Fungicide Spraying Programs Reducing Asian Soybean Rust Impact on Soybean Yield Components
Notice bibliographique
Résumé
Soybean is one of the leading agricultural commodities, and Brazil is currently the largest producer globally. Despite this, fungal diseases as Asian Soybean Rust (ASR) are among the primary limiters of high crop yields in Brazilian fields. Losses caused by the biotrophic fungus Phakopsora pachyrhizi can reach up to 90%, depending on weather conditions, and several components can be affected during soybean growth and reproduction. Here, we assessed fungicide spraying programs to ASR control, aiming to reduce the losses on soybean components. The experiments were performed under field conditions during the harvest season 2014/2015. The evaluated variables were soybean leaf area index, ASR severity, yield components, dry mass grain accumulation, protein, and oil content. The yield components assessed were the number of pods per plant, seeds per pod, seeds per plant, and thousand-grain weight. The disease severity gradient was generated using seven fungicide spraying programs, differing in time, number, and type of fungicides. Three fungicide programs that included applications in the soybean vegetative and reproductive stages were more efficient. These programs resulted in the lower area under the disease progress curve (AUDPC), greater leaf area duration (LAD), and health leaf area duration (HAD) than the untreated soybean. The ASR infection in soybean resulted in reduced LAD and HAD, and as a consequence, interfered negatively with dry matter accumulation, yield components, and grain yield.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».