Strategies and tactics for herbicide use reduction in field crops in Canada: A review
Notice bibliographique
Résumé
There are many economic and health reasons for reducing pesticide use in Canada. Herbicide use on field crops is by far the most common pesticide use in Canada. This paper is a review of four topics related to herbicide use reduction on field crops in Canada: (1) broad strategies and (2) specific tactics for herbicide use reduction; (3) factors affecting adoption; and 4) research approaches for improving the implementation of herbicide use reduction. Numerous tactics exist to use herbicides more efficiently and herbicides can sometimes be replaced by non-chemical weed control methods. Many of these tactics and methods have been investigated and demonstrated for use on field crops in Canada. However, herbicide use reduction is fundamentally dependent upon preventative strategies designed to create robust cropping systems that maintain low weed densities. Diverse crop rotation forms the basis of preventative strategies as it inherently varies cropping system conditions to avoid weed adaptation. There is evidence that residual weed densities resulting from herbicide use reduction are manageable within competitive cropping systems. A great deal of research has been done on herbicide use reduction on field crops in Canada, and most projects report definite possibilities for herbicide use reduction in field crop production in Canada. Synthesizing and extending this information and customizing it for use on individual farms remain challenges. Collaboration between researchers and farmers can help to build successful strategies for herbicide use reduction which reflect the context of modern farming, the will of farmers and the culture of technology adoption among farmers. Key words: Pesticide use reduction, low-input agriculture, integrated pest management, integrated weed 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 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) | 0,001 | 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 | 0,000 | 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 ».