Perspectives on Potential Soybean Yield Losses from Weeds in North America
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
Weeds are one of the most significant, and controllable, threats to crop production in North America. Monetary losses because of reduced soybean yield and decreased quality because of weed interference, as well as costs of controlling weeds, have a significant economic impact on net returns to producers. Previous Weed Science Society of America (WSSA) Weed Loss Committee reports, as chaired by Chandler (1984) and Bridges (1992), provided snapshots of the comparative crop yield losses because of weeds across geographic regions and crops within these regions after the implementation of weed control tactics. This manuscript is a second report from the current WSSA Weed Loss Committee on crop yield losses because of weeds, specifically in soybean. Yield loss estimates were determined from comparative observations of soybean yields between the weedy control and plots with greater than 95% weed control in studies conducted from 2007 to 2013. Researchers from each US state and Canadian province provided at least three and up to ten individual comparisons for each year, which were then averaged within a year, and then averaged over the seven years. These percent yield loss values were used to determine total soybean yield loss in t ha −1 and bu acre −1 based on average soybean yields for each state or province as well as current commodity prices for a given year as summarized by USDA-NASS (2014) and Statistics Canada (2015). Averaged across 2007 to 2013, weed interference in soybean caused a 52.1% yield loss. Based on 2012 census data in the US and Canada soybean was grown on 30,798,512 and 1,679,203 hectares with production of 80 million and 5 million tonnes, respectively. Using an average soybean price across 2007 to 2013 of US $389.81 t −1 ($10.61 bu −1 ), farm gate value would be reduced by US $16.2 billion in the US and $1.0 billion in Canada annually if no weed management tactics were employed.
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 | 0,000 | 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 | 0,001 | 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