Karjankasvatusalalla on yhä enemmän paineita tunnistaa ja ottaa käyttöön strategioita resurssien käytön ja ympäristövaikutusten vähentämiseksi, jotta voidaan säilyttää sosiaalinen lupa kestävän tuotannon ja kulutuksen puitteissa. Vaikka se on suhteellisen tehokas ympäristövaikutusten kannalta tuoteyksikköä kohti verrattuna muihin kotieläinlajeihin, maailmanlaajuisen munasektorin tuotannon laajuus ja ennakoitu lisääntyminen edellyttävät yhteisiä toimia tämän tavoitteen saavuttamiseksi. Tekoälytekniikoita (AI) käyttävä ennustava analytiikka tarjoaa uusia ja mahdollisesti tehokkaita merkityksiä siipikarja-alan erilaisten tietovirtojen integroimiseen ja jäsentämiseen. Tänä neljänä vuonna rahoitettu Ph.D. projekti vastaa tähän haasteeseen (1) esiprosessoimalla Kanadan munateollisuuden dataa sellaisilla tehtävillä kuin outlier-tunniste ja puuttuvien tietojen ennustaminen, mikä tekee tietovirroista sopivia tekoälytekniikoille; (2) parhaiden valittujen tekoälytekniikoiden tunnistaminen tai kehittäminen, validointi ja toteuttaminen; ja (3) hyödyntää elinkaaripohjaisia, monikriteerien arviointimenetelmiä kestävyyspäätösten tuen parantamiseksi Kanadan munateollisuudessa.

Eläinten rehun viljely ja käsittely muodostavat suhteettoman osan kotieläintuotannon resurssi- ja ympäristövaikutuksista. Kotieläinsektorin sosiaalinen lupa riippuu myös todennäköisesti yhä enemmän sen kyvystä vähentää suoraa kilpailua peltomaasta ja ihmisravinnoksi käytettävistä rehuvaroista. Tänä neljänä vuonna rahoitettu Ph.D. projekti vastaa tähän haasteeseen (1) tunnistamalla ja kartoittamalla vaihtoehtoisten rehuresurssien saatavuus Kanadan siipikarjateollisuudelle, mukaan lukien (esimerkiksi metsäteollisuuden tähteistä peräisin olevat yksisoluiset proteiinit, hyönteisjauhot ja ruokajätteet rehuksi) Tuotteet; (2) kunkin rehuresurssin yksityiskohtaisen ympäristön elinkaariarvioinnin ja teknis-taloudellisten arvioiden tekeminen Pathway ja (3) niiden potentiaalin arviointi edistää kestävää siipikarjantuotantoa ympäristöllisten, taloudellisten ja ravitsemuksellisten tavoitteiden ja rajoitteiden yhdistelmän perusteella.

Tekoälyä (AI) voidaan käyttää kehittämään ennakoivia malleja mahdollisista ilmastonmuutoksen vaikutuksista ja lieventämis-/sopeutumistoimenpiteistä erilaisissa sovellusyhteyksissä. Tämän neljän vuoden aikana rahoitettu Ph.D. Hankkeessa kehitetään ennustavia analyyttisiä malleja, joilla arvioidaan äärimmäisiin lämpötapahtumiin liittyvien äärimmäisten lämpötapahtumien todennäköinen vaihteluväli nykyisten ilmastonmuutosennusteiden mukaan. ja arvioida lämpöstressiriskien seurannan ja lieventämisteknologian käyttöönoton skenaarioihin liittyvät mahdolliset hyödyt/korvaukset.

Tänä neljänä vuonna rahoitettu Ph.D. projekti vastaa tähän haasteeseen (1) tunnistamalla käytettävissä olevat lämpöstressin seuranta-/lieventämistekniikat; (2) lämpöriskin kartoitus BC-eläinpopulaatioille alueellisten ilmastonmuutosennusteiden mukaisesti; ja (3) ympäristön elinkaariarvioinnin ja teknis-taloudellisten arvioiden hyödyntäminen kestävyyden hyötyjen ja kompromissien määrittämiseen ja vertailuun, jotka liittyvät ensisijaiseen lämpöstressin seuranta-/lieventämisratkaisujen alaryhmään.

Food Systems PRISM Lab etsii erittäin pätevää ja erittäin motivoitunutta tohtorintutkijaa osallistumaan tutkimukseen ja tutkimuksen johtamiseen maatalouselintarvikkeiden elinkaariarvioinnin alalla. Vallitsevan COVID-tilanteen valossa voidaan harkita etäaikaa.