Weed Management in White Bean with Variable Doses of S-Metolachlor and Halosulfuron Applied Preemergence
Notice bibliographique
Résumé
Five experiments were conducted in Ontario, Canada from 2016 to 2018 to determine how doses of S-metolachlor and halosulfuron applied preemergence (PRE) should be adjusted to control specific weed species in white bean. S-metolachlor, halosulfuron, and S-metolachlor + halosulfuron caused minimal (1% to 4%) injury in white bean. Weed interference reduced white bean yield 54%. On average, weed interference with S-metolachlor and halosulfuron decreased yield 34% and 29%, respectively. In contrast, white bean seed yield was similar to the weed-free control with the S-metolachlor + halosulfuron tankmixes. S-metolachlor applied alone controlled A. theophrasti, A. retroflexus, A. artemisiifolia, C. album, E. crus-galli and S. viridis 0% to 3%, 78% to 93%, 0% to 9%, 5% to 15%, 97% to 99% and 96% to 98%, respectively. Halosulfuron applied alone controlled A. theophrasti, A. retroflexus, A. artemisiifolia, C. album, E. crus-galli and S. viridis 39% to 87%, 93% to 99%, 64% to 88%, 34% to 59%, 10% to 30% and 13% to 35%, respectively. S-metolachlor + halosulfuron tankmixes controlled A. theophrasti, A. retroflexus, A. artemisiifolia, C. album, E. crus-galli and S. viridis 47% to 94%, 98% to 100%, 78% to 94%, 37% to 78%, 94% to 98% and 91% to 96%, respectively. Weed density and biomass reductions with the herbicides evaluated followed the same pattern as visible weed control assessments. Results from this study indicate that doses of S-metolachlor and halosulfuron, when applied as a tankmix, should be adjusted based on a weed species composition in each individual white bean field.
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 | 0,001 |
| 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 ».