝐷𝐹 (% 𝑜𝑓 𝐷𝑀) − 0.9 × 𝑁𝐷𝐹2 (% 𝑜𝑓 𝐷𝑀)

+ 1.9 × 𝑆𝑡𝑎𝑟𝑐ℎ (% 𝑜𝑓 𝐷𝑀) − 2.5 × 𝐸𝐸 − 𝑅𝑢𝑚𝑒𝑛

− 𝑖𝑛𝑒𝑟𝑡 𝑓𝑎𝑡 (% 𝑜𝑓 𝐷𝑀),

where CH4 is the enteric methane production, MY is the milk yield, DM intake

is the dry matter intake, BW is the body weight and NDF is the neutral detergent fibre

156

of the diet. This equation was developed using results of experiments testing the

same feeds as in this study. The GHG emissions from the other components of the

farm were evaluated using the IDF (2015) methodology.

Finally, a sensitivity analysis was conducted to assess the effect of variability

in feed costs (+25 or −25%), fertilizer costs (+10 or −10%) and BMR yield (+10 or

−10%) on key model outcomes. All results are presented per kilogram of FPCM for

consistency and convenience of cross-regional comparison.

4.5 Results and discussion

4.5.1 Corn distillers grains with solubles (DDGS) scenario

The DDGS supplementation at 10% of the lactating cows’ ration had a

different impact on the crop production depending on the region of the farm. In

Maritimes, the perennial silage production decreased by 6% (Table 4. 4), but barley

grain and canola productions increased by 7 and 10% respectively, which resulted

in 10% more cash-crop production on the farm. Whilst in Quebec/Ontario rotations

only changed slightly (Table 4. 5), but the addition of DDGS allowed for more corn

grain produced to be sold. In the Prairies, the DDGS supplementation increased the

CS, alfalfa silage and barley silage production by 8, 14 and 46% respectively, but

production of barley grain and peas decreased by 28 and 34% respectively (Table

4. 4). However, this reduction in barley production was mostly compensated by the

substitution of this cereal by DDGS in the diets. These agronomic results are in line

with the results of Schmit et al. (2009) in which the DDGS supplementation modified

the choice of culture in the cropland. As well, Shi et al. (2015) reported the interest

of using DDGS to replace part of the corn grain in the herd diets. There were

variations in the amounts of purchased fertilizer between CS and DDGS scenarios

in-line with the cash-crop production. With the modification in diet formulation (Table

4. 6 andTable 4. 7), affecting manure composition, and the small variation in rotation,

there was in general a slight increase in N, P and K needs from fertilizer (<0.5%,

0.5% and 2% respectively) in comparison with the CS scenario.

157

Economically, the general FNI increased by 5% because of a decrease of 4%

in the herd feeding cost and an increase of 16% in income from cash-crop sold, in

spite of the higher expenses for purchased fertilizer (10%). FNI increased by 5% in

Maritimes (Table 4. 8), 5% in Quebec/Ontario (Table 4. 9) and 7% in the Prairies

(Table 4. 8) with the use of DDGS in the diet. In the Maritimes and Quebec/Ontario,

the cash-crop sold increased by 10 and 25%, respectively, whilst in Prairies it

decreased by 22% in the DDGS scenario in comparison to CS. In addition, the cost

in purchased feeds decrease by 1.4% for the Maritime and 16.4% for the Prairie

simulated farm when DDGS was used. Lower costs of the rations with DDGS were

observed by Shi et al (2015), in China, where feed costs had been decreased with

the addition of DDGS, resulting in higher income over feed costs. Similarly, Thanh

and Suksombat (2015), in Thailand, reported a 36% increase in income over the

feed cost per cow with the supplementation of DDGS at 11.5% in a CS-based diet.

Environmentally, the combination of increase in N importation from purchased

feeds (0.06 kg of N 100 kg-1 FPCM) and fertilizers (0.07 kg of N 100 kg-1 FPCM) with

DDGS in the simulated farm from the Maritimes (Table 4. 8) were higher than the

increase in the exportation of N from cash-crop (0.03 kg of N 100 kg-1 FPCM) and

resulted in a 4% higher N mass balance. In Quebec/Ontario the N mass balance

decreased by 3% (Table 4. 9) due to a more important increase in N exported from

cash-crop sold (0.12 kg of N 100 kg-1 FPCM) than the one from importation of more

N from purchased feeds (0.07 kg of N 100 kg-1 FPCM) and fertilizers (0.02 kg of N

100 kg-1 FPCM). Finally, in the Prairies, in spite of the lower N importation from

purchased feeds (0.06 kg of N 100 kg-1 FPCM), the N mass balance increased by

2% (Table 4. 8) because of the higher biological fixation of N (0.04 kg of N 100 kg-1

FPCM) and lower N exportation from cash-crop sold (0.04 kg of N 100 kg-1 FPCM)

with DDGS scenario in comparison to CS. In the three virtual farms, the purchased

feeds and cash-crop production were the main factors responsible for N mass

balance variation. Pugesgard et al. (2014) observed a higher environmental impact

in farms with a higher cash-crop production (grain). These results are in line with the

study of Hoeppner et al. (2006) where it was shown that needs in N for grain

158

production is different from perennial forage, resulting in variation in N mass balance

with modification in grain production.

Overall, the enteric CH4 emissions represented around 40% of total GHG. The

CH4 emissions were the main source of GHG emissions followed by N2O emissions

which is consistent with van Middelaar et al. (2014). The use of DDGS had a very

small impact of enteric CH4 emissions in Maritimes (+0.1%;Table 4. 8) and in

Quebec/Ontario (-0.04%;Table 4. 9), whereas it decreased of 2% the CH4 enteric

emissions in the Prairies simulated farm (Table 4. 8), in comparison to CS scenario.

Studies of the effect of the DDGS supplementation on CH4 emissions in dairy cows

are scarce but Benchaar et al. (2013) reported a decrease of 1% of the enteric CH4

emissions with 10% of DDGS supplementation in early lactating cows. The main

effect of the DDGS supplementation on CH4 production is the increase of EE

concentration in the diet (Benchaar et al., 2013). The EE supplementation declines

enteric CH4 production because it reduces ruminal OM fermentation, the activity of

methanogens and amount of protozoal in rumen and the biohydrogenation of

unsaturated fatty acids (Johnson and Johnson 1995; Ellis et al., 2007; Beauchemin

et al., 2008; Beauchemin et al., 2009). In this study, the Prairies farm obtained similar

simulated results as Benchaar et al. (2013) for the prediction of CH4 when adding

DDGS to the diet lactating cows, whereas, it was not the case for the other simulated

farms. It is also in the Prairies where the difference in EE of lactating cow diets

between the DDGS and the CS scenarios were the most important; with, on average,

a difference of 0.8 percentage units vs. 0.5 and 0.3 percentage units in the Maritimes

and Québec/Ontario, respectively. In comparison, the control diet in Benchaar et al.

(2013) had an EE concentration of 3.9% and the addition of DDGS allowed to

increase it of 1.0 percentage units.

For the overall GHG emissions and their allocation to milk production, they

increased in all scenarios. More precisely, the on-farm emissions were similar

between the DDGS and the CS scenarios, but the importation of CO2eq. emissions

for purchased feeds and fertilizers increased by 35%. In addition, in the

Quebec/Ontario scenario, the inclusion of DDGS allowed for a reallocation of

159

cropland with more area dedicated for cash-crop production and less for feeding the

herd. These results are in line with those of Kristensen et al. (2011) in which farming

intensification, with the inclusion of more purchased feed in the diet, increases GHG

emissions per farm. However, the DDGS is a byproduct of ethanol production and

the allocation of CO2 equivalent between DDGS and ethanol can have a huge impact

on the calculated importation of GHG emissions (Bremer et al. 2010). As well, the

valorization of coproduced allows to use non-comestible feeds for humans that could

become a waste otherwise (Karlsson et al., 2018). There may be a tradeoff in benefit.

However, the actual results may justify the use of DDGS for its economic benefit, but

not for a decrease of GHG emissions per unit of product on the studied simulated

farms).

4.5.2 Linseed oil (LO) scenario

The supplementation of LO in the diets modified the proportion of other feed

used for the herd diets and, consequently, the allocation of the areas dedicated to

grow each homegrown feeds in the cropland of farms in all regions. Also,

homegrown cereal production (corn and barley) proportion were decreased in the

diets because of the energy brought by LO. In the Maritimes (Table 4. 4) and the

Quebec/Ontario (Table 4. 5) simulated farms cash-crop production increased due to

the variation in the proportion of forage used in the diet that resulted in a lower

proportion of homegrown feed in the LO scenario in comparison to CS. The Prairies

simulated farm reacted differently to the addition of LO (Table 4. 4), the proportion

of forage in the diet increase, resulting in a slightly higher proportion of homegrown

feed in the diet. In this case, cash-crop production was slightly decreased.

Economically, the FNI decreased on average by 34% (70% in Maritimes, 24%

in Quebec/Ontario and 28% in the Prairies) mainly due to the 22% higher feeding

costs. The cost of LO contributes largely to this increase. In the Maritimes (Table 4.

8) and the Québec/Ontario simulated farms the increase in cash-crop sold (44 and

29% respectively) were not enough to compensate for the higher feeding cost in LO

scenario in comparison to CS. The higher cost of the ration with LO supplementation

160

was observed by Gonzalez et al. (2015) in Galicia in which the supplementation

increased 0.30 € per animal per day.

The N mass balance was similar to the CS scenario when LO was added to

the diets in the Maritime simulated farm (Table 4. 8). For this farm, the increase in N

importation from purchased feed (0.14 kg of N 100 kg-1 FPCM) and fertilizers

(0.05 kg of N 100 kg-1 FPCM) was compensated by an increase in N exportation

from the cash-crop sold (0.13 kg of N 100 kg-1 FPCM) and a decrease in N biological

fixation (0.05 kg of N 100 kg-1 FPCM). The N mass balances of the Quebec/Ontario

and Prairies simulated farms were lower in the LO than the CS scenario. In

Quebec/Ontario (Table 4. 9) it comes from a decreased in N importation from

purchased feeds (0.03 kg of N 100 kg-1 FPCM) and fertilizers (0.02 kg of N 100 kg-1

FPCM), and an increase in N exportation from cash-crop sold (0.12 kg of N 100 kg-

1 FPCM). Whereas, in the Prairies, it mainly comes from the lower N importation from

purchased feed (0.10 kg of N 100 kg-1 FPCM) when LO is added (Table 4. 8). These

results are in line with those of Spears et al. (2003) in which the importation of feeds

and fertilizers, have a great impact on the N mass balance of farms. As, well,

Küstermann et al. (2010) also reported that cash-crop has an important impact on N

mass balance of conventional and organic farms because of the N exportation from

the farm associated with this product.

The estimated enteric CH4 emissions of the herd decreased by 1.2 and 2.2%

for the Quebec/Ontario and the Prairies simulated farms, respectively, when LO was

added in the rations, in which the early and mid-late lactating groups decreased their

emissions by 0.7 and 2.6% for the Quebec/Ontario virtual farm (Table 4. 9), and by

2.7 and 4.6% for the Prairies virtual farm (Table 4. 8), respectively. These results are

a consequence of the addition of fat in the diet which is a known strategy to mitigate

CH4 production in the rumen (Martin et al., 2010). Usually, the fat supplementation

decreases the rumen acetate: propionate ratio which declines the enteric CH4

emissions (Bayat et al., 2018) as a result of a lower ruminal OM fermentation, a lower

activity of methanogens, a lower amount of protozoal in rumen, and a lower

biohydrogenation of unsaturated fatty acids (Johnson and Johnson 1995; Ellis et al.,

161

2007; Beauchemin et al., 2008; Beauchemin et al., 2009). However, in the virtual

dairy farm of Maritimes (Table 4. 8) the estimated herd CH4 emissions were 1%

higher in the LO scenario than in the CS scenario. On this farm, a decrease of 3.4%

in CH4 emissions was calculated in the early lactation group, but the estimation of

enteric CH4 production for the mid-late lactating group was 6% higher in the LO than

the CS scenario. To balance the diet in order to meet the requirement of the mid-

lactation cows at a low cost, there was a reduction in the amount of barley in the

ration, which changed the forage to concentrate ratio in favor of forages and

decreased the starch proportion in the diet (data not shown) in the LO scenario in

comparison to CS. These modifications are known to reduce the propionate and

increase the acetate proportions in the rumen, which has a direct impact on enteric

CH4 production (Ellis et al., 2008; van Gastelen et al., 2015).

In all scenarios, the GHG emissions allocated to milk were decreased by 4%

on average. The total GHG emissions were also decreased for the Maritimes and

Prairies simulated farms (Table 4. 8), and it remained similar in the Québec/Ontario

simulated farm. In the Québec/Ontario simulated farm, the increase in GHG

emissions allocated to cash-crop was greater than in the other virtual farms (3.75 kg

of CO2eq 100 kg-1 of FPCM vs. 2.4 and -0.57 kg of CO2eq 100 kg-1 of FPCM in

Maritimes and Prairies, respectively). The decrease in GHG allocated to milk

production was a result of lower enteric CH4 emissions, lower manure CH4 emissions

(8% or 2.45 kg of CO2eq 100 kg-1 of FPCM) and a decrease in N2O emissions. The

volatilization and leaching losses of the N fertilizer applied were the main responsible

for the CO2eq emissions allocated in the cash-crop production (Rotz et al., 2001;

Küstermann et al., 2010; Pugesgaard et al., 2014). Finally, LO shows potential to

decrease GHG, but a product less costly would benefit the adoption of this strategy.

4.5.3 Corn silage, corn distillers grains with solubles and linseed oil (CDL)

scenario

The DDGS and LO supplementation with a CS-based diet had a different

impact on crop production depending of the characteristics of each farm. In

162

Maritimes, the total crop yield decreased by 6% (Table 4. 4) because of lower CS

(13%) and perennial forage (11%) production. However, barley grain and canola

seed productions were increased (18 and 27%, respectively), which allowed to

increase income from cash-crop by 81%. In Quebec/Ontario, the total cropland yield

was not affected (<0.05%; Table 4. 5), however, the perennial forage production

increased by 3% and the corn grain, wheat grain and soybean productions

decreased by 3, 5 and 3% respectively. Despite the lower corn grain production, the

income associated to cash-crop sold on this simulated farm increased by 40%.

Whilst in the Prairies, the total cop yield decreased by 1% (Table 4. 4) with lower CS

(9%), barley silage (50%) and perennial forage productions (15%), but barley grain

and peas productions were increased (31 and 36%, respectively). The income

associated to cash-crop production was doubled on this farm when CDL was

compared to CS. As consequence of these crop rotation changes, there was a

decrease in N biological fixation because of the lower perennial silage production.

These forages include legume silage, with their capacity for N biological fixation

(Archer et al., 2007). In addition, the higher cash-crop production increases the need

for fertilizers (Blumenstein et al., 2018), as seen by the need for more N fertilizer in

the Maritimes (6%) and the Prairies simulated farms (8%). Fat supplementation

increased the ENL content in the rations which reduced the proportion of energy-rich

ingredients as CS, barley silage, corn grain and barley grain in the diets. In addition,

the CP content in DDGS (Table 4. 3) decreased the protein-rich ingredients

proportion in the rations (Schmit et al., 2009; Benchaar et al., 2013).

The supplementation with both fat sources (DDGS and LO) decreased the

FNI in Maritimes (81%; Table 4. 8), Quebec/Ontario (13%;Table 4. 9) and Prairies

(20%; Table 4. 8). The main reasons in all farms were the higher expenses for

purchased feeds (100% in Maritimes, 41% in Quebec/Ontario and 52% in Prairies)

and for purchased fertilizers (20% in Maritimes, 14% in Quebec/Ontario and 9% in

Prairies). On the other hand, the income for cash-crop sold increased 81, 40 and

98% in Maritimes, Quebec/Ontario and Prairies, respectively. In general, there is a

positive relationship between high profits and low feeding costs (Ghebremichael et

163

al., 2007). In this study, the increase in feeding costs were not counterbalanced by

a high enough augmentation in cash-crop income, which leads to a decrease in FNI

when CDL was compared to CS in all regions.

With this strategy, the N mass balance decreased by 8% and by 7% in

Quebec/Ontario and Prairies respectively with CDL in comparison to CS. This

variation mainly comes from a higher amount of N exported with cash-crop sold,

which is a usual means of N exportation (Küstermann et al., 2010). However, the N

imported with the purchased feeds and fertilizers in Maritimes (46 and 39% more N

imported in comparison with the CS scenario) were the main reason for the

increased N mass balance in this virtual farm (11%). These two factors, in addition

to the N biological fixation, are the main sources of N mass variation in the dairy farm

(Pellerin et al., 2017).

The enteric CH4 emissions of the herd decreased by 0.4% in Maritimes (Table

4. 8), 1% in Quebec/Ontario (Table 4. 9) and 2% in the Prairies (Table 4. 8). The

calculated emissions from the early lactation group decreased by 3% in Maritimes

and by 3% in Prairies, but increased by 1% in Quebec/Ontario. For the mid-late

lactation group, the calculated emissions decreased by 3 and 4% in Quebec/Ontario

and Prairies respectively, but in Maritimes it increased by 3%. This gas, in general,

represented 42% of the total GHG emissions. Variation in calculated enteric CH4

emissions for this scenario used the same assumption as the other scenario using

fat supplementation (DDGS and LO; Johnson and Johnson 1995; Ellis et al., 2007;

Beauchemin et al., 2008; Beauchemin et al., 2009; Bayat et al., 2018). However, the

calculation for the mid-late lactation group of the virtual dairy farm of Maritimes was

higher due to a lower starch concentration in the ration (data not shown) as a result

of a lower amount of barley grain in the ration in this group with CDL than CS

scenarios (0 vs. 6.9 % of the ration, CDL vs. CS). A lower starch content in the ration

modify the fermentation in rumen and reduction in the propionate production, which

in turn promotes the rumen methanogens activity and increased the CH4 production

in rumen (Beauchemin et al., 2009; van Gastelen et al., 2015). Whilst in

Quebec/Ontario, the emissions calculated for the early lactation group increased

164

slightly (0.2%) in CDL compared to CS, once again, because of a lower starch

content coming from variation in concentrate feeds.

Overall on-farm GHG emissions decreased in the three virtual farms (2% in

Maritimes, 3% in Quebec/Ontario and 4% in Prairies). However, off-farm CO2eq

emissions increased by 31% in Maritimes (Table 4. 8), 45% in Quebec/Ontario

(Table 4. 9) and 4% in Prairies (Table 4. 8) as a result of the higher feeds and fertilizer

importation in comparison with the CS scenario. According to the study of Cortez-

Arriola et al. (2016), the main environmental impact of the purchased feeds and

fertilizers are the N importation (Powell and Rotz 2015). With this strategy, in addition

to the lower enteric CH4 production, the model calculated a decrease of 8% in

manure CH4 emissions. However, in other studies fat supplementation increased

manure CH4 emissions because of two reasons: the increase of nutrients in the

manure (Massé et al., 2014) and a reduction of the fibre digestion (Benchaar et al.,

2015). It would be beneficial to add an additional factor in the calculation of manure

CH4 in the N-CyCLES model to better consider the impact of fat supplementation in

the diet. Milk and beef GHG allocation decreased by 5% each in Prairies, but GHG

emissions allocated in the cash-crop production increased by 80% in Maritimes, 41%

in Quebec/Ontario and 89% in Prairies mainly because of the increased N

fertilization, which is usual with cash-crop production in comparison to forages and

results in higher production of GHG emissions (Rotz et al., 2001; Pugesgaard et al.,

2014).

4.5.4 Brown midrib corn silage (BMR) scenario

The substitution of CS by BMR was only possible for the Quebec/Ontario

simulated farm. It decreased the total cropland yield by 2% (Table 4. 5) because of

the lower yield of this corn silage in comparison to the conventional variety. This

variation in yield impacted the crop allocation in the field, decreasing the area

available for corn grain and soybean production by 22% (8.6 kg of DM 100 kg-1 of

FPCM) and 25% (1.4 kg of DM 100 kg-1 of FPCM), respectively. However, the

perennial silage production increased by 19%. With these modifications in cultivated

165

area allocation, N fertilizer needs decreased by 5% as consequence of the higher N

biological fixation of legume silage (Archer et al., 2007; Liebman et al., 2008) which

increased the amount of N available for other crops (N’Dayegamiye et al., 2015). As

a consequence, the amount of purchased fertilizer was 13% lower in the BMR

scenario than in the CS scenario. In addition, there was an adjustment in the model

to account for the decrease of 2% in DMI usually observed with BMR (2.45 kg of DM

100 kg-1 of FPCM). Other studies (Ferraretto and Shaver 2015; Hassanat et al.,

2017) showed a higher DMI due to the higher NDF digestibility and passage ruminal.

Economically, the FNI decreased by 12% in the BMR scenario in comparison

to CS because the expenses for purchased feeds and home-grown feeds increased

by 8% and 6% respectively. The higher cost of production when BMR is used (Table

4. 3) was in line with the study of Karsten et al. (2003). In addition, the higher

expenses for purchased feeds, especially for the purchase of supplements

(Ghebremichael et al., 2007), are the main sources of variation of the feeding costs.

The N mass balance increased by 0,08 kg of N 100 kg-1 of FPCM in BMR

when compared to CS because of the lower cash-crop production, which, after the

milk sold, is the main source of N export of dairy farms (Küstermann et al., 2010).

The enteric CH4 emissions of the herd decreased by 4% when BMR was used

instead of conventional CS because the emissions of the early and mid-late lactation

groups decreased by 4 and 2%, respectively. Due to the adjustment for the BMR

scenario, the number of dairy cows decreased by 4 and 3% in the early and mid-late

lactation groups that influenced the reduction of the CH4 emissions (g d-1) by 5% in

the early lactating group and by 3% in mid-late lactating group. This gas represented

41% of the total GHG emissions. These results were in line with the observations of

Hassanat et al. (2017) in which cows in mid-lactation (119 DIM) decreased their

emissions from 14.4 g of CH4 kg-1 of 4% FCM in with a CS based diet to 13.0 g of

CH4 kg-1 of 4% FCM with a BMR based diet. Similarly, Schwarm et al. (2015)

observed, in heifers, a lower enteric CH4 emissions per kg of NDF digested in BMR-

based diets in comparison with CS-based diets.

166

Overall, the total GHG emissions of the Quebec/Ontario simulated farm

decreased by 2% (Table 4. 9). The CH4 emissions were lower by 4% principally

because of the lower number of dairy cows required to meet the quota in the BMR

scenario in comparison to CS, which decreased the amount of enteric CH4 emitted

and CH4 emissions from manure. The N2O emissions decreased by 2% as a result

of the lower N fertilizer emissions which is an important source of pollution in the

dairy farm (Spears et al. 2003). The on-farm CO2 emissions increased by 7% due to

the change in crop rotation, in which the new crops used more fuel. Whilst the off-

farm CO2eq. emissions increased by 3% principally because of the higher amount

of imported feed, which, according to Kristensen et al. (2011), are the main source

of GHG importation in conventional dairy farms. The GHG emissions allocated to the

cash-crop decreased by 6% which means that the cash-crop production has an

important influence in the total GHG emissions of the dairy farm, as also suggested

by Pugesgaard et al. (2014).

4.5.5 Brown midrib corn silage, corn distillers grains with solubles and linseed oil

(BDL) scenario

The BDL scenario resulted in a very similar total crop yields to the BMR

scenario, although, there was more forage and less cash-crop production in the BDL

scenario (Table 4. 5). With the higher perennial forage production, the N fertilizer

needs decreased by 8% in comparison with CS scenario, 7% in comparison with

CDL scenario, but slightly increase in comparison to the BMR scenario. The increase

N biological fixation of the perennial silage production (Archer et al., 2007; Liebman

et al., 2008) explains the results when compared with CS or CDL, and the

modification of manure content when compared with BMR. Diets in the BDL scenario

contained less home-grown feed than BMR, but more than CDL. The fat

supplementation decreases the need to add grains rich in energy and starch, and

with the use of DDGS, partly substitute to protein-rich ingredients (Schmit et al.,

2009; Benchaar et al., 2013).

167

The FNI with BDL decreased by 24% in comparison with CS scenario, 13%

in comparison with CDL scenario, and 14% in comparison with BMR. The income

from the cash-crop sold was similar to CS and BMR but 29% lower in comparison

with the CDL scenario (Table 4. 6). The expenses from purchased feed, increased

by 28% and 18% in comparison with CS and BMR scenario, respectively. In

comparison with CDL scenario, there was a decline in purchase feed, but an

increase of 5% in home-grown feeds expenses. In addition to the higher cost of

production of the BMR (Table 4. 3; Karsten et al., 2003), the purchased feeds

represent an important source of variation in the final FNI (Ghebremichael et al.,

2007; Cortez-Arriola et al., 2016).

The N mass balance of the BDL scenario decreased of 0.03 and 0.11 kg of N

100 kg-1 of FPCM in comparison with the CS and BMR scenarios, respectively, but

increased by 0.8 kg of N 100 kg-1 of FPCM in comparison to CDL. As seen in

previous research (Küstermann et al., 2010; Pellerin et al., 2017),the main reasons

of the variation in N mass balance were modification in N importation from

purchased feeds (lower of 0.17, 0.20,and 0.17 kg of N 100 kg-1 of FPCM in

comparison with CS, CDL, and BMR scenarios respectively), and purchased

fertilizers (lower of 0.02 and 0.05 kg of N 100 kg-1 of FPCM in comparison with CS

and CDL scenarios respectively; and higher of 0.02 kg of N 100 kg-1 of FPCM in

comparison to BMR), a higher N biological fixation (0.08, 0.07, and 0.03 kg of N 100

kg-1 of FPCM with CS, CDL, and BMR scenarios respectively) as the perennial silage

production increased, and a lower amount of N exported via the cash-crop sold

(lower of 0.08, 0.27 and 0.01 kg of N 100 kg-1 of FPCM in comparison with CS, CDL,

and BMR scenarios respectively).

The enteric fermentation emissions of the herd with BDL decreased by 5% in

comparison with the CS scenario because the early and mid-late lactating groups

decreased by 3 and 4% their enteric CH4 emissions, respectively. The enteric CH4

represented 39% of the GHG emissions. On the other hand, this strategy decreased

4% the enteric CH4 emissions of the herd as consequence of the lower emissions of

early and mid-late lactation groups (3 and 2% respectively) when compared to CDL.

168

The lower number of animals required to produce the same amount of milk with BMR

is the main reason for these lower emissions. Furthermore, the effect of the use of

BMR in the ration was in line with the observation in other studies (Schwarm et al.,

2015; Hassanat et al., 2017).

Overall, total GHG emissions in BDL were not changed in comparison with

the CS scenario but declined by 4% in comparison with the CDL scenario. However,

they increased by 2% in comparison to the use of BMR alone. The total CH4

emissions in BDL decreased by 6, 3 and 2% in comparison with CS, CDL, and BMR

scenarios respectively. The manure CH4 emissions were 10 and 2% lower in BDL

than in CS and CDL scenarios respectively. The lower number of cows was mainly

responsible for the added decrease in manure CH4 emissions. The N2O emissions

decreased by 6, 3, and 4 % in comparison with CS, CDL, and BMR scenarios,

respectively. This reduction mainly came from the lower cash-crop production and

purchased fertilizers. The off-farm CO2eq emissions increased by 30 and 24 % for

BDL in comparison with CS and BMR scenarios, as consequence of the higher feeds

and fertilizer importation. However, these emissions decreased by 10% in

comparison to CDL scenario because of the lower quantity of purchased feeds and

fertilizers. The purchased feeds and fertilizers are the principal sources of off-farm

GHG emissions (Kristensen et al., 2011). Whilst the on-farm CO2 emissions

increased by 8% in comparison with CS and CDL scenarios because of the higher

consummation of fuel as a result of the modifications in crop rotations. With this

strategy, the GHG emissions allocated to milk were very similar, but those allocated

to the cash-crop production decreased by 1 and 30% in comparison with CS and

CDL scenarios, respectively. This result confirms that the cash-crop production is an

important source of variation of GHG emissions of dairy farms (Rotz et al., 2001;

Pugesgaard et al., 2014). The emissions allocated to milk and cash-crop productions

were higher for BDL than BMR, which reflects that both sectors contributed to the

increase in total GHG emissions.

169

4.5.6 Greenhouse gas and enteric CH4 mitigation cost

The DDGS, LO and BMR strategies were selected for their impact on enteric

CH4 production, but they also have an impact on feeding costs, which has a direct

impact on net income of the dairy farm (Cortez-Arriola et al., 2016) and the cost of

enteric CH4 mitigation. The latter has been scarcely examined. The simulations

showed that the enteric CH4 mitigation costs were of 48.77 $ kg-1 of enteric CH4 for

DDGS scenario, of 264.08 $ kg-1 of enteric CH4 for LO scenario, of 153.03 $ kg-1 of

enteric CH4 for CDL scenario, of 25.75 $ kg-1 of enteric CH4 for BMR and of 47.14 $

kg-1 of enteric CH4 for BDL scenario, or 27.47 $ kg-1 of enteric CH4 of the BDL

strategy in comparison with the CDL strategy.

However, the total GHG emissions only decreased in the LO, BMR and BDL

scenarios, in which the GHG mitigation cost were of 1.75, 0.76 and 15.79 $ kg-1 of

CO2eq, respectively, in comparison to CS or 0.36 $ kg-1 of CO2eq. of the BDL

strategy in comparison with the CDL strategy. In general, for each 10% of GHG

mitigation the FNI decreased between 2 and 8% (Doole 2014; Adler et al., 2015) but

in this study, the FNI declined between 12 and 34% with a GHG reduction between

0.2 and 2.3%. These results are different than those reported by Dutreuil et al. (2014)

who simulated, with the Integrated Farm System Model, three different strategies to

decrease the total GHG emissions, and observed that the change in ration has the

potential of reducing GHG emissions without an effect in the FNI. For this reason,

despite the lower enteric CH4 emissions, the best option to decrease the total GHG

emissions of the dairy farm is with the intensification of the dairy farm (Dutreuil et al.,

2014; Adler et al., 2015).

4.5.7 Sensitivity analysis

The sensitivity analysis showed that the increase or decrease in feed and

fertilizer prices and of the yield of BMR had little effects on the conclusion concerning

the FNI and the GHG emissions of this study (Table 4. 10). The DDGS scenarios

stayed more profitable than CS, LO, CDL, BMR and BDL scenarios, in the three

170

virtual dairy farms. The LO continued to be the lowest GHG emissions scenario in

Maritimes and Prairies, and BMR emitted the lowest GHG emissions in

Quebec/Ontario. The conclusions from this study are therefore robust for the zones

evaluated.

The increase of feed and fertilizer prices decreased the FNI by 33 and 1% in

average, respectively; whilst the decrease of the feed and fertilizer prices increases

the FNI by the same amount (33 and 1%, respectively; Table 4. 9). Particularly, the

change of feed and fertilizer prices impacted more the LO and CDL scenarios in the

three regions. The change in the crop yield has an important influence in the FNI,

and the LO and CDL scenarios were the most affected strategies.

Environmentally, the total GHG emissions did not present changes in each

scenario, but in Quebec/Ontario, the change of the crop yield has a little effect (2%)

on the GHG emissions of the farm.

4.6 Conclusion

The objective of this work was to investigate, with simulations, the agro-

environmental and economic impact of different strategies of enteric CH4 mitigation

in Canadian dairy farms of three different regions: Maritimes, Quebec/Ontario and

Prairies. The results of this study showed that, in general, these strategies, on

Canadian dairy farms, have the potential to decrease enteric CH4 production from

0.5 to 1.3% with fat supplementation on a CS-based diet, and of 4% with the use of

BMR or 5% with fat supplementation on a BMR-based diet. However, only the LO,

BMR and BDL scenarios have the potential to decrease the total GHG emissions

when the whole dairy farm is considered, but they also have a negative impact on

FNI. Whilst the DDGS and CDL scenarios increased the total GHG emissions. The

impact of those strategies on feed importation and cash-crop sales had a direct

impact on FNI. The hypothesis of this work was therefore partially accepted. Some

of these strategies showed potential to decrease enteric methane production, but

with a negative economic impact, which is not attractive for the farmers. This

171

research shows the importance of considering more than a single aspect of the farm

when evaluating their efficiency in decreasing GHG emissions.


This research was funded by Agriculture and AgriFood Canada and Dairy

Farmers of Canada as part of the Dairy Science Cluster Initiative. A special thanks

to Leonardo Guerra Alarcon for his continued support in this study.

4.8 References

Adler, A.A., Doole, G.J., Romera, A.J. and Beukes, P.C. 2015. Managing

greenhouse gas emissions in two major dairy regions of New Zealand: A system-

level evaluation. Agric. Sys. 135: 1 – 9.

Archer, D.W., Jaradat, A.A., Johnson, J.M.F., Weyers, S.L., Gesch, R.W.,

Forcella, F. and Kludze, H.K. 2007. Crop productivity and economics during the

transition to alternative cropping systems. Agron. J. 99:1538 – 1547.

Barlow, J.S., Bernard, J.K. and Mullis, N.A. 2012. Production response to corn

silage produced from normal, brown midrib, or waxy corn hybrids. J. Dairy Sci.

95:4550–4555.

Bayat, A.R., Tapio, I., Vilkki, J., Shingfield, K.J. and Leskinen, H. 2018. Plant oil

supplements reduce methane emissions and improve milk fatty acid composition

in dairy cows fed grass silage-based diets without affecting milk yield. J. Dairy Sci.

101: 1136-1151.

172

Beauchemin, K.A., Kreuzer, M., O’Mara, F. and McAllister, T.A. 2008. Nutritional

management for enteric methane abatement: a review. Aust. J. Exp. Agric. 48:

21–27.

Beauchemin, K.A., McAllister, T.A. and McGinn, S.M. 2009. Dietary Mitigation of

Enteric Methane from Cattle.CAB Reviews: Perspectives in Agriculture,

Veterinary Science, Nutrition and Natural Resources, 4, 1 – 18.

Benchaar, C., Hassanat, F., Gervais, R., Chouinard, P.Y., Julien, C., Petit, H.V.

and Massé, D.I. 2013. Effects of increasing amounts of corn dried distillers grains

with solubles in dairy cow diets on methane production, ruminal fermentation,


Benchaar, C., Hassanat, F., Martineau, R. and Gervais, R. 2015. Linseed oil

supplementation to dairy cows fed diets based on red clover silage or corn silage:

Effects on methane production, rumen fermentation, nutrient digestibility, N

balance and milk production. J. Dairy Sci. 98: 7993 – 8008.

Berentsen, P.B.M. and Giesen, G.W.J. 1995. An environmental-economic model

at farm level to analyse institutional and technical change in dairy farming. Agric.

Syst. 49: 153 – 175.

Blumenstein, B., Siegmeier, T., Selsam, F. and Möller, D. 2018. A case of

sustainable intensification: Stochastic farm budget optimization considering

internal economic benefits of biogas production in organic agriculture. Agric. Syst.

159: 78 – 92.

Castelán-Ortega, O.A., Martínez-García, C.G., Mould, F.L., Dorward, P.,

Rehman, T. and Rayas-Amor, A.A. 2016. Optimal management of on-farm

173

resources in small-scale dairy systems of central Mexico: model development and

evaluation. Trop. Anim. Health. Prod. 48: 951 – 958.

Castro, J.J., Bernard, J.K., Mullis, N.A. and Eggleston, R.B. 2010. Brown midrib

corn silage and Tifton 85 bermudagrass in rations for early-lactation cows. J. Dairy

Sci. 93: 2143 – 2152.

Centre de référence en agriculture et agroalimentaire du Québec (CRAAQ)

2015. Guide de référence en fertilisation. 2nd ed. CRAAQ, Quebec, Canada.

Coombs, C., Lauzon, J.D., Deen, B. and Van Eerd, L.L. 2017. Legume cover crop

management on nitrogen dynamics and yield in grain corn systems. Field Crop

Res. 201: 75 – 85.

Cortez-Arriola, J., Groot, J.C.J., Rossing, W.A.H., Scholberg, J.M.S., Améndola

Massiotti, R.D. and Tittonell, P. 2016. Alternative options for sustainable

intensification of smallholder dairy farms in North-West Michoacán, Mexico. Agric.

Syst. 144: 22 – 32.

Doole, G.J. 2014. Least-cost greenhouse gas mitigation on New Zealand dairy

farms. Nutr. Cycl. Agroecosyst. 98: 235 – 251.

Dutreuil, M., Wattiaux, M. Hardle, C.A. and Cabrera, V.E. 2014. Feeding

strategies and manure management for cost-effective mitigation of greenhouse

gas emissions from dairy farms in Wisconsin. J. Dairy Sci. 97: 1 – 14.

Ebling, T.L. and Kung Jr., L. 2004. A comparison of processed conventional corn

silage to unprocessed and processed brown midrib corn silage on intake,

digestion, and milk production by dairy cows. J. Dairy Sci. 87:2519–2526.

174

Ellis, J.L., Dijkstra, J., Kebreab, E., Bannink, A., Odongo, N.E., McBride, B.W.

and France, J. 2008. Aspects of rumen microbiology central to mechanistic

modelling of methane production in cattle. J. Agric. Sci. 146: 213 – 233.

Ellis, J.L., Kebreab, E., Odongo, N.E., McBride, B.W., Okine, E.K. and France,

J. 2007. Prediction of methane production from dairy and beef cattle. J. Dairy Sci.

90, 3456-3467.

Farmwest 2010. 2010 Abbotsford and long term average.

http://www.farmwest.com/node/219 (Feb 27 2018).

Ferraretto, L.F. and Shaver, R.D. 2015. Effects of whole-plant corn silage hybrid

type on intake, digestion, ruminal fermentation, and lactation performance by

dairy cows through a meta-analysis. J. Dairy Sci. 98: 2662 – 2675.

Gameiro, A.H., Rocco, C.D. and Caixeta Filho, J.V. 2016. Linear programming in

the economic estimate of livestock-crop integration: application to a Brazilian dairy

farm. R. Bras. Zootec. 45: 181 – 189.

Ghebremichael, L.T., Cerosaletti, P.E., Veith, T.L., Rotz, C.A., Hamlett, J.M. and

Gburek, W.J. 2007. Economic and phosphorus-related effects of precision

feeding and forage management at a farm scale. J. Dairy Sci. 90: 3700–3716

Gonzalez, F., Muiño, R., Pereira, V., Martinez, D., Castillo, C., Hernández, J. and

Benedito, J.L. 2015. Milk yield and reproductive performance of dairy heifers and

cows supplemented with polyunsaturated fatty acids. Pesquisa Agropecuaria

Brasileira, 50: 306-312

http://www.farmwest.com/node/219

175

Gouvernement du Québec, 2016. La financière agricole du Québec. Rendements

de référence. [Online] Available: https://www.fadq.qc.ca/statistiques/assurance-

recolte/rendements-de-reference/ [2015, Dic. 30]

Government of Alberta, 2018a. AgriProfit$ . . . cost and return benchmarks for

crops and forages: Black soil zone [online] Available:

https://open.alberta.ca/dataset/agriprofit-cost-and-return-benchmarks-for-crops-

and-forages-black-soil-zone [2017 Oct. 01]

Government of Alberta, 2018b. Economics of milk production (Dairy cost study)

[Online]. Available:

https://www1.agric.gov.ab.ca/$Department/deptdocs.nsf/all/econ14116 [2017

Oct. 01].

Government of Alberta, 2018c. Farm input prices [Online]. Available:

http://www.agric.gov.ab.ca/app21/farminputprices [2017 Oct. 01]

Hassanat, F., Gervais, R. and Benchaar, C. 2017. Methane production, ruminal

fermentation characteristics, nutrient digestibility, nitrogen excretion and milk

production of dairy cows fed conventional or brown midrib corn silage. J. Dairy

Sci. 100: 2625 – 2636.

Hassanat, F., Gervais, R., Julien, C., Massé, D.I., Lettat, A., Chouinard, P.Y.,

Petit, H.V. and Benchaar, C. 2013. Replacing alfalfa silage with corn silage in

dairy cow diets: effects on enteric methane production, ruminal fermentation,

digestion, N balance and milk production. J. Dairy Sci. 96: 4553 – 4567





https://www1.agric.gov.ab.ca/$Department/deptdocs.nsf/all/econ14116

http://www.agric.gov.ab.ca/app21/farminputprices

176

Hassanat, F., Gervais, R., Massé, D.I., Petit, H.V. and Benchaar, C. 2014.

Methane production, nutrient digestion, ruminal fermentation, N balance and milk

production of cos fed timothy silage- or alfalfa silage-based diets. J. Dairy Sci. 97:

6463 – 6474.

Hoeppner, J.W., Entz, M.H., McConkey, B.G., Zentner, R.P. and Nagy, C.N.

2006. Energy use and efficiency in two Canadian organic and conventional crop

production systems. Renew. Agr. Food Syst. 21: 60 – 67.

Holt, M.S., Eun, J.-S., Thacker, C.R., Young, A.J., Dai, X. and K. E. Nestor Jr.,

K.E. 2013. Effects of feeding brown midrib corn silage with a high dietary

concentration of alfalfa hay on lactational performance of Holstein dairy cows for

the first 180 days of lactation. J. Dairy Sci. 96:515–523.

Hoover, W. H. 1986. Chemical factors involved in ruminal fiber digestion. J. Dairy

Sci. 69: 2755 – 2766.

Intergovernmental Panel on Climate Change, 2006. IPCC Guidelines for National

Greenhouse Gas Inventories. vol. 4: Agricultural, Forestry and Other Land Use.

Chapter 10: Emissions from Livestock and Manure Management. IGES,

Kanagawa, Japan.

International Dairy Federation (IDF), 2015. Bulletin of the international Dairy

federation 479/2015: A common carbon footprint approach for the dairy sector.

The IDF guide to standar life cycle assessment methodology. Belgium.

Janssen, P.H. 2010. Influence of hydrogen on rumen methane formation and

fermentation balances through microbial growth kinetics and fermentation

thermodynamics. Anim. Feed Sci. Technol. 160: 1 – 22.

177

Jayasundara S, Ranga Niroshan Appuhamy, JAD, Kebreab, E and Wagner-

Riddle C. 2016. Methane and nitrous oxide emissions from Canadian dairy farms

and mitigation options: an updated review. Can. J. Anim. Sci. 96: 306 – 331.

Johnson, K.A. and Johnson, D.E. 1995. Methane emissions from cattle. J. Anim.

Sci. 73: 2483 – 2492.

Karsten, H.D., Roth, O.W. and Meuller, L.D. 2003. Evaluation of corn hybrids at

two stages of development for grazing heifers. Agron. J. 95: 870 – 877.

Kebreab, E., Johnson, K.A., Archibeque, S.L., Pape, D. and Wirth, T. 2008.

Model for estimating enteric methane emissions from United States dairy and

feedlot cattle. J. Anim. Sci. 86: 2738 – 22748.

Klootwijk, C.W., Van Middelaar, C.E., Berentsen, P.B.M. and de Boer J.M. 2016.

Dutch dairy farms after milk quota abolition: Economic and environmental

consequences of a new manure policy. J. Dairy Sci. 99: 8384 – 8396.

Knapp, J.R., Laur, G.L., Vadas, P.A., Weiss, W.P. and Tricarico, J.M. 2014.

Enteric methane in dairy cattle production: Quantifying the opportunities and

impact of reducing emissions. J. Dairy Sci. 97: 3231 – 3261.

Kristensen, T., Mogensen, L., Knudsen, M.T. and Hermansen, J.E. 2011. Effect

of production system and farming strategy on greenhouse gas emissions from

commercial dairy farms in a life cycle approach. Livest. Sci. 140: 136 – 148.

Kung Jr., L., Moulder, B.M., Mulrooney, C.M., Teller, R.S. and Schmidt, R.J.

2008. The effect of silage cutting height on the nutritive value of a normal corn

178

silage hybrid compared with brown midrib corn silage fed to lactating cows. J Dairy

Sci 91:1451–1457

Küstermann, B., Christen, O., and Hülsbergen, K-J. 2010. Modelling nitrogen

cycles of farming systems as basis of site- and farm-specific nitrogen

management. Agric. Ecosys. & Environ. 135: 70–80.

Lettat, A., Hassanat, F. and Benchaar, C. 2013. Corn silage in dairy cow diets to

reduce ruminal methanogenesis: effects on the rumen metabolically active

microbial communities. J. Dairy Sci. 96: 5237 – 5248.

Liebman, M., Gibson, L.R., Sundberg, D.N., Heggenstaller, A.H., Westerman,

P.R., Chase, C.A., Hartzler, R.G., Menalled, F.D., Davis, A.S. and Dixon, P.M.

2008. Agronomic and economic performance characteristics of conventional and

low-external-input cropping systems in the Central Corn Belt. Agron. J. 100: 600

– 610.

Lim, J.M., Nestor Jr., K.E. and Kung Jr., L. 2015. The effect of hybrid type and

dietary proportions of corn silage on the lactation performance of high-producing

dairy cows. J. Dairy. Sci. 98: 1195 – 1203.

Machmüller, A., Ossowski, D.A. and Kreuzer, M. 2006. Effect of fat

supplementation on nitrogen utilisation of lambs and nitrogen emission from their

manure. Livest. Sci. 101: 159–168.

Martin, C., Morgavi, D.P. and Doreau, M. 2010. Methane mitigation in ruminants:

from microbe to the farm scale. Animal 4: 351 – 365.

179

Massé, D.I., Jarret, G., Benchaar, C. and Cata Saady, N.M. 2014. Effect of corn

dried distillers grains with solubles (DDGS) in dairy cow diets on manure

bioenergy production potential. Animal. 4: 82 – 92.

Moate, P.J., Williams, S.R.O., Jacobs, J.L., Hannah, M.C., Beauchemin, K.A.,

Eckard, R.J. and Wales, W.J. 2017. Wheat is more potent than corn or barley

for dietary mitigation of enteric methane emissions from dairy cows. J. Dairy Sci.

100: 7139 – 7153.

Mycogen 2014. Mycogen offers four new corn silage hybrids for 2014.

http://msdssearch.dow.com/PublishedLiteratureDAS/dh_08e3/0901b803808e3d0a.

pdf?filepath=ca/pdfs/noreg/010-22130&fromPage=GetDoc (Feb 27 2018)

N’Dayegamiye, A., Whalen, J. K., Tremblay, G., Nyiraneza, J., Grenier, M.,

Drapeau, A., et al., 2015. The Benefits of Legume Crops on Corn and Wheat

Yield, Nitrogen Nutrition, and Soil Properties Improvement. Agro. J. 107: 1653 –

1665.

NRC, 2001. Nutrient requeriments of Dairy cattle. 7th ed. Natl. Acad. Press,

Washington, D.C.

Pellerin, D., Charbonneau, E., Fadul-Pacheco, L., Soucy, O. and Wattiaux, M.A.



Powell, J.M. and Rotz, C.A. 2015. Measures of Nitrogen Use Efficiency and

Nitrogen Loss from Dairy Production Systems. J. Environ. Qual. 44, 336 – 344.

http://msdssearch.dow.com/PublishedLiteratureDAS/dh_08e3/0901b803808e3d0a.pdf?filepath=ca/pdfs/noreg/010-22130&fromPage=GetDoc

http://msdssearch.dow.com/PublishedLiteratureDAS/dh_08e3/0901b803808e3d0a.pdf?filepath=ca/pdfs/noreg/010-22130&fromPage=GetDoc

180

Pugesgaard, S. Olesen, J.E., Jorgensen, U. and Dalgaard, T. 2014. Biogas in

organic agriculture – effects on productivity, energy self-sufficiency and

greenhouse gas emissions. Renew. Agr. Food Syst. 29: 28 – 41.

Rotz, C.A., Roth, G.W., Soder, K.J. and Schnabel, R.R. 2001. Economic and

environmental implications of soybean production and use on Pennsylvania dairy

farms. Agron. J. 93: 418 – 428.

Rotz, C.A., Skinner, R.H., Stoner, A.M.K. and Hayhoe, K. 2016. Evaluating

greenhouse gas mitigation and climate change adaptation in dairy production using

farm simulation. Trans ASABE; 59: 1771–1781.

Schmit, T.M., Boisvert, R.N., Enahoro, D. and Chase, L.E. 2009. Optimal dairy

farm adjustments to increased utilization of corn distillers dried grains with

solubles. J. Dairy Sci. 92: 6105 – 6115.

Schwarm, A., Schweigel-Röntgen, M., Kreuzer, M., Ortmann, S., Gill, F., Kuhla,

B., Meyer, U., Lohölter, M. and Derno, M. 2015. Methane emission, digestive

characteristics and faecal archaeol in heifers fed diets based on silage from brown

midrib maize as compared to conventional maize. Arch. Anim. Nutr. 69: 159–176.

Shi, H.T., Li, S.L., Cao, Z.J., Wang, Y.J., Alugongo, G.M. and Doane, P.H. 2015.

Effects of replacing wild rye, corn silage, or corn grain with CaO-treated corn

stover and dried distillers grains with solubles in lactating cow diets on

performance, digestibility, and profitability. J. Dairy Sci. 98: 7183 – 7193.

Spears, R.A., Kohn, R.A. and Young, A.J. 2003. Whole-farm nitrogen balance on

western dairy farms. J. Dairy Sci. 86: 4178 - 4186

181

Thanh, L.P. and Suksombat, W. 2015. Milk yield, composition, and fatty acid profile

in dairy cows fed a high-concentrate diet blended with oil mixtures rich in

polyunsaturated fatty acids. Asian Australas. J. Anim. Sci. 28: 796 – 806.

Vadas, P.A., Powell, J.M., Brink, G.E., Bush, D.L. and Good, L.W. 2015. Whole-

farm phosphorus loss from grazing-based dairy farms. Agric. Sys. 140: 40 – 47.

van Gastelen, S., Antunes-Fernandes, E.C., Hettinga, K.A., Klop, G., Alferink,

S.J.J., Hendriks, W.H. and Dijkstra, J., 2015. Enteric methane production,

rumen volatile fatty acid concentrations, and milk fatty acid composition in

lactating Holstein-Friesian cows fed grass silage- or corn silage-based diets. J.

Dairy Sci. 98: 486-499

Van Middelaar, C.E., Dijkstra, J., Berentsen, P.B.M. and De Boer, I.J.M., 2014.

Cost - effectiveness of feeding strategies to reduce greenhouse gas emissions

from dairy farming. J. Dairy Sci. 97: 2427–2439.

182

Table 4. 1. Herd size, FPCM yield, milk composition, milk price and agronomic characteristics of

dairy farms in three regions of Canada

Item Maritimes Quebec /

Ontario Prairies

Herd:


Total dairy and dry cows, heads 63 71 144

Early lactation group (1 to 152 DIMz), heads 22 25 51

Mid-late lactation group (152<DIM), heads 31 35 72

Calving interval, months 14 14 14


Production:

FPCMy yield, kg cow-1 year-1 8 586 9 105 8 896

Milk fat, % 4.01 4.01 3.78

Milk protein, % 3.25 3.29 3.19

Milk price, $ hl-1 75.22 75.67 74.95

Agronomic parameters

Cropland, ha 135 95 255

CHUx 1 987 – 2 246 2 893 – 3 286 1 917 – 2 275

zDIM: Days in milk;

yFPCM: Fat- and protein- corrected milk = Milk yield (kg yr-1) x [0.1226 x Fat% + 0.0776 x Protein%

+ 0.2534] (IDF, 2015);

xCHU: Corn heat units.

183

Table 4. 2. Main ten crop rotations of each region where each crop represents one year

Scenario Maritimes Quebec/Ontario The Prairies

Rotation Crops/years Crops/years Crops/years

R1z Bg/As + As + Mxs +

Mxsy 4 XX + As + As + Mxs 4

Cs + Cs + Bg/As + As +

As + As 6

R2 Bg + Bg + Can 3 Cg + Cg + Soybean 3 Cs + Bg + Bg/As + As +

As + As 6

R3 Cs + Bg/As + As + Mxs

+ Mxs 5

Cg + XX + Wg/As + As +

Mxs + Mxs + Gh 7 Bg + Bg + Peas 3

R4 Cs + Cs + Bg/As + As +

Mxs 5 Wg/As + As + Mxs + Mxs 4

Cs + Cs + Peas +

Bg/As + As + As + As 7

R5 Bg/As + As + Mxs + Mxs

+ Gh 5

XX + XX + Wg/As + As +

Mxs + Mxs 6

Cs + Bg + Peas +


R6 Bg + Bg/As + As + Mxs

+ Mxs 5 XX + As + As + Mxs 4

Cs + Bs + Bg/As + As +

As + As 6

R7 Bg + Can + Bg/As + As

+ Mxs 5 Cg + Cg + Soybean 3

Cs + Bg + Bg/As + As +

As + As 6

R8 Bg/As + As + Mxs +

Mxs 4

Cg + XX + Wg/As + As +

Mxs + Mxs + Gh 7 Bg + Bg + Peas 3

R9 Bg/As + As + Mxs 3 Wg/As + As + Mxs + Mxs 4 Cs + Bs + Peas +


R10 Bg/As + As + Mxs + Mxs

+ Gh 5

XX + XX + Wg/As + As +

Mxs + Mxs 6

Cs + Bg + Peas +


zR1 – R10: R1, R2, R3, R4 and R5 are rotations in the land unit with higher amount of nutriments;

R6, R7, R8, R9 and R10 are rotations in the land unit with lower amount of nutriments;

yXX: Corn silage or Brown midrib corn silage; B: Barley; A: Alfalfa (>75% leguminous); Mx: Mixed

(50% grass and 50% leguminous); Can: Canola; C: Corn; G: Grass (>75% grass); W: Wheat; s:

silage; g: grain; /: association (two crops in the same area and in the same year).

184

Table 4. 3. Nutritional composition and agronomic characteristics of corn silage (CS), corn brown

midrib silage (BMR), corn distillers grains with solubles (DDGS) and Linseed oil (LO) in the three

regions

Region Maritimes Quebec/Ontario Prairies

Ingredient CSz DDGS LO CS BMR DDGS LO CS DDGS LO

Ingredient

composition

and price

DM, % of FM 34.8 64.4 100.0 35.0 38.0 68.5 100.0 34.8 79.3 100.0

EE, % of DM 3.2 15.7 99.9 3.1 2.8 15.2 99.9 3.2 15.7 99.9

NDF, % of DM 46.3 35.7 0.0 42.6 38.5 32.3 0.0 46.3 35.7 0.0

NFC, % of DM 38.0 15.3 0.0 43.7 48.8 24.9 0.0 38.0 19.6 0.0

Starch, % of DM 27.1 10.9 0.0 31.1 34.8 17.7 0.0 27.1 14.0 0.0

ADL, % of DM 3.1 4.5 0.0 2.7 1.6 3.6 0.0 3.1 4.5 0.0

CP, % of DM 9.2 35.5 0.0 7.9 7.6 29.7 0.0 9.2 31.2 0.0

Ash, % of DM 4.6 6.4 0.0 4.1 3.6 5.8 0.0 4.6 6.4 0.0

Price, $/ DM-1 144.1 452.9 2207.5

144.0 409.8 349.7 2207.5

144.1 241.0 2207.5

Forage

yield, needs

of fertilizer

and cost of

production

Yield, t DM ha-1 11.4 - - 17.8 16.0 - - 11.5 - -

Ny, kg ha-1 130.0 - - 170.0 170.0 - - 80.0 - -

P, kg ha-1 40.0 - - 40.0 40.0 - - 40.0 - -

K, kg ha-1 110.0 - - 110.0 110.0 - - 110.0 - -

Cost, $ ha-1 619.0 - - 749.0 976.0 - - 698.0 - -

zData came from NRC (2001).

yNormal needs of fertilizer for the LU with average amount of nutriments.

185

Table 4. 4. Rotations and fertilizers (synthetic and manure) used in virtual farms with Corn Silage (CS), Corn distillers grains with solubles (DDGS), Linseed oil (LO) and brown midrib corn silage (BMR) in the Maritimes and the Prairies

Item Maritimes Prairies

CS DDGS LO CDLz CS DDGS LO CDL

Rotation, %

LU Hx

R1y - - - - 100 100 100 100

R2 6 13 13 24 - - - -

R3 14 - - - - - - -

R4 80 87 87 76 - - - -

R5 - - - - - - - -

LU L

R6 - - - - 42 61 51 21

R7 100 100 100 100 - - - -

R8 - - - - 58 39 49 79

R9 - - - - - - - -

R10 - - - - - - - -

Crop yield, kg of DM 100 kg-1 of FPCMw

Total 138.38 136.98 136.69 130.11 123.65 125.04 124.29 122.14

CS (35)v 53.64 53.64 53.34 46.71 50.16 54.27 52.06 45.69

Alfalfa silage (83) 34.74 33.55 33.46 31.53 32.34 36.77 34.39 27.53

Mixed silage (74) 23.32 21.14 21.09 19.87 - - - -

Barley silage (10) - - - - 5.87 8.60 7.14 2.91

Barley grain (08) 14.52 (23)u

15.52 (23)

15.59 (54)

17.21 (69)

19.65 14.12 (09)

17.09 25.65 (37)

Canola (18) 5.06 (100)

5.56 (100)

5.60 (100)

6.43 (100)

- - - -

Peas (XX) - - - - 5.23 (100)

3.48 (100)

4.42 (100)

7.13 (64)

Straw (120, bed) 7.09 7.56 7.60 8.36 10.40 7.80 9.19 13.22

Fertilizer needs, kg 100 kg-1 of FPCM

N 1.24 1.30 1.30 1.33 0.56 0.52 0.55 0.61

P 0.98 0.99 0.99 0.99 0.72 0.73 0.72 0.71

K 2.16 2.13 2.13 2.08 1.11 1.23 1.16 0.97

Purchased fertilizer, kg 100 kg-1 of FPCM

Total 1.31 1.53 1.49 1.63 0.28 0.29 0.33 0.30

18-46-00 0.36 0.37 0.36 0.38 - - - -

27-00-00 0.39 0.63 0.56 0.70 - - - -

00-46-00 - - - - - - - -

00-00-60 - - - - - - - -

11-52-00 0.56 0.53 0.57 0.54 0.28 0.29 0.33 0.30

Manure, kg 100 kg-1 of FPCM

Total 527.02 527.02 527.02 527.02 534.89 534.89 534.89 534.89

N 2.35 2.35 2.33 2.38 2.18 2.19 2.13 2.12

P 0.31 0.32 0.31 0.32 0.34 0.34 0.32 0.33

K 2.15 2.09 2.18 2.10 1.99 2.05 2.16 2.07 ZCDL: CS + DDGS + LO;

yR1 – R10: rotations from Table 4. 2;

xLU H: Land unit higher in soil P and OM; LU L: Land unit lower in soil P and OM.

wFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

vNumber in the parenthesis is the NRC (2001) ingredient.

186

uNumber in the parenthesis represent the percentage sold.

187

Table 4. 5. Rotations and fertilizers (synthetic and manure) used in virtual farms with Corn Silage (CS), Corn distillers grains with solubles (DDGS), Linseed oil (LO) and brown midrib corn silage (BMR) in Quebec/Ontario.

Item Quebec/Ontario

CS DDGS LO CDLz BMR BDLy

Rotation, %

LU Hw

R1x - - 4 - - -

R2 85 89 53 83 59 48

R3 - - - - 11 34

R4 - - - - - -

R5 15 11 43 17 31 18

LU L

R6 - - 30 8 - 8

R7 4 - 27 4 8 4

R8 - - - - - -

R9 - - - - - -

R10 96 100 43 89 92 88

Crop yield, kg of DM 100 kg of FPCMv

Total 127.98 127.98 127.42 127.94 124.85 124.40

CS (35)u 52.34 52.34 52.57 52.57 - -

BMR (XX) - - - - 52.68 52.36

Alfalfa silage (83) 13.01 13.01 16.68 13.92 15.45 17.39

Mixed silage (74) 16.38 16.38 16.51 16.47 19.45 20.83

Grass hay (52) - - - - 0.58 1.82

Corn grain (27) 38.35 (59)t

38.35 (80)

34.82 (95)

37.36 (96)

29.79 (77)

25.89 (97)

Wheat grain (116) 1.29 (100)

1.29 (100)

1.00 (100)

1.23 (100)

1.53 (100)

1.57 (100)

Soybean (108) 5.51 (100)

5.51 (100)

5.00 (100)

5.37 (100)

4.12 (100)

3.23 (100)

Straw (120, bed) 1.08 1.08 0.84 1.02 1.28 1.31

Fertilizer needs, kg 100 kg of FPCM

N 1.30 1.30 1.22 1.28 1.24 1.20

P 0.51 0.51 0.53 0.52 0.52 0.53

K 1.38 1.39 1.30 1.38 1.40 1.43

Purchased fertilizer, kg 100 kg of FPCM

Total 1.03 1.10 0.95 1.17 0.89 0.94

18-46-00 - - - - - -

27-00-00 1.03 1.10 0.95 1.17 0.89 0.94

00-46-00 - - - - - -

00-00-60 - - - - - -

11-52-00 - - - - - -

Manure, kg 100 kg of FPCM

Total 508.06 508.06 508.06 508.06 489.58 489.58

N 2.39 2.34 2.26 2.25 2.36 2.23

P 0.34 0.35 0.31 0.33 0.33 0.33

K 1.86 1.86 1.92 1.89 1.79 1.82 ZCDL: CS + DDGS + LO;

yBDL: BMR + DDGS + LO;

xR1 – R10: rotations from Table 4. 2;

wLU H: Land unit higher in soil P and OM; LU L: Land unit lower in soil P and OM.

vFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

188

uNumber in the parenthesis is the NRC (2001) ingredient.

tNumber in the parenthesis represent the percentage sold.

189

Table 4. 6. Quantities of feeds used in virtual farms with Corn Silage (CS) alone and with corn distillers grains with solubles (DDGS) or Linseed oil (LO) supplementation in the Maritimes and the Prairies

Maritimes Prairies CS DDGS LO CDL CS DDGS LO CDL

Feed used, kg of DM 100 kg of FPCM

Total 124.62 124.54 124.50 124.26 128.02 127.92 128.12 128.43 DM intake 119.19 119.19 119.19 119.19 122.40 122.40 122.40 122.40 Refused feed, % 4.36 4.29 4.27 4.08 4.39 4.32 4.46 4.70 Home-grown feed, % 86.26 84.59 80.45 72.30 74.59 77.30 76.09 65.82 Forage, % 80.58 78.35 78.06 71.38 70.38 73.98 74.30 70.38 Home-grown feed, kg of DM 100 kg of FPCM

Corn silage (35)3 47.21 47.21 46.94 41.11 44.14 47.76 45.81 40.21 Alfalfa silage (83) 29.36 28.35 28.28 26.64 27.33 31.07 29.06 23.26 Mixed silage (74) 19.71 17.87 17.82 16.79 - - - - Barley silage (10) - - - - 4.96 7.27 6.03 2.46 Barley grain (08) 11.23 11.92 7.13 5.29 19.06 12.78 16.58 16.04 Peas - - - - - - - 2.57 Purchased feed, kg of DM 100 kg of FPCM

DDGS (23) - 8.37 - 6.27 - 9.31 - 6.99 Linseed oil (44) - - 3.35 2.51 - - 3.33 2.49 Grass hay (52) 2.14 2.14 2.14 2.14 11.81 6.68 12.43 22.60 Corn grain (27) - - - 3.29 - - - - Wheat grain (116) 2.67 2.49 - - 3.66 3.66 - - Canola (19) 3.13 - - - 1.06 - - - Soybean meal, expellers (104) 5.05 2.09 0.46 - 5.11 2.48 0.34 0.14 Soybean meal, dried (107) - 0.49 8.48 6.46 - - 8.58 5.50 Corn gluten meal (25) - - 0.05 0.10 - - 0.18 - Wheat distillers grain (XX) - - - - 5.49 3.57 - - Beet pulp (11) - - 4.66 8.42 - - - 1.02 Straw, feed (120) 2.01 2.01 2.01 2.01 1.86 1.86 1.86 1.86 Fat and oils, Calcium soaps (40) 1.34 0.90 - - 1.01 0.77 - - Purchased Minerals, kg of DM 100 kg of FPCM

CaCO3 - 0.11 0.73 0.92 0.15 0.20 0.71 1.22 CaHPO4 0.09 0.01 0.15 0.07 - - 0.05 0.01 MgO 0.00 0.00 0.00 - 0.00 0.00 - - CaSO4.2H20 0.18 0.12 0.41 0.25 0.04 0.01 0.06 0.10 NaCl 0.48 0.43 1.52 1.57 0.54 0.48 1.10 1.59 MgSO4.7H20 0.03 0.03 0.38 0.41 0.02 0.02 0.36 0.37 Bed (straw, 120), kg of DM 100 kg of FPCM

Home-grown 5.82 6.20 6.23 6.85 8.53 6.39 7.54 10.84 Purchased 10.35 9.97 9.94 9.32 7.62 9.75 8.61 5.30

zCDL: CS + DDGS + LO;

yFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

xNumber in the parenthesis is the NRC (2001) ingredient.

190

Table 4. 7. Quantities of feeds used in virtual farms with Corn Silage (CS) alone and with corn distillers grains with solubles (DDGS) or Linseed oil (LO) supplementation or with Brown midrib corn silage (BMR) in Quebec/Ontario

Quebec/Ontario CS DDGS LO CDLz BMR BDLy

Feed used, kg of DM 100 kg-1 of FPCMx

Total 120.26 120.17 120.23 120.20 115.81 115.83 DM intake 114.96 114.96 114.96 114.96 112.51 112.51 Refused feed, % 4.41 4.34 4.39 4.36 2.86 2.87 Home-grown feed, % 72.07 65.44 63.20 61.17 70.29 67.98 Forage, % 70.19 69.23 71.82 70.20 70.48 72.05 Home-grown feed, kg of DM 100 kg-1 of FPCM

Corn silage (35)w 46.06 46.06 46.26 46.26 - - Brown midrib corn silage (XX) - - - - 44.51 44.24 Alfalfa silage (83) 11.00 11.00 14.09 11.77 13.06 14.70 Mixed silage (74) 13.84 13.84 13.95 13.92 16.44 17.60 Grass hay (52) - - - - 0.47 1.49 Corn grain (27) 15.76 7.73 1.68 1.58 6.92 0.71 Purchased feed, kg of DM 100 kg-1 of FPCM

DDGS (23) - 8.91 - 6.10 - 5.99 Linseed oil (44) - - 3.25 2.44 - 2.40 Grass hay (52) 11.65 10.43 10.19 10.58 5.57 3.84 Barley grain (08) 1.06 9.54 15.91 15.48 7.79 13.23 Canola (19) 13.95 6.06 2.74 2.73 11.35 3.83 Soybean meal, expellers (104) - - - - 1.67 - Soybean meal, dried (107) 2.90 3.13 6.93 5.34 3.10 2.86 Corn gluten meal (25) - - 0.84 0.02 0.11 1.29 Straw, feed (120) 1.85 1.85 1.85 1.85 1.58 1.58 Fat and oils, Calcium soaps (40) 1.42 0.83 - - 1.44 - Purchased Minerals, kg of DM 100 kg-1 of FPCM

CaCO3 0.15 0.27 1.16 0.93 0.64 0.86 CaHPO4 0.05 - 0.03 - 0.04 - MgO 0.00 0.00 0.00 0.00 0.00 0.00 CaSO4.2H20 0.07 0.05 0.15 0.10 0.08 0.11 NaCl 0.47 0.43 1.05 1.05 0.98 1.04 MgSO4.7H20 0.03 0.03 0.13 0.03 0.06 0.06 Bed (straw, 120), kg of DM 100 kg-1 of FPCM

Home-grown 0.88 0.88 0.69 0.84 1.05 1.07 Purchased 14.43 14.43 14.63 14.48 13.48 13.46

zCDL: CS + DDGS + LO;


xFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

wNumber in the parenthesis is the NRC (2001) ingredient.

191

Table 4. 8. Farm incomes and expenses, N mass balance, methane emission and GHG emissions (total and allocated) of virtual farms with Corn Silage (CS), corn distillers grains with solubles (DDGS), linseed oil (LO) and brown midrib corn silage (BMR) in the Maritimes and the Prairies

Item Maritimes Prairies

CS DDGS LO CDLz CS DDGS LO CDL

Revenue, $ 100 kg-1 of FPCMy

Farm net income 10.07 10.52 3.06 1.95 22.63 24.13 16.21 18.15

Income

Milk 73.26 73.26 73.26 73.26 75.49 75.49 75.49 75.49

Animal 6.95 6.95 6.95 6.95 3.13 3.13 3.13 3.13

Cash-crop 3.25 3.57 4.69 5.88 1.54 1.20 1.30 3.05

Expenses

Homegrown feed 12.66 12.54 12.52 12.13 12.14 12.20 12.20 12.10

Purchased feed 11.05 10.89 19.51 22.11 11.57 9.67 17.65 17.59

Purchased fertilizer 1.06 1.21 1.18 1.27 0.23 0.24 0.28 0.25

Manure spreading 0.79 0.79 0.79 0.79 0.80 0.80 0.80 0.80

N Balance, kg 100 kg-1 of FPCM

Total 1.167 1.211 1.170 1.300 1.303 1.334 1.251 1.212

N import

Purchased feed 0.87 0.93 1.01 1.27 1.23 1.17 1.13 1.33

Purchased fertilizer 0.23 0.30 0.28 0.32 0.03 0.03 0.04 0.03

Biological fixation 0.86 0.82 0.81 0.77 0.72 0.76 0.74 0.67

N export

Milk 0.51 0.51 0.51 0.51 0.52 0.52 0.52 0.52

Animal 0.08 0.08 0.08 0.08 0.09 0.09 0.09 0.09

Cash-crop 0.37 0.40 0.50 0.62 0.19 0.15 0.16 0.34

Enteric CH4 emissions, kg 100 kg-1 of FPCM

Herd 2.51 2.51 2.53 2.50 2.67 2.61 2.61 2.60

Early lactation 1.47 1.47 1.42 1.42 1.49 1.46 1.45 1.44

Mid-late lactation 1.76 1.77 1.86 1.80 1.97 1.88 1.88 1.89

GHG emissions, kg of CO2eq 100 kg-1 of FPCM

Total 153.07 160.41 151.30 156.60 146.09 150.74 137.35 141.71

On-farm emissions, % 86.78 82.74 86.33 83.01 87.42 84.51 90.33 86.46

CH4 (enteric + manure) 97.56 97.05 95.33 94.07 97.93 96.93 94.46 93.88

N2O 27.47 27.92 27.55 28.41 25.59 25.98 25.29 24.74

CO2 7.80 7.75 7.74 7.51 4.19 4.48 4.32 3.90

CO2eq. (imported)x 20.24 27.69 20.68 26.61 18.38 23.35 13.28 19.19

Milk allocation 121.88 127.23 118.43 120.88 114.06 118.19 107.56 108.59

Beef allocation 25.23 26.34 24.52 25.02 29.22 30.28 27.56 27.82

Cash-crop allocation 5.96 6.84 8.36 10.70 2.80 2.27 2.23 5.30 zCDL: CS + DDGS + LO;

yFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

xCO2eq imported: greenhouse gas emissions on CO2eq of the purchased feeds and fertilizers and other crop inputs.

192

Table 4. 9. Farm incomes and expenses, N mass balance, methane emission and GHG emissions (total and allocated) of virtual farms with Corn Silage (CS), corn distillers grains with solubles (DDGS), linseed oil (LO) and brown midrib corn silage (BMR) in Quebec/Ontario.

Item Quebec/Ontario

CS DDGS LO CDLz BMR BDLy

Revenue, $ 100 kg-1 of FPCMx

Farm net income 21.42 22.39 16.36 18.71 18.85 16.24

Income

Milk 73.47 73.47 73.47 73.47 73.42 73.42

Animal 9.72 9.72 9.72 9.72 9.85 9.85

Cash-crop 8.76 10.94 11.34 12.27 8.44 8.70

Expenses

Homegrown feed 10.38 10.36 10.30 10.34 10.99 10.85

Purchased feed 15.08 16.27 22.85 21.25 16.29 19.27

Purchased fertilizer 0.66 0.70 0.61 0.75 0.58 0.61

Manure spreading 0.76 0.76 0.76 0.76 0.74 0.74

N Balance, kg 100 kg-1 of FPCM

Total 1.32 1.29 1.19 1.21 1.40 1.29

N import

Purchased feed 1.67 1.74 1.64 1.70 1.67 1.50

Purchased fertilizer 0.28 0.30 0.26 0.31 0.24 0.26

Biological fixation 0.57 0.57 0.61 0.58 0.62 0.65

N export

Milk 0.52 0.52 0.52 0.52 0.52 0.52

Animal 0.07 0.07 0.07 0.07 0.07 0.07

Cash-crop 0.70 0.82 0.82 0.89 0.63 0.62

Enteric CH4 fermentation, kg 100 kg-1 of FPCM

Herd 2.51 2.51 2.48 2.49 2.41 2.40

Early lactation 1.39 1.40 1.38 1.40 1.34 1.36

Mid-late lactation 1.95 1.94 1.90 1.90 1.91 1.86

GHG emission, kg of CO2eq 100 kg-1 of FPCM

Total 152.41 160.74 152.37 158.97 149.04 152.08

On-farm emissions, % 84.62 79.66 81.01 78.61 83.76 79.93

CH4 (enteric + manure) 92.61 91.92 89.21 89.65 88.98 86.83

N2O 32.09 31.85 30.00 31.05 31.29 30.10

CO2 4.27 4.28 4.22 4.27 4.57 4.63

CO2eq. (imported)w 23.44 32.69 28.94 34.00 24.20 30.52

Milk allocation 115.02 118.50 111.86 115.56 113.74 115.72

Beef allocation 22.87 23.56 22.24 22.98 21.59 21.97

Cash-crop allocation 14.52 18.68 18.27 20.43 13.71 14.39 zCDL: CS + DDGS + LO;


xFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

wCO2eq imported: greenhouse gas emissions on CO2eq of the purchased feeds and fertilizers and other crop inputs.

193

Table 4. 10. Sensitivity analysis of the farm net income (FNI) and greenhouse gas (GHG) emissions in the Maritimes, Quebec/Ontario and the

Prairies.

CS DDGS LO CDL BMR BDL

FNI

($ 100

kg-1 of

FPCMz)

GHG

(kg of

CO2eq.

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM)

GHG

(kg of

CO2eq.

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM)

GHG

(kg of

CO2eq.

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM)

GHG

(kg of

CO2eq.

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM)

GHG

(kg of

CO2eq.

100 kg-1

of

FPCM)

FNI

($ 100

kg-1 of

FPCM)

GHG

(kg of

CO2eq.

100 kg-

1 of

FPCM)

Maritim

es

Normal 10.07 153.07 10.52 160.41 3.06 151.30 1.95 156.60 - - - - Feed price +25% 8.28 153.11 8.86 160.41 -0.46 151.30 -1.90 156.60 - - - - Feed price -25% 11.85 153.07 12.19 160.41 6.58 151.86 5.81 156.65 - - - -

Fertilizer price +10% 9.96 153.07 10.40 160.41 2.94 151.30 1.83 156.60 - - - - Fertilizer price -10% 10.17 153.11 10.64 160.41 3.18 151.30 2.08 156.60 - - - -

Crop yield +10% 10.55 152.57 11.02 160.55 3.95 152.62 3.18 157.10 - - - - Crop yield -10% 9.71 154.08 10.11 158.40 2.27 150.25 0.09 156.38 - - - -

Quebec / O

nta

rio

Normal 21.42 152.41 22.39 160.74 16.36 152.37 18.71 158.97 18.85 149.04 16.24 152.08 Feed price +25% 19.97 150.82 21.28 158.77 14.43 154.62 17.28 159.50 17.15 149.04 14.00 151.86 Feed price -25% 22.34 150.83 23.09 158.80 18.95 153.60 20.62 159.34 20.57 145.89 18.63 148.97

Fertilizer price +10% 21.08 150.84 22.10 158.80 16.61 153.81 18.86 159.49 18.79 149.04 16.18 150.75 Fertilizer price -10% 21.23 150.84 22.26 158.80 16.77 154.51 19.04 159.49 18.91 149.04 16.30 152.82

Crop yield +10% 21.85 152.48 22.85 160.69 17.20 152.94 19.50 160.38 19.50 149.91 16.86 152.32 Crop yield -10% 20.28 148.89 21.36 156.38 16.03 153.09 18.18 157.44 18.03 146.46 15.48 151.85

Pra

irie

s

Normal 22.63 146.09 24.13 150.74 16.21 137.35 18.15 141.71 - - - - Feed price +25% 20.35 146.53 22.25 150.15 12.37 137.60 14.83 141.71 - - - - Feed price -25% 24.90 145.81 26.03 150.74 20.06 137.14 21.52 140.79 - - - -

Fertilizer price +10% 22.61 146.09 24.11 150.74 16.19 137.35 18.13 141.71 - - - - Fertilizer price -10% 22.65 146.09 24.16 150.74 16.24 137.35 18.18 141.71 - - - -

Crop yield +10% 23.59 143.82 25.07 149.38 17.10 136.46 19.09 141.00 - - - - Crop yield -10% 21.73 146.69 23.22 150.90 15.29 137.77 17.21 141.98 - - - -

zFPCM: Fat- and protein- corrected milk = Milk yield (kg/yr) x [0.1226 x Fat% + 0.0776 x Protein% + 0.2534] (IDF, 2015);

194

4.9 Appendix

Table A4. 1. Dairy farm characteristics for the virtual farms in the Maritimes, Quebec/Ontario and

the Prairies


Herd structure: cows

Management tie-stall tie-stall free-stall


Heads 63 71 144


Calving interval, months 13.8 13.7 14.0

Culling, % 33.0 34.0 40.4

Herd structure: heifers

Mortality, % 10 10 10

Age at first calving, month 25.3 25.3 37.5

Economic inputs

Milk fat price, $ kg-1 9.67 9.67 11.48

Milk protein price, $ kg-1 8.89 8.89 4.15

Total variable costs, $ hl-1 8.87 8.37 7.73

Total fixed costs, $ 201 312 218 159 303 232

Agronomic and manure management

Storage liquid, uncovered liquid, uncovered liquid, uncovered

Manure spreading Broadcast, no

incorporation

Broadcast, no

incorporation

Spray misting, no

incorporation Land unit LU Hz LU L LU H LU L LU H LU L

Organic matter in soil, % 7.7 6.2 5.3 4.0 9.0 7.0

N in soil, kg ha-1 30.0 30.0 18.8 7.5 45.0 30.0

P in soil, kg ha-1 98.0 58.0 106.5 163.5 98.0 58.0

K in soil, kg ha-1 273.0 184.0 225.3 349.8 273.0 184.0


195

Table A4. 2. Agronomic characteristics of the home-grown feeds for the virtual farms in the

Maritimes, Quebec/Ontario and the Prairies

Forage Yield, t

DM ha-1

Fertilizer N fixation,

kg t-1

Fuel,

L ha-1 N, kg ha-1 P, kg ha-1 K, kg ha-1

LU Hz LU L LU H LU L LU H LU L

Maritimes

Corn silage 11 111 130 30 50 75 145 0 164

Alfalfa silage year 1 2 0 0 0 0 0 0 18 49


Mixed silage Year 1 4 21 40 25 35 60 140 10 98


Grass hay 4 91 110 29 36 46 99 0 81

Barley grain 2 61 80 31 54 34 61 0 72

Quebec/Ontario

Corn silage 18 151 170 30 50 75 145 0 163

BMR corn silage 18 151 170 30 50 75 145 0 113





Grass hay 5 91 110 29 36 46 99 0 87

Corn grain 8 151 170 30 50 50 70 0 72

Wheat grain 1 41 60 33 58 58 113 0 72

Prairies

Corn silage 12 80 80 30 45 20 100 0 110




Barley silage 8 40 55 25 40 50 100 0 92

Barley grain 4 30 55 25 40 10 40 0 35


196

Table A4. 3. Feed costs (purchase price and cost of production) of different ingredients and fertilizer price in the Maritimes, Quebec/Ontario and the Prairies

Item Maritimes Quebec/Ontario Prairies Purchase Production Purchase Production Purchase Production

Home-grown feed, $ t-1 DM

Corn silage (35)z NAy 54 NA 42 NA 71 Brown midrib corn silage (XX) - - NA 55 - - Alfalfa silage (83) 186 274 185 242 159 341 Mix silage (74) 186 83 186 77 - - Barley silage (10) - - - - 297 43 Grass hay (52) 186 51 186 47 160 - Mid mature mixed hay (83) - - - - 160 - Barley grain (08) 225 125 233 - 197 104 Corn grain (27) 317 - 272 85 187 - Wheat grain (116) 297 - 297 219 219 - Peas (XX) - - - - 303 211 Soybean, seed (108) - - 478 183 - - Canola, seed (18) 531 197 - - - Straw, bed (120) 120 - 121 - 58 - Purchased feed, $ t-1 DM

Corn distillers grain (23) 453 - 350 - 241 - Linseed oil (44) 2208 - 2208 - 2208 - Canola (19) 351 - 351 - 311 - Blood meal ring (14) 850 - 850 - 850 - Soybean meal, expellers (104) 718 - 708 - 708 - Soybean meal, dried (107) 609 - 600 - 600 - Wheat distillers grain (XX) - - - - 180 - Corn gluten meal (25) 975 - 971 - 971 - Beet pulp (11) 559 - 559 - 559 - Straw, feed (120) 120 - 121 - 58 - Fat and oils, Calcium soaps (40) 1953 - 1816 - 1816 - Purchased Minerals, g t-1 DM

CaCO3 359 - 271 - 271 - CaHPO4 833 - 833 - 833 - MgO 816 - 805 - 805 - CaSO4 539 - 539 - 539 - NaCl 382 - 333 - 333 - MgSO4 607 - 607 - 607 -

Fertilizer, $ t-1 Purchase Purchase Purchase 18-46-00 876 846 831 27-00-00 641 641 610 00-46-00 976 976 904 00-00-60 762 762 721 11-52-00 895 895 830

zNumber in the parenthesis is the NRC (2001) ingredient;

yNA: not allowed

197

Discussion générale et conclusion

5.1 Discussion générale

L’efficacité des stratégies de mitigation de GES a été vérifiée par différents

auteurs (par exemple : Beauchemin et al., 2009 et Volpi et al., 2018), mais elles sont

effectives seulement dans le secteur de la ferme testé. Par exemple, la sélection du

type et la quantité de fertilisants pour diminuer les émissions de N2O ont été testées

dans les champs (Sanz-Cobena et al., 2017 ; Zhang et al., 2018) ou la modification

des rations pour réduire les émissions de CH4 entérique a été évaluée sur les vaches

(Storlien et al., 2015 ; Hassanat et al., 2017). Par contre, leurs effets sur tout le cycle

de production ne sont que rarement évalués.

L’objectif de ce travail était de simuler différentes stratégies de réduction

d’émissions de GES. Ainsi, le modèle N-CyCLES (Pellerin et al., 2017) a été adapté

et utilisé dans cette étude de manière à quantifier l’impact économique et

agroenvironnemental de différentes stratégies de mitigation de GES. Trois fermes

virtuelles ont été simulées dans le modèle N-CyCLES pour représenter les fermes

typiques des principales régions laitières au Canada : Maritimes, Québec/Ontario et

Prairies.

Les stratégies de mitigation de GES peuvent être divisées en deux grands

groupes en fonction du type d’émissions, soit le N2O ou le CH4. Pour la réduction de

N2O, les stratégies aux champs (sélection de culture ou gestion de la fertilisation)

sont les plus utilisées (Rotz et al., 2010 ; Camargo et al., 2013), tandis que pour les

émissions de CH4, la principale stratégie pour sa diminution est la modification de la

ration (Knapp et al., 2014).

Les stratégies qui ont été étudiées pour la réduction d’émissions de GES dans

les champs pour ce travail peuvent être classifiées en deux catégories : 1) aux

champs, qui ont été la substitution de EM par MPS et SS ; et 2) à l’étable, qui sont

les effets de la modification de la ration des vaches laitières.

198

Une ferme laitière mixte (production de lait et production de cultures

commerciales) doit avoir un équilibre entre la production agronomique de nourriture

pour la vache et pour la vente. Quand l’objectif est de diminuer le niveau ou la

quantité de fertilisants (N) dans les champs, avec la substitution de l’ensilage de

maïs par de l’ensilage de millet perlé sucré et de l’ensilage de sorgho sucré, pour

réduire les émissions de N2O, la meilleure option est l’augmentation de la production

de fourrages vivaces, comme la luzerne, et une diminution de la production de

cultures commerciales (Rotz et al., 2001, 2002). Cependant, le premier effet de ces

stratégies est la réduction du rendement total des récoltes.

La diminution du rendement des champs par la substitution d’EM par le MPS

ou le SS ou l’ensilage de maïs BMR est le résultat de deux facteurs : 1) une

production moindre de ces fourrages en comparaison avec l’ensilage de maïs, et 2)

le besoin du modèle d’allouer une plus grande quantité de terre cultivable à la

production d’aliments pour le bétail. En général, lorsque des modifications sur les

fermes entraînent un rendement moindre d’une culture fourragère, il y a une

diminution de la disponibilité des terres cultivables pour la production de cultures

commerciales et une augmentation de la production d’autres fourrages pour la

consommation du bétail (Schmit et al., 2009). C’est ce qui a été observé dans les

scénarios avec une augmentation de cultures en fourrages vivaces, comme la

luzerne, dans les scénarios avec le millet perlé sucré ou le sorgho sucré en

comparaison avec les scénarios base (ensilage de maïs). La fertilisation aussi est

affectée, puisqu’en plus d’un besoin moindre en N pour le millet perlé sucré et le

sorgho sucré en comparaison avec l’ensilage de maïs (Thivierge et al., 2015), les

fourrages vivaces ont la particularité d’améliorer la disponibilité de N dans le sol pour

les autres cultures (N’Dayegamiye et al., 2015) par la fixation biologique de N par

ces plantes (Archer et al., 2007 ; Liebman et al., 2008). En plus de ces effets aux

champs, pour le troisième projet, un ajustement supplémentaire a été réalisé pour

simuler l’effet de l’ensilage de maïs BMR sur la CVMS et la production laitière par

vache puisque cet impact a été observé dans différentes études (Ebling et Kung Jr,

2004 ; Kung Jr et al., 2008 ; Castro et al., 2010 ; Barlow et al., 2012 ; Holt et al., 2013 ;

Ferraretto et Shaver, 2015 ; Lim et al., 2015 ; Hassanat et al., 2017). Cet ajustement

199

n’a pas été effectué pour le MPS ou le SS dans le premier projet parce que la

littérature ne permettait pas de conclure à une différence de la CVMS ou la

production laitière. La modification à la production laitière par a également un impact

direct sur la production de GES par kg de produit.

La modification des rations pour réduire la production de GES sur la ferme a

aussi un effet sur la production de N2O aux champs. En effet, l’ajout d’aliments

importés à la ration, comme les drêches de distillerie ou l’huile de lin, impliquait une

diminution de la production de nourriture sur la ferme pour le troupeau (diminution

de la production de céréales, mais une légère augmentation de la production de

fourrages vivaces). Ainsi, la disponibilité des terres pour la production de cultures

commerciales a été augmentée et comme conséquence, l’accroissement des

besoins en fertilisation azotée (Blumenstein et al., 2018). Donc, l’idéal est de

considérer les émissions indirectes, comme celles associées aux fertilisants dans

les champs, en plus de celle qui est visée, comme la réduction de CH4 entérique.

L’impact des stratégies de mitigations des GES sur la production de CH4

entérique utilisées dans ce travail de doctorat peut également être classifié en deux

groupes, tout comme les stratégies utilisées aux champs, qui sont : les modifications

aux rations directes (avec la supplémentation de drêches de distillerie ou d’huile de

lin et le replacement de l’ensilage de maïs conventionnel le BMR) et indirectes

(l’utilisation de millet perlé sucré ou du sorgho sucré plutôt que de l’ensilage de maïs

suite aux changements des cultures dans les champs sur la ferme).

Les émissions de méthane entérique dans le projet 3 ont été estimées avec

l’équation développées dans ce travail, car, sous conditions canadiennes, cette

équation a présenté une meilleure prédiction des émissions de la fermentation

entérique en comparaison avec la méthodologie de l’IPCC Tier 2 (IPCC, 2006) qui

est la méthodologie utilisée dans le modèle N-CyCLES. Cependant, la précision de

l’équation était attendue parce que la méthodologie de validation croisée utilise la

même base de données que celle utilisée pour sa validation, ce qui entraîne une

200

proximité. Il est donc recommandé d’utiliser une troisième base de données

indépendante de celles utilisées dans ce travail.

Les rations ont été élaborées pour remplir les besoins nutritionnels du

troupeau de manière à produire la même quantité de lait dans chaque scénario.

Cependant ces changements ont eu un impact direct sur le coût des rations.

L’inclusion de gras dans la ration avec les drêches de distillerie et l’huile de lin a

pour effet de diminuer la proportion d‘aliments produits sur la ferme. De la même

façon, quand le principal fourrage, l’ensilage de maïs, est remplacé par de l’ensilage

de maïs BMR (comme une stratégie directe) ou par l’ensilage de millet perlé sucré

ou par l’ensilage de sorgho sucré (comme un effet secondaire des stratégies aux

champs), la proportion d’aliments produits sur la ferme diminue. Les caractéristiques

associées à chacun de ces aliments font varier les besoins en aliments dans les

rations. Par exemple, l’utilisation d’huile de lin, riche en énergie, demande un plus

fort apport en aliments riches en protéine dans la ration ou l’ajout d’aliments riches

en énergie, comme le maïs grain ou l’orge est également nécessaire lors de

l’utilisation du millet perlé sucré et du sorgho sucré dans la ration en comparaison

avec l’ensilage de maïs à cause de leur teneur moindre en énergie.

Les sept stratégies qui ont été étudiées dans ce travail (la substitution de

l’ensilage de maïs conventionnel par l’ensilage de millet perlé sucré, l’ensilage de

sorgho sucré et l’ensilage de maïs BMR, et la supplémentation des rations avec les

drêches de distillerie ou l’huile de lin) ont majoritairement un effet économiquement

négatif. Seule l’utilisation de drêches de distillerie avait un impact positif sur le

bénéfice net des fermes. La majorité des stratégies étudiées avaient comme impact

un rendement ou une utilisation moindre des récoltes destinées à l’alimentation de

la vache laitière résultant à de l’importation d’aliments ou et l’augmentation de la

production de cultures pour la vente. C’était le cas dans les scénarios de DDGS (en

Maritimes et Québec/Ontario), LO (en Maritimes et Québec/Ontario) et CDL (en

Maritimes, Québec/Ontario et Prairies). Ainsi, la majorité des stratégies directes ou

indirectes a provoqué l’augmentation de l’importation de nourriture pour remplir les

besoins nutritionnels du troupeau et pour maintenir la même production laitière. Ce

201

changement dans les rations des vaches a produit une diminution du bénéfice net

des fermes simulées dans tous les scénarios en comparaison au scénario de base,

sauf pour le scénario avec l’utilisation des drêches de distillerie où la vente de

cultures a été suffisante pour augmenter le bénéfice net. Dans tous ces scénarios,

les stratégies de mitigation de GES ont augmenté l’achat de nourriture qui est la

principale cause, avec l’achat de fertilisant, de la réduction du bénéfice net sur les

fermes laitières (Ghebremichael et al., 2007; Cortez-Arriola et al., 2016).

L’impact environnemental de ces stratégies sur les fermes laitières a été

évalué par les bilans de N et de P, et avec les émissions totales de GES (par type

de gaz et leur allocation). Le changement de culture (les scénarios avec le millet

perlé sucré et le sorgho sucré), pour réduire les besoins de fertilisant azoté, et l’ajout

à la ration de drêches de distillerie et d’ensilage de maïs BMR, pour réduire les

émissions de CH4 entérique, ont augmenté le bilan en N sur les fermes en

comparaison au scénario de base (ensilage de maïs conventionnel). Les simulations

ont montré que ces bilans plus élevés ont été provoqués par l’augmentation de la

production de luzerne (qui a augmenté la fixation biologique de N dans le sol ;

Coombs et al., 2017) et par l’achat d’aliments (qui est une importante source

d’importation de N ; Spears et al., 2003a). En plus de ces apports supérieurs, dans

plusieurs scénarios les exportations de N ont augmenté à cause d’une plus grande

vente de récoltes (DDGS scénario en Maritimes et Québec/Ontario; LO scénario en

Maritimes et Québec/Ontario; et CDL scénario en Maritimes, Québec/Ontario et

Prairies) et l’importation de N par l’achat d’aliments a diminué (MPS et SS scénarios

en Québec/Ontario; DDGS scénario en Québec/Ontario; LO scénario en

Québec/Ontario et Prairies; BMR scénario en Québec/Ontario et BDL en

Québec/Ontario). Ce sont des résultats attendus lors de la modification des

importations et exportation des aliments produits ou achetés (Küstermann et al.,

2010).

Les stratégies de réduction de N2O aux champs (millet perlé sucré et sorgho

sucré) ont toutes eu comme impact d’augmenter les bilans P simulés. Les

changements des cultures et des rotations dans ces scénarios ont augmenté les

202

besoins de fertilisant P et ont entrainé la réduction de l’exportation de P à cause

d’une réduction des cultures commerciales. Ce sont deux facteurs connus pour avoir

un impact direct sur le bilan P (Spears et al., 2003b). Ces résultats montrent que les

changements directs et indirects de ces stratégies sur les champs ont une influence

importante sur les flux de nutriments dans les fermes. Ces résultats démontrent

l’importance de bien considérer l’impact des achats d’aliments et de la vente de

récoltes lors de l’évaluation de stratégies de mitigation des GES pour comprendre

l’impact de ces dernières sur les bilans N et P sur les fermes laitières.

Les émissions totales de GES (en CO2eq kg-1 de LCGP) ont diminué dans

tous les scénarios sauf dans les scénarios avec la supplémentation de drêches de

distillerie. L’évaluation par type de gaz permet de constater que les émissions de

CH4 (en CO2eq kg-1 de LCGP) ont diminué avec toutes les stratégies. Ainsi, les

changements directs et indirects dans la ration contribuent à la réduction des

émissions par fermentation entérique et à une diminution des émissions par le

fumier. Les émissions de N2O (en CO2eq kg-1 de LCGP) ont, quant à elles, diminué

dans tous les scénarios, sauf avec la supplémentation de drêches de distillerie.

Cette réduction provient majoritairement de l’augmentation de la production de

cultures vivaces qui, en comparaison avec les céréales, émettent une quantité

moindre de N2O et diminuent les besoins de N comme fertilisant aux cultures

suivantes (Rochette et al., 2004). Pour le scénario avec les drêches de distillerie,

l’augmentation de la production de cultures commerciales, et leurs fertilisations

azotées est la principale raison de l’augmentation des émissions de N2O. La

production de cultures commerciales sur les fermes est généralement associée à

plus d’émission de N2O (Rotz et al., 2001 ; Pugesgaard et al., 2014). Aussi, les

modifications à la gestion de la ferme avec ces stratégies ont augmenté les

importations de fertilisants et d’aliments, qui ont élevé les émissions importées de

CO2eq kg-1 de LCGP (scénarios avec l’ajout de drêches de distillerie, leur

combinaison avec l’huile de lin, l’utilisation d’ensilage de maïs BMR et la

combinaison de drêches de distillerie, d’huile de lin et de BMR). L’achat d’intrant

peut être une source importante d’émission de CO2eq kg-1 de LCGP produit à

l’extérieur de la ferme (Kristensen et al., 2011). Les modifications aux opérations

203

culturales ont diminué l’utilisation de combustible sur les fermes (moins d’émissions

de CO2 [en CO2eq kg-1 de LCGP] dans les scénarios avec millet perlé sucré et

sorgho sucré) ou ont augmenté son utilisation (plus d’émissions de CO2 dans les

scénarios avec l’ajout de drêches de distillerie, l’ajout de l’huile de lin, l’utilisation

d’ensilage de maïs BMR et la combinaison de drêches de distillerie, d’huile de lin et

de BMR).

Avec les stratégies de mitigation de GES évaluées dans ce travail, la

production de GES attribué à la production laitière a été diminuée (en CO2eq kg-1 de

LCGP) dans les scénarios avec millet perlé sucré, sorgho sucré, huile de lin et

ensilage de maïs BMR en comparaison à leur scénario de base respectif.

Cependant, la différence d’émissions allouées à la production laitière est

relativement faible. L’allocation des émissions pour la production de cultures

commerciales (en CO2eq kg-1 de LCGP) a diminué avec les stratégies de réduction

de fertilisant (MPS et SS) et dans les scénarios avec LO et BMR, mais il a augmenté

avec les stratégies de réduction de CH4 entérique (DDGS et CDL). Tandis que les

émissions pour la production de viande (en CO2eq kg-1 de LCGP) n’ont pas été

affectées par les différentes stratégies. Ces résultats montrent que la majorité de la

variation des émissions vient de la réduction dans la production de cultures

commerciales.

Dans un système laitier qui inclut la production de cultures commerciales, la

mise en œuvre de stratégies de mitigation de GES doit aussi considérer la

production et la vente de cultures. Pourtant, les fermes laitières mixtes, comme

celles étudiées dans ce travail, doivent adopter stratégies qui permettent de produire

la quantité suffisante de nourriture dans la ferme sans avoir la nécessité

d’augmenter les importations d’aliments pour le bétail, et en même temps, de

maintenir la production de cultures commerciales. En dépit que la vente de lait soit

la principale source de la revenue à la ferme, la vente de cultures commerciales

représente 6,4% (de 1,5 à 13,4%) du bénéfice à la ferme. D’autre part,

l’augmentation de la production de nourriture pour le bétail produite sur la ferme

permet de diminuer l’importation d’aliments, avec leurs émissions indirectes, et de

204

réduire les besoins de fertilisation dans les champs en raison de la réduction

d’apports fertilisants lors de la production de céréales.

Finalement, les différentes simulations ont montré que les stratégies de

mitigation de GES doivent respecter quatre grands concepts pour être viables :

1. L’importance de voir l’impact d’une stratégie au niveau régional et à

l’échelle de la ferme avant d’en favoriser son adoption.

2. Avoir un équilibre entre la production d’aliments pour le bétail et la

production de culture commerciale.

3. L’inclusion de nouveaux aliments pour le bétail ne doit pas affecter

(diminuer) le rendement total des champs.

4. Le coût environnemental de l’achat des aliments et fertilisants doit être

considéré.

Ce travail a permis observées certaines limitations du modèle. Un limitant ou

une opportunité pour améliorer le modèle est l’ajout la séquestration du dioxyde de

carbone par les cultures, le pâturage et les arbres qui se trouvent dans la ferme

laitière. Le modèle Holos présente cette capacité qui permet d’avoir un bilan des

émissions de CO2 équivalent plus complet à la ferme.

5.2 Conclusion

Les stratégies de mitigation des GES sur les fermes laitières ont été

développées et validées pour diminuer les émissions de certains types de gaz,

principalement le N2O et le CH4 entérique en considérant seulement des secteurs

spécifiques de la ferme.

L’objectif de ce travail était d’évaluer l’impact économique et

agroenvironnemental de la mise en place de stratégies d’atténuation des GES sur

les fermes laitières. Dans cette étude, deux types de stratégies ont été évaluées : 1)

la réduction de la quantité de fertilisant azoté utilisée dans les champs par la

substitution de l’ensilage de maïs par de l’ensilage de millet perlé sucré ou de sorgho

205

sucré, et 2) la modification de la ration pour diminuer les émissions de CH4

entérique, avec l’ajout de gras à la ration (drêches de distillerie ou huile de lin), ou

la substitution de l’ensilage de maïs conventionnel par de l’ensilage de maïs BMR.

Les projets de cette thèse ont permis d’évaluer différentes options pour

diminuer la production de GES. Les résultats confirment que les stratégies de

réduction de GES dans la ferme laitière doivent être conçues pour diminuer l’impact

environnemental dans tous les secteurs de la ferme. L’utilisation de modèles qui

considèrent la ferme dans son ensemble est la meilleure manière pour explorer

différentes possibilités agronomiques, d’alimentation ou de gestion pour réduire les

émissions de GES de la production laitière sur différents scénarios qui peuvent

varier depuis le type de sol jusqu’au prix de vente du lait et le type de nourriture

disponible.

La réduction totale de GES dans les fermes a été possible avec les stratégies

examinées, cependant les balances de N et P ont augmenté et l’impact économique

a été négatif dans tous les scénarios. En effet, le coût économique de diminuer les

émissions de GES était important, variant de 0,15 à 15,79 $ kg-1 de CO2eq. Donc,

les hypothèses n’ont été acceptées que partiellement, car les stratégies ont permis

de diminuer les émissions de GES, mais avec un impact économique négatif. Les

futures recherches pour élaborer ou observer l’effet des stratégies de réduction de

GES en fermes laitières doivent prendre en comptent non seulement l’impact

environnemental, mais aussi la rentabilité des fermes.

Finalement, les hypothèses ont été acceptées partiellement, car les stratégies

ont permis de diminuer les émissions de GES, mais avec un impact économique

négatif.

206

Bibliographie de la discussion générale

Archer, D.W., Jaradat, A.A., Johnson, J.M.F., Weyers, S.L., Gesch, R.W., Forcella, F. et Kludze, H.K. 2007. Crop productivity and economics during the transition to alternative cropping systems. Agron. J. 99:1538 – 1547.

Barlow, J.S., Bernard, J.K. et Mullis, N.A. 2012. Production response to corn silage produced from normal, brown midrib, or waxy corn hybrids. J. Dairy Sci. 95: 4550 – 4555.

Beauchemin, K.A., Mcallister, T.A. et Mcginn, S.M. 2009. Dietary mitigation of enteric methane from cattle. Cab Reviews: Perspectives In Agriculture, Veterinary Science, Nutrition And Natural Resources. 4: 1 – 18.

Blumenstein, B., Siegmeier, T., Selsam, F. et Möller, D. 2018. A case of sustainable intensification: Stochastic farm budget optimization considering internal economic benefits of biogas production in organic agriculture. Agric. Syst. 159: 78 – 92.

Camargo, G.G.T., Ryan, M.R. et Richard, T.I. 2013. Energy use and greenhouse gas emissions from crop production using the farm energy analysis tool. Biosci 63: 263 – 273.

Castro, J.J., Bernard, J.K., Mullis, N.A. et Eggleston, R.B. 2010. Brown midrib corn silage and Tifton 85 bermudagrass in rations for early-lactation cows. J. Dairy Sci. 93: 2143 – 2152.

Coombs, C., Lauzon, J.D., Deen, B. et Van Eerd, L.L. 2017. Legume cover crop management on nitrogen dynamics and yield in grain corn systems. Field Crop Res. 201: 75 – 85.

Cortez-Arriola, J., Groot, J.C.J., Rossing, W.A.H., Scholberg, J.M.S., Améndola Massiotti, R.D. et Tittonell, P. 2016. Alternative options for sustainable intensification of smallholder dairy farms in North-West Michoacán, Mexico. Agric. Syst. 144: 22 – 32.

Ebling, T.L. et Kung Jr., L. 2004. A comparison of processed conventional corn silage to unprocessed and processed brown midrib corn silage on intake, digestion, and milk production by dairy cows. J. Dairy Sci. 87: 2519 – 2526.

Ferraretto, L.F. et Shaver, R.D. 2015. Effects of whole-plant corn silage hybrid type on intake, digestion, ruminal fermentation, and lactation performance by dairy cows through a meta-analysis. J. Dairy Sci. 98: 2662 – 2675.

Garg, M.R., Sherasia, P.L., Phondba, B.T. et Makkar, H.P.S. 2018. Greenhouse gas emission intensity based on lifetime milk production of dairy animals, as affected by ration-balancing program. Animal Prod. Sci. Doi: 10.1071/An15586

207

Ghebremichael, L.T., Cerosaletti, P.E., Veith, T.L., Rotz, C.A., Hamlett, J.M. et Gburek, W.J. 2007. Economic and phosphorus-related effects of precision feeding and forage management at a farm scale. J. Dairy Sci. 90: 3700–3716

Hassanat, F., Gervais, R. et Benchaar, C. 2017. Methane production, ruminal fermentation characteristics, nutrient digestibility, nitrogen excretion and milk production of dairy cows fed conventional or brown midrib corn silage. J. Dairy Sci. 100: 2625 – 2636.

Holt, M.S., Eun, J.-S., Thacker, C.R., Young, A.J., Dai, X. et K. E. Nestor Jr., K.E. 2013. Effects of feeding brown midrib corn silage with a high dietary concentration of alfalfa hay on lactational performance of Holstein dairy cows for the first 180 days of lactation. J. Dairy Sci. 96:515–523

Intergovernmental Panel On Climate Change (IPCC). 2006. IPCC guidelines for national greenhouse gas inventories. Vol. 4: agricultural, forestry and other land use. Chapter 10: emissions from livestock and manure management. Iges, Kanagawa, Japan.

Knapp, J.R., Laur, G.L., Vadas, P.A., Weiss, W.P. et Tricarico, J.M. 2014. Invited review: enteric methane in dairy cattle production: quantifying the opportunities and impact of reducing emissions. J. Dairy Sci. 97:3231–3261

Kristensen, T., Mogensen, L., Knudsen, M.T. et Hermansen, J.E. 2011. Effect of production system and farming strategy on greenhouse gas emissions from commercial dairy farms in a life cycle approach. Livest. Sci. 140: 136 – 148.

Kung Jr., L., Moulder, B.M., Mulrooney, C.M., Teller, R.S. et Schmidt, R.J. 2008. The effect of silage cutting height on the nutritive value of a normal corn silage hybrid compared with brown midrib corn silage fed to lactating cows. J Dairy Sci 91: 1451 – 1457.

Küstermann, B., Christen, O., et Hülsbergen, K-J. 2010. Modelling nitrogen cycles of farming systems as basis of site- and farm-specific nitrogen management. Agric. Ecosys. & Environ. 135: 70–80.

Liebman, M., Gibson, L.R., Sundberg, D.N., Heggenstaller, A.H., Westerman, P.R., Chase, C.A., Hartzler, R.G., Menalled, F.D., Davis, A.S. et Dixon, P.M. 2008. Agronomic and economic performance characteristics of conventional and low-external-input cropping systems in the Central Corn Belt. Agron. J. 100: 600 – 610.

Lim, J.M., Nestor Jr., K.E. et Kung Jr., L. 2015. The effect of hybrid type and dietary proportions of corn silage on the lactation performance of high-producing dairy cows. J. Dairy. Sci. 98: 1195 – 1203.

N’Dayegamiye, A., Whalen J.K., Tremblay G., Nyiraneza J., Grenier M., Drapeau A. et Bipfubusa M. 2015. The benefits of legume crops on corn and wheat yield, nitrogen nutrition, and soil properties improvement. Agro. J. 107: 1653 – 1665.

208

Oertel, C., Matschullat, J., Zurba, K., Zimmermann, F. et Erasmi, S. 2016. Greenhouse gas emissions from soils – A review. Chemie der Erde – Geochemistry. 76: 327 – 352.

Pellerin, D., Charbonneau, E., Fadul-Pacheco, L., Soucy, O. et Wattiaux, M.A. 2017. Economic Effect Of Reducing Nitrogen And Phosphorus Mass Balance On Wisconsin And Québec Dairy Farms. J. Dairy Sci. 100: 8614 – 8629.

Pugesgaard, S. Olesen, J.E., Jorgensen, U. et Dalgaard, T. 2014. Biogas in organic agriculture – effects on productivity, energy self-sufficiency and greenhouse gas emissions. Renew. Agr. Food Syst. 29: 28 – 41.

Rotz C.A., Montes F. et Chianese D.S. 2010. The carbon footprint of dairy production systems through partial life assessment. J. Dairy Sci.93, 1266 – 1282.

Rotz, C.A., Roth, G.W. et Stout, W.L. 2002. Economic and environmental implications of small grain production and use on Pennsylvania dairy farms. Appl. Eng. Agric. 18: 417 – 428.

Rotz, C.A., Roth, G.W., Soder, K.J. et Schnabel, R.R. 2001. Economic and environmental implications of soybean production and use on Pennsylvania dairy farms. Agron. J. 93: 418 – 428.

Sanz-Cobena, A., Lassaletta, L., Aguilera, E., del Prado, A., Garnier, J., Billen, G., Iglesias, A., Sánchez, B., Guardia, G., Abalos, D., Plaza-Bonilla, D., Puigdueta, I., Moral, R., Galán, E., Arriaga, H., Merino, P., InfanteAmate, J., Meijide, A., Pardo, G., Alvaro-Fuentes, J., Gilsanz, C., Báez, D., Doltra, J., González, S., Cayuela, M.L., Menendez, S., Diaz-Pines, E., Le-Noe, J., Quemada, M., Estellés, F., Calvet, S., van Grinsven, H., Yáñez, D., Westhoek, H., Sanz, M.J., Sánchez-Jimeno, B., Vallejo, A. et Smith, P. 2017. Strategies for greenhouse gas emissions mitigation in Mediterranean agriculture: A review. Agric. Ecosyst. Environ. 238: 5 – 24.

Schmit, T.M., Boisvert, R.N., Enahoro, D. et Chase, L.E. 2009. Optimal dairy farm adjustments to increased utilization of corn distillers dried grains with solubles. J. Dairy Sci. 92: 6105 – 6115.

Spears, R.A., Kohn, R.A. et Young, A.J. 2003a. Whole-farm nitrogen balance on western dairy farms. J. Dairy Sci. 86: 4178 - 4186.

Spears, R.A., Young, A.J. et Kohn, R.A. 2003b. Whole-Farm phosphorus balance on western dairy farms. J. Dairy Sci. 86: 688 – 695.

Storlien, T.M., Prestløkken, E., Beauchemin, K.A., McAllister, T.A., Iwaasa, A.D. et Harstad, O.M. 2015. Supplementation with crushed rapeseed causes reduction of methane emissions from lactating dairy cows on pasture. Anim Prod Sci. 57: 81 – 89.




209

Thivierge M, Chantigny Mh, Seguin P, Vanasse A, 2015. Sweet pearl millet and sweet sorghum have high nitrogen uptake efficiency under cool and wet climate. Nutrient Cycling Agroecosystem 102, 195 – 208.


Zhang, T., Liu, H., Luo, J., Wang, H., Zhai, L., Geng, Y., Zhang, Y., Li, J., Lei, Q., Bashir, M.A., Wu, S. et Lindsey, S. 2018. Long-term manure application increased greenhouse gas emissions but had no effect on ammonia volatilization in a northern china upland field. Sci Total Environ. 633: 230 – 239.

Impact des stratégies de réduction des gaz à effet serre ...€¦ · production are the main...

Documents

Transcript of Impact des stratégies de réduction des gaz à effet serre ...€¦ · production are the main...