Integrating Cultural Practices with Herbicides Augments Weed Management in Flax
Notice bibliographique
Résumé
Core Ideas Current weed management strategies in flax are limited. A multi‐factor weed management system is needed to control herbicide‐resistant weeds. Combining several factors has a greater impact on crop‐weed competition than any factor alone. The best combination is a competitive cultivar, seed early, high seeding rate, and use an in‐crop herbicide. Flax (Linum usitatissimum L.) is an important crop with value in both food and industrial markets. However, flax competes poorly with weeds and as a result, flax yield can be severely inhibited by weed competition. Factors that favor crop competitive ability will have great value in improving weed management in flax. This research sought to identify different combinations of seeding date (early vs. late May), seeding rate (400 vs. 800 seeds m −2 ), cultivar height (short vs. tall), and herbicide (present vs. absent) that could improve the competitive ability of flax. Field studies were conducted across western Canada over 3 yr from 2014 to 2016. Results showed that seeding a tall cultivar at a high seeding rate in early May combined with an in‐crop herbicide application increased crop establishment by 210 plants m −2 . This in turn increased aboveground crop biomass and seed yield by as much as 549 and 617 kg ha −1 , respectively. This combination of factors significantly reduced aboveground weed biomass by 50 kg ha −1 , although no single factor or combination of factors affected weed seed fecundity. By seeding competitive flax cultivars at higher rates earlier in the growing season, and by combining this with an in‐crop herbicide, producers can develop sound cropping systems that provide more competitive flax crops and another profitable cropping option.
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) | 0,001 | 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 ».