Effect of Seeding Rate on Dose Response of Wild Mustard (<i>Sinapis arvensis</i>) to Fluthiacet-Methyl
Notice bibliographique
Résumé
Concern over the development of herbicide-resistant weeds has led to interest in integrated weed management systems that reduce selection pressure by utilizing mechanical and cultural weed control practices in addition to herbicides. Increasing crop seeding rate increases crop competitive ability and thus can enhance herbicide efficacy. However, it is unknown how increasing the seeding rate affects an herbicide’s efficacy. The objective of this study was to examine the interaction between increasing seeding rate and herbicide dose to control weeds. To meet this objective, the herbicide fluthiacet-methyl was applied to field-grown lentil, with Indian mustard, a proxy for wild mustard, used as a model weed. The experiment was a factorial design with four lentil seeding rates and seven herbicide rates. Overall the herbicide dose response was altered by changing lentil seeding rate. Increasing lentil seeding rate decreased the weed biomass production when herbicides were not applied. In two of the four site-years, increasing lentil seeding rate lowered the herbicide ED 50 , the dose required to result in a 50% reduction in weed biomass. Increasing the crop seeding rate altered the dose response to provide greater weed control at lower herbicide rates compared with normal crop seeding rates. Increased seeding rates also resulted in higher and more stable crop seed yields across a wider range of herbicide dosages. These results suggest that dose–response models can be used to evaluate the efficacy of other weed management practices that can interact with herbicide performance.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».