Weed Control, Environmental Impact and Profitability of Pre-Plant Incorporated Herbicides in White Bean
Notice bibliographique
Résumé
Three field experiments were conducted over a three-year period (2009 to 2011) to evaluate various preplant incorporated (PPI) herbicides in white bean in Ontario, Canada. There was minimal visible injury in white bean for any of the treatments evaluated. The control of AMARE, AMBEL, CHEAL, SETVI, and SINAR ranged 91%-93%, 13%-21%, 56%-92%, 96%-98%, and 16%-24% with pendimethalin, 93%-99%, 34%-43%, 65%-99%, 95%-100%, and 20%-47% with trifluralin, 66%-77%, 61%-76%, 64%-86%, 94%-99%, and 52%-74% with EPTC, 92%-98%, 27%-48%, 28%-76%, 96%-99%, and 33%-59% with s-metolachlor, 98% - 99%, 50%-72%, 33%-88%, 98%-99%, and 56%-78% with dimethenamid, and 98%-100%, 72%-84%, 97%-100%, 77%-88%, and 98%-100% with imazethapyr, respectively. Weed density and dry weight reduction were similar to visible weed control. Imazethapyr applied PPI at the 75 g ai ha-1 provided yield equivalent to the weed-free check in 2009 and 2011. All other herbicide treatments had significantly lower yield than weed-free check. All herbicide treatments except pendimethalin at 1080 g ai ha-1, EPTC at 4400 g ai ha-1, and imazethapyr at 75 g ai ha-1 had yield equivalent to the weed-free check in 2010. Based on environmental impact (EI) analysis, the herbicide program with the lowest environmental risk was imazethapyr followed by dimethenamid-p, trifluralin, s-metolachlor, EPTC, and then pendimethalin. Economic analysis of herbicide treatments evaluated indicates that imazethapyr had the greatest positive impact on profit margins, followed by dimethenamid-p and EPTC, followed by s-metolachlor and trifluralin and then pendimethalin.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».