MétaCan
Menu
Retour à la cohorte
Enregistrement W3100436544 · doi:10.5539/jas.v12n12p1

Reducing Grain Sorghum (Sorghum bicolor L. Moench) Injury From Postemergence Application of Mesotrione With Dicamba

2020· article· en· W3100436544 sur OpenAlexvenueno aff
Taghi Bararpour, Gurbir Singh, Ralph R. Hale, Gurpreet Kaur

Notice bibliographique

RevueJournal of Agricultural Science · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueWeed Control and Herbicide Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMesotrioneSorghumDicambaSorghum bicolorSweet sorghumAgronomyGrain yieldAtrazineBiologyWeed controlPesticide

Résumé

récupéré en direct d'OpenAlex

Weed management in grain sorghum is limited by the number of herbicide options. A two-year (2017-2018) field study was conducted at the Mississippi State University Delta Research and Extension Center, in Stoneville, MS to evaluate the response of grain sorghum to mesotrione application alone or when tank-mixed with dicamba at the two-leaf and four-leaf growth stage of sorghum. Mesotrione was applied at 0.07 and 0.105 kg ai ha-1 alone or was tank-mixed with dicamba at 0.28 kg ae ha-1. Significant injury to grain sorghum from all herbicide treatments was observed compared with the untreated check. Increase in mesotrione application rate increased injury to grain sorghum from 14 to 19% at two-leaf and from 10 to 24% at the four-leaf stage by 4 weeks after application (WAA) in 2017. Adding dicamba to mesotrione reduced grain sorghum injury in both years. At 4-leaf sorghum application stage, mesotrione applied at 0.07 kg ha-1 resulted in greater grain yield than all other herbicide treatments, except mesotrione (0.105 kg ha-1) + NIS in 2017. Our results indicate that adding dicamba to mesotrione safes grain sorghum from injury caused by mesotrione alone.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,217
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetWeed Control and Herbicide ApplicationsTravaux en français237 207