Fungal‐based bioherbicides for weed control: a myth or a reality?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary The use of bioherbicides containing fungal active ingredients or natural fungal molecules is one of the possible solutions to reduce the use of chemical products. This paper focuses on studies of bioherbicides, including both living fungi and natural fungal molecules, published in the last 45 years, and their associated weed targets; current problems in the development of bioherbicides are also discussed. Bibliometric methods based on the Web of Science database were used to analyse relevant articles published between 1973 and 2018. Overall analysis suggested that interest in bioherbicides extends over the preceding thirty years, when many potential microorganisms and natural fungal molecules were proposed. Furthermore, analysis of about 229 articles indicated an encouraging exploitable potential, although there is a real gap between the number of experimental studies and the small number of products currently on the market. A dozen fungal‐based bioherbicides are on the market in the United States and Canada, while countries, such as China and South Africa, have one, and none is available in Europe. The active ingredients in these bioherbicides are living fungi, but no fungal molecule‐based product is thus far on the market. Reasons for this gap include production hurdles, formulation process, ecological fitness, duration of herbicidal effects, and costly and time‐consuming registration procedures. However, it is clear that analysis of fungus–plant interactions provides a promising source of bioherbicides that may be applied to appropriate cropping systems for environment‐friendly, sustainable weed 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.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle