Effect of Late-Season Herbicide Applications on Inflorescence and Seed Production of Glyphosate-Resistant Giant Ragweed (<i>Ambrosia trifida</i>)
Notice bibliographique
Résumé
Giant ragweed is one of the most competitive annual broadleaf weeds in corn and soybean crop production systems in the United States and eastern Canada. Management of giant ragweed has become difficult due to the evolution of resistance to glyphosate and/or acetolactate synthase (ALS)-inhibitor herbicides and giant ragweed’s ability to emerge late in the season, specifically in the eastern Corn Belt. Late-season herbicide application may reduce seed production of weed species; however, information is not available about late-season herbicide applications on giant ragweed seed production. The objective of this study was to evaluate the effect of single or sequential late-season applications of 2,4-D, dicamba, glyphosate, and glufosinate on inflorescence injury and seed production of glyphosate-resistant (GR) giant ragweed under greenhouse and field conditions (bare ground study). Single and sequential applications of glufosinate resulted in as much as 59 and 60% injury to giant ragweed inflorescence and as much as 78 and 75% reduction in seed production, respectively, under field and greenhouse conditions. In contrast, single or sequential applications of 2,4-D or dicamba resulted in ≥ 96% inflorescence injury and reduction in seed production in the field as well as in greenhouse studies. The results indicated that 2,4-D or dicamba are effective options for reducing seed production of glyphosate-resistant giant ragweed even if applied late in the season. Targeting weed seed production to decrease the soil seedbank will potentially be an effective strategy for an integrated management of GR giant ragweed.
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 ».