Combined Use of Green Manure and Biological Agents to Control Meloidogyne javanica (Treub) Chitwood in Soybean
Notice bibliographique
Résumé
Root-knot nematode management requires the adoption of integrated practices. Biological agents and cultural control practices are the most widely used, but little is known about their combined effects. This study aimed to assess the interaction effects of the biological agents Trichoderma harzianum + Purpureocillium lilacinum and different green manures on the control of Meloidogyne javanica in soybean under greenhouse conditions. Green manures from white oat, Urochloa ruziziensis, Crotalaria spectabilis, millet, and buckwheat were grown separately and applied onto the soil surface. Subsequently, soybean seeds were treated with the biological agent and planted. The experiment was repeated twice to confirm the results. In Trial 1 and 2, application of green manure or biological treatment alone was efficient in reducing nematode populations. In Trial 1, there was an interaction between factors on total nematode number and number of nematodes per gram of root. Combined use of biological control with white oat and millet green manure produced great results, since when associated with the biological one, the reduction in the total number of nematodes was potentiated by 55 and 49%, respectively (Trial 1). There was no interaction between green manure and biological factors for Trial 2, and the best results were observed with green manures of C. spectabilis, U. ruziziensis and white oat, with a reduction in the population density of the nematode in 60, 59 and 44%, respectively. It is concluded that green manure application and T. harzianum + P. lilacinum were effective in reducing nematode populations when applied separately. White oat and millet green manures associated with T. harzianum + P. lilacinum increase thecontrol of M. javanica in soybean.
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 | 0,001 |
| 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 ».