Mowing strategies for controlling <i>Cirsium arvense</i> in a permanent pasture in New Zealand compared using a matrix model
Notice bibliographique
Résumé
Defoliation has frequently been proposed as a means of controlling Cirsium arvense (L.) Scop. (Californian thistle, Canada thistle, creeping thistle, perennial thistle), an economically damaging pastoral weed in temperate regions of the world, but its optimization has remained obscure. We developed a matrix model for the population dynamics of C. arvense in sheep-grazed pasture in New Zealand that accounts for the effects of aerial shoot defoliation on a population's photosynthetic opportunity and consequential overwintered root biomass, enabling mowing regimes varying in the seasonal timing and frequency of defoliation to be compared. The model showed that the long-term population dynamics of the weed is influenced by both the timing and frequency of mowing; a single-yearly mowing, regardless of time of year, resulted in stasis or population growth, while in contrast, 14 of 21 possible twice-yearly monthly mowing regimes, mainly those with mowing in late spring, summer, and early autumn, resulted in population decline. Population decline was greatest (with population density halving each year) with twice-yearly mowing either in late spring and late summer, early summer and late summer, or early summer and early autumn. Our results indicate that mowing can be effective in reducing populations of C. arvense in pasture in the long term if conducted twice each year when the initial mowing is conducted in mid spring followed by a subsequent mowing from mid summer to early autumn. These mowing regimes reduce the photosynthetic opportunity of the C. arvense population and hence its ability to form the overwintering creeping roots upon which population growth depends.
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 ».