Evaluation of terbacil-based herbicide treatments for hair fescue (<i>Festuca filiformis</i>) management in lowbush blueberry
Notice bibliographique
Résumé
Abstract Hair fescue is a common tuft-forming perennial grass weed that reduces yields and hinders mechanical harvest in lowbush blueberry fields. PRE terbacil applications traditionally controlled hair fescue but currently only provide suppression in most fields. Terbacil use has not, however, been evaluated in conjunction with other currently registered herbicides in lowbush blueberry. The objective of this research was to evaluate a range of terbacil-based herbicide treatments for hair fescue management in lowbush blueberry. The experiment was conducted at three lowbush blueberry fields in Nova Scotia, Canada. Spring nonbearing-year terbacil applications (2,000 g ai ha –1 ) exhibited variable efficacy on hair fescue with reduced total tuft density at one site and reduced flowering-tuft density and flowering-tuft inflorescence number at two sites. Suppression was limited to the year of application only. Terbacil followed by (fb) foramsulfuron (35 g ai ha –1 ) did not improve suppression. A terbacil tank mixture with glufosinate (750 ai ha –1 ), however, reduced flowering-tuft density and flowering-tuft inflorescence number at each site and reduced total tuft density at one site, suggesting improved suppression with terbacil + glufosinate relative to terbacil alone. Terbacil + glufosinate fb foramsulfuron gave additional reductions in total tuft density at two sites and reduced bearing-year flowering-tuft density at two sites, indicating that hair fescue suppression with this herbicide combination extends into the bearing year. Although less effective than the industry standard pronamide applications, terbacil + glufosinate or terbacil + glufosinate fb foramsulfuron could be used as part of a weed management program for hair fescue in lowbush blueberry.
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 ».