Glyphosate‐resistant crops: adoption, use and future considerations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Glyphosate-resistant crops (GRCs) were first introduced in the United States in soybeans in 1996. Adoption has been very rapid in soybeans and cotton since introduction and has grown significantly in maize in recent years. GRCs have grown to over 74 million hectares in five crop species in 13 countries. The intent of this paper is to update the hectares planted and the use patterns of GRC globally, and to discuss briefly future applications and uses of the technology. RESULTS: The largest land areas of GRCs are occupied by soybean (54.2 million ha), maize (13.2 million ha), cotton (5.1 million ha), canola (2.3 million ha) and alfalfa (0.1 million ha). Currently, the USA, Argentina, Brazil and Canada have the largest plantings of GRCs. Herbicide use patterns would indicate that over 50% of glyphosate-resistant (GR) maize hectares and 70% of GR cotton hectares receive alternative mode-of-action treatments, while approximately 25% of GR soybeans receive such a treatment in the USA. Alternative herbicide use is likely driven by both agronomic need and herbicide resistance limitations in certain GR crops such as current GR cotton. Tillage practices in the USA indicate that > 65% of GR maize hectares, 70% of GR cotton hectares and 50% of GR soybean hectares received some tillage in the production system. Tillage was likely used for multiple purposes ranging from seed-bed preparation to weed management. CONCLUSION: GRCs represent one of the more rapidly adopted weed management technologies in recent history. Current use patterns would indicate that GRCs will likely continue to be a popular weed management choice that may also include the use of other herbicides to complement glyphosate. Stacking with other biotechnology traits will also give farmers the benefits and convenience of multiple pest control and quality trait technologies within a single seed.
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.
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 | 0,001 | 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 découle