Soil factors influencing the efficacy of liquid swine manure added to soil to kill<i>Verticillium dahliae</i>
Notice bibliographique
Résumé
Addition of liquid swine manure (SwM) to field soils killed Verticillium dahliae microsclerotia (MS) and reduced verticillium wilt of potato, but only at one (site B) of several fields tested. This study examined what factors in soil influence the capability of SwM to kill V. dahliae MS. When added to soil from site B in a microcosm assay, the SwM used in the field study killed MS within 1 day after application. Also, efficacy increased as the concentration of SwM increased, indicating that one or more components were directly toxic to MS. Toxicity of SwM to MS was reduced with increasing soil moisture, indicating that the active product(s) was (were) undergoing dilution. Adjusting the pH of site B soil from 5.0 to 6.5 eliminated the toxicity of the SwM. Conversely, when soil from a location where SwM had no effect was reduced from its initial value of 7.5 to below 6, MS mortality occurred. Adding increasing concentrations of SwM at pH 7.7 to soils commonly raised the pH of the mixture to levels where efficacy of kill became progressively less effective. In soils with high buffering capacity, the pH did not immediately rise and MS kill increased with higher rates. Liquid swine manure killed MS to the same extent in soils ranging from sand to loam when these were made equal with respect to pH and SwM concentration. It was also equally effective in soils with organic carbon contents ranging from 1.4 to 6% when soil pH and moisture levels were made equal. Increasing soil temperature slightly improved the toxicity of the SwM. The results demonstrate that the efficacy of SwM in soil to kill V. dahliae MS is most influenced by soil pH and, to a lesser extent, by soil moisture level, buffering capacity, and temperature.
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 | 0,000 | 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 | 0,000 |
| 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 ».