MétaCan
Menu
Retour à la cohorte
Enregistrement W2022624578 · doi:10.1614/wt-08-071.1

Risk Assessment of Weed Resistance in the Canadian Prairies

2008· article· en· W2022624578 sur OpenAlexaffabout
Hugh J. Beckie, Julia Y. Leeson, A. Gordon Thomas, Linda M. Hall, Clark A. Brenzil

Notice bibliographique

RevueWeed Technology · 2008
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueWeed Control and Herbicide Applications
Établissements canadiensUniversity of AlbertaUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésWeedAgronomyFoxtailWeed controlBiologyHerbicide resistanceTillageAcetolactate synthaseResistance (ecology)Agroforestry

Résumé

récupéré en direct d'OpenAlex

Agricultural practices, other than herbicide use, can affect the rate of evolution of herbicide resistance in weeds. This study examined associations of farm management practices with the occurrence of herbicide (acetyl-CoA carboxylase or acetolactate synthase inhibitor)-resistant weeds, based upon a multi-year (2001 to 2003) random survey of 370 fields/growers from the Canadian Prairies. Herbicide-resistant weeds occurred in one-quarter of the surveyed fields. The primary herbicide-resistant weed species was wild oat, with lesser occurrence of green foxtail, kochia, common chickweed, spiny sowthistle, and redroot pigweed. The risk of weed resistance was greatest in fields with cereal-based rotations and least in fields with forage crops, fallow, or where three or more crop types were grown. Weed resistance risk also was greatest in conservation-tillage systems and particularly low soil disturbance no-tillage, possibly due to greater herbicide use or weed seed bank turnover. Large farms (> 400 ha) had a greater risk of weed resistance than smaller farms, although the reason for this association was unclear. The results of this study identify cropping system diversity as the foundation of proactive weed resistance management.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,228
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWeed TechnologyMême sujetWeed Control and Herbicide ApplicationsTravaux en français237 207