Field and Greenhouse Bioassays to Determine Mesotrione Residues in Soil
Notice bibliographique
Résumé
Whole-plant bioassays using sugar beet, lettuce, cucumber, green bean, pea, and soybean as test crops were used to detect mesotrione residues in the soil. The test crops were planted in soil treated with mesotrione in the field the previous year at rates of 0 to 560 g ai ha −1 and in nontreated soil from the same field, with mesotrione added at concentrations of 0 to 320 μg kg −1 . Experiments were conducted in the greenhouse for a 21-d period. Values for the dose giving a 50% response (I 50 ) were predicted using a log-logistic nonlinear regression model. I 50 values (mean ± SE) of 8.6 ± 1.8, 14.9 ± 2.0, 29.8 ± 11.0, 41.6 ± 7.3, 52.9 ± 6.4, and 67.9 ± 30.3 g ai ha −1 for sugar beet, lettuce, green bean, cucumber, pea, and soybean, respectively, indicate that these crops were effective bioassay test species for quantifying mesotrione residues. A greenhouse bioassay was a simple and sensitive tool to detect mesotrione at concentrations of less than 1.0 μg kg −1 with sugar beet and lettuce being the most sensitive test species. The I 50 values for soil treated with known concentrations of mesotrione were lower than for field soil treated with mesotrione the previous year. Knowing the level of mesotrione residues in the soil, growers have flexibility in crop rotations following mesotrione use on corn. Growers can use this information to minimize risk of crop injury by choosing appropriate rotation crops that suffer little or no yield reduction.
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 ».