MétaCan
Menu
Retour à la cohorte
Enregistrement W2800181570 · doi:10.1017/wet.2018.9

Rolled Winter Rye–Hairy Vetch Cover Crops for Weed Control in No-till Pumpkin

2018· article· en· W2800181570 sur OpenAlexafffundabout
David Miville, Gilles Leroux

Notice bibliographique

RevueWeed Technology · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgronomic Practices and Intercropping Systems
Établissements canadiensUniversité Laval
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésAgronomyGlyphosateCover cropVicia villosaWeed controlBiologyWeedMulchBiomass (ecology)Legume

Résumé

récupéré en direct d'OpenAlex

Abstract Weed control is a challenging aspect of pumpkin production. Winter rye mulches may offer growers a means to manage weeds in pumpkin; however, rye degradation leads to an immobilization of soil nitrogen. Combining winter rye with a nitrogen fixing legume such as hairy vetch is an interesting option that may solve this problem. Twelve combinations including three hairy vetch seeding rates, two termination dates and the use or not of glyphosate before rolling cover crops were studied during the 2013 and 2014 growing seasons at the Laval University Agronomic Station in Saint-Augustin-de-Desmaures, Quebec, Canada to evaluate weed control and effects on pumpkin production. Adding hairy vetch to winter rye provided no benefits because of severe winterkill of the legume. Using glyphosate was necessary to prevent rye regrowth. Pumpkin growth was better and yields were higher than in the plots were no glyphosate was used. Mulches established at flowering (Zadoks 69) provided about 2,000 kg ha −1 more aboveground dry biomass than at early heading (Zadoks 51). This high biomass was essential in glyphosate treated plots in order to maintain excellent weed control throughout the growing season. When compared with the no-mulch weed-free control, yield in Zadoks 69+glyphosate treatment was lower in 2013 but comparable in 2014.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,950
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,232
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWeed TechnologyMême sujetAgronomic Practices and Intercropping SystemsTravaux en français237 207