Runoff and Drainage Losses of Atrazine, Metribuzin, and Metolachlor in Three Water Management Systems
Notice bibliographique
Résumé
Rainfall can transport herbicides from agricultural land to surface waters, where they become an environmental concern. Tile drainage can benefit crop production by removing excess soil water but tile drainage may also aggravate herbicide and nutrient movement into surface waters. Water management of tile drains after planting may reduce tile drainage and thereby reduce herbicide losses to surface water. To test this hypothesis we calculated the loss of three herbicides from a field with three water management systems: free drainage (D), controlled drainage (CD), and controlled drainage with subsurface irrigation (CDS). The effect of water management systems on the dissipation of atrazine (6-chloro-N2-ethyl-N4-isopropyl-1,3,5-triazine-2,4-diamine), metribuzin [4-amino-6-(1,1-dimethylethyl)-3-(methylthio)-1,2,4-triazine-5(4H)-one), and metolachlor [2-chloro-N-(2-ethyl-6-methylphenyl)-N-(2-methoxy-1-methylethyl)acetamide] in soil was also monitored. Less herbicide was lost by surface runoff from the D and CD treatments than from CDS. The CDS treatment increased surface runoff, which transported more herbicide than that from D or CD treatments. In one year, the time for metribuzin residue to dissipate to half its initial value was shorter for CDS (33 d) than for D (43 d) and CD (46 d). The half-life of atrazine and metolachlor were not affected by water management. Controlled drainage with subsurface irrigation may increase herbicide loss through increased surface runoff when excessive rain is received soon after herbicide application. However, increasing soil water content in CDS may decrease herbicide persistence, resulting in less residual herbicide available for aqueous transport.
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) | 0,001 | 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 ».