Weed Survey of Nova Scotia Lowbush Blueberry ( <i>Vaccinium Angustifolium</i> Ait.) Fields
Notice bibliographique
Résumé
Weed surveys provide the basis for weed management research in lowbush blueberry, but have not been conducted in Nova Scotia since 2001. Documented declines in herbicide efficacy, loss and/or acquisition of herbicide active ingredients, confirmation of herbicide-resistant weed biotypes, and documented vectoring of weed seeds by machinery necessitate a new weed survey. A total of 165 bearing year lowbush blueberry fields were surveyed from 2017 to 2019, within which approximately 211 weed species were identified. Most weed species were herbaceous perennial forbs (89 species) and woody perennials (50 species), followed by annual broadleaf (24 species) and perennial grass weeds (20 species). The remaining flora consisted of a range of ferns, biennials, sedges and rushes, and orchids. The most common weed species were red sorrel (Rumex acetosella L.), poverty oatgrass (Danthonia spicata L. Beauv.), haircap moss (Polytrichum commune Hedw.), hair fescue (Festuca filiformis Pourr.), narrow-leaved goldenrod (Euthamia graminifolia (L) Nutt.), tickle grass (Agrostis hyemalis (Walter) BSP.), woolly panicum (Panicum lanugosum Ell.), cow wheat (Melampyrum lineare Desr.), bunchberry (Cornus canadensis L.), and yellow hawkweed (Hieracium caespitosum Dumort). Increased occurrence of these weed species is likely the result of documented or observed reductions in hexazinone and terbacil efficacy, confirmation of triazine-resistant biotypes, and common occurrence of seeds of these weed species on machinery. Low crop prices have also caused reduced pronamide use, contributing to increased occurrence of hair fescue. Results are guiding future research priorities for weed management 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».