Corn Yield Response to Pyraclostrobin with Foliar Fertilizers
Notice bibliographique
Résumé
Strobilurin fungicides, including pyraclostrobin, protect many crops from several fungal pathogens and create opportunities to increase plant health and yields. However, corn (Zea mays L.) and many other plants’ physiological responses to pyraclostrobin include increases in processes that require nutrients. By applying foliar fertilizers, growers can adjust their nutrient-management strategy based on the plant’s reaction to pyraclostrobin. Identifying plants’ increased nutrient demands and meeting them with a foliar fertilizer at the time of fungicide application (tasselling) could increase yields. This study evaluated effects of foliar-applied pyraclostrobin at 0.11 kg ha-1 a.i. with or without 13 commonly available foliar fertilizers on yield, tissue macro- and micronutrient concentrations, severity of disease, and grain quality. Field research occurred at three University of Missouri research centers from 2008-2009. One foliar fertilizer, 0-0-30-0, caused up to 20% crop injury. Diseases affected plants in all six site-years, but overall severity was low (≤ 2%) and likely did not impact crop performance. Pyraclostrobin increased ear leaf B and Cu concentrations over all site-years seven days after treatment, and decreased N concentrations at one site-year. Grain yields increased 5% at two research sites with pyraclostrobin, and one location had increased grain moisture and grain oil at harvest. One foliar fertilizer, 30-0-0-0, increased grain yields by 10% at two sites compared to the non-treated control. However, foliar fertilizers showed no observable effects on grain quality characteristics, and none of the foliar fertilizers negatively impacted grain yield.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».