MétaCan
Menu
Retour à la cohorte
Enregistrement W2117556251 · doi:10.1614/wt-d-12-00071.1

Crop Response to Carryover of Mesotrione Residues in the Field

2013· article· en· W2117556251 sur OpenAlexaffabout
Rachel Riddle, John O’Sullivan, Clarence J. Swanton, Rene C. Van Acker

Notice bibliographique

RevueWeed Technology · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePesticide and Herbicide Environmental Studies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésMesotrioneResidue (chemistry)Sugar beetAgronomyCrop residueCropChemistryDry weightPesticideAtrazineBiologyAgriculture

Résumé

récupéré en direct d'OpenAlex

Two field residue studies were conducted from 2005 to 2007 in Simcoe, Ontario, Canada, to evaluate the effects of mesotrione soil residues on injury, plant dry weight, and yield of sugar beet, cucumber, pea, green bean, and soybean and to verify the potential of reducing a 2-yr field-residue study (conventional residue carryover) to a 1-yr field study (simulated residue-carryover study) by growing these crops in soil treated with reduced rates of mesotrione applied in the same year. There was a significant difference in mesotrione carryover between 2006 and 2007 and differences between years can be explained by differences in soil pH and soil moisture. The conventional and the simulated residue-carryover studies successfully measured mesotrione persistence and rotational crop sensitivity. Both studies showed that sugar beet was the most-sensitive crop with injury, plant dry weight reduction, and yield loss because of mesotrione residues as high as 100%. Green bean was the next most-sensitive crop to mesotrione residues followed by pea, cucumber, and soybean. The simulated residue-carryover study provided a more-rigorous test of rotational crop sensitivity to mesotrione residues than the conventional residue-carryover study, especially at higher rates for the more-sensitive crops. For the other crops, responses to mesotrione residues were similar between the conventional and simulated residue-carryover studies.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,194
Score d'incertitude au seuil0,387

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,006
Tête enseignante GPT0,229
Écart entre enseignants0,223 · 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

Citations27
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWeed TechnologyMême sujetPesticide and Herbicide Environmental StudiesTravaux en français237 207