Meta-Analysis of Soybean Yield Response to Foliar Fungicides Evaluated from 2005 to 2018 in the United States and Canada
Notice bibliographique
Résumé
Random-effect meta-analyses were performed on data from 240 field trials conducted between 2005 and 2018 across nine U.S. states and Ontario, Canada, to quantify the yield response of soybean after application of foliar fungicides at beginning pod (R3) stage. Meta-analysis showed that the overall mean yield response when fungicide was used compared with not applying a fungicide was 2.7% (110 kg/ha). Moderator variables were also investigated and included fungicide group, growing season, planting date, and base yield, which all significantly influenced the yield response. There was also evidence that precipitation from the time of planting to the R3 growth stage influenced yield when fungicide was used (P = 0.059). Fungicides containing a premix of active ingredients from multiple groups (either two or three ingredients) increased the yield by 3.0% over not applying a fungicide. The highest and lowest yield responses were observed in 2005 and 2007, respectively. Better yield response to fungicides (a 3.0% increase) occurred when soybean crops were planted not later than 21 May and when total precipitation between planting and the R3 application date was above historic averages. Temperatures during the season did not influence the yield response. Yield response to fungicide was higher (a 4.7% increase) in average yield category (no spray control yield 2,878 to 3,758 kg/ha) and then gradually decreased with increasing base yield. Partial economic analyses indicated that use of foliar fungicides is less likely to be profitable when foliar diseases are absent or at low levels.
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) | 0,001 | 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 ».