Managing Stink Bugs on Soybean Fields: Insights on Chemical Management
Notice bibliographique
Résumé
Stink bugs are a major concern for pest management in soybean crops. With agricultural frontiers expanding in Brazil and cultivation techniques being heavily intensified, stink bug populations have become increasingly dispersed and hard to control, causing severe economic losses to soybean growers across the country. Chemical insecticides known as neonicotinoids, organophosphates and pyrethroids currently represent the main control strategy for this pest, being often mixed together in order to enhance control efficacy and prevent resistance development. Each of these chemical groups is characterized by a different mode of action inside the insect’s body, which determines if the insecticide will provide a fast knockdown effect or a long residual control effect. The aim of this work was to evaluate the knockdown and residual control effects delivered by these groups of insecticides under field conditions and during two cropping seasons, both in isolated and combined use, determining the most efficient strategy for chemical management of stink bugs on soybean crops. The pyrethroid lambda-cyhalothrin (250 g L-1) had the best knockdown effect, while the neonicotinoid imidacloprid (700 g kg-1) provided the longest residual control. The highest control efficacy was obtained with the combination of lambda-cyhalothrin + thiamethoxam (106 + 141 g L-1), which resulted in 84.8% of stink bug control.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».