MétaCan
Menu
Retour à la cohorte
Enregistrement W3128491506 · doi:10.3390/agronomy11020284

Ten Ways That Weed Evolution Defies Human Management Efforts Amidst a Changing Climate

2021· article· en· W3128491506 sur OpenAlexaff
David R. Cléments, Vanessa L. Jones

Notice bibliographique

RevueAgronomy · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueWeed Control and Herbicide Applications
Établissements canadiensUniversity of British ColumbiaTrinity Western UniversityWestern University
Organismes subventionnairesnon disponible
Mots-clésClimate changeWeedWeed controlAgricultureEnvironmental resource managementAdaptation (eye)CroppingEcologyVulnerability (computing)AgroforestryBiologyEnvironmental planningGeographyEnvironmental scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The ability of weeds to evolve is key to their success, and the relationship between weeds and humans is marked by co-evolution going back to the agricultural revolution, with weeds evolving to counter human management actions. In recent years, climate change has emerged as yet another selection pressure imposed on weeds by humans, and weeds are likewise very capable of adapting to this latest stress of human origin. This review summarizes 10 ways this adaptation occurs: (1) general-purpose genotypes, (2) life history strategies, (3) ability to evolve rapidly, (4) epigenetic capacity, (5) hybridization, (6) herbicide resistance, (7) herbicide tolerance, (8) cropping systems vulnerability, (9) co-evolution of weeds with human management, and (10) the ability of weeds to ride the climate storm humans have generated. As pioneer species ecologically, these 10 ways enable weeds to adapt to the numerous impacts of climate change, including warming temperatures, elevated CO2, frequent droughts and extreme weather events. We conclude that although these 10 ways present formidable challenges for weed management, the novelty arising from weed evolution could be used creatively to prospect for genetic material to be used in crop improvement, and to develop a more holistic means of managing agroecosystems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,899
Score d'incertitude au seuil0,417

Scores Codex et Gemma par catégorie

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 technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,020
Tête enseignante GPT0,210
Écart entre enseignants0,190 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations38
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgronomyMême sujetWeed Control and Herbicide ApplicationsTravaux en français237 207