Weed control, environmental impact, and net revenue of two-pass weed management strategies in dicamba-resistant soybean
Notice bibliographique
Résumé
Six field trials were conducted over a 2-yr period (2014 and 2015) at two locations in southwestern Ontario to compare the level of weed control provided by dicamba applied alone and in combination with dimethenamid-P applied before planting (preplant, PP) in glyphosate- and dicamba-resistant soybean to current industry standards when used in a two-pass weed management program. Crop injury, weed control, soybean seed yield, environmental impact (EI), and profitability were evaluated in this study. No statistically significant injury was documented. Several PP herbicides provided excellent early-season grass and broadleaf weed control, although early-season weed control of those weed species was not acceptable with glyphosate applied alone or in combination with dicamba, dicamba + dimethenamid-P, 2,4-D, or saflufenacil. At 8 wk after application, the sequential application of a PP herbicide followed by glyphosate applied after emergence (POST) provided at least 86% control of the weed species evaluated in this study. Weed interference with no herbicide treatments caused a soybean seed yield loss of 64%. The sequential application of glyphosate had the lowest EI value. The addition of chlorimuron + metribuzin or chlorimuron + imazethapyr did not increase the EI substantially but did improve the level of weed control and reduced weed density and biomass. The inclusion of a PP herbicide in a weed management program has several stewardship benefits and may reduce the selection for herbicide resistant weeds.
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 | 0,001 | 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 | 0,001 |
| 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 ».