Control of glyphosate-resistant horseweed with Group 4 herbicides in soybean
Notice bibliographique
Résumé
Abstract Little information is available on the relative efficacy of Group 4 herbicides for glyphosate-resistant (GR) horseweed management in soybean. Five field research experiments were conducted in growers’ fields from 2020 to 2021 to determine GR horseweed control with Group 4 herbicides applied preplant (PP) alone and in a mixture. There was minimal soybean injury (≤4%) with herbicides evaluated. Dicamba, 2,4-D, or halauxifen-methyl applied PP controlled GR horseweed 92% to 96%, 73% to 76%, and 85% to 89%, respectively. The mixtures of dicamba + 2,4-D, dicamba + halauxifen-methyl and dicamba + 2,4-D + halauxifen-methyl provided 97% to 99% control of GR horseweed, similar to dicamba applied alone. The mixture of 2,4-D + halauxifen-methyl provided 93% to 94% control of GR horseweed. Dicamba + saflufenacil controlled GR horseweed at 98%. Dicamba alone, dicamba + 2,4-D ester, dicamba + halauxifen-methyl, and dicamba + 2,4-D ester + halauxifen-methyl decreased GR horseweed density 97%, 99%, 99%, and 98%, respectively, similar to a 98% density reduction with dicamba + saflufenacil. Other herbicide treatments had no effect on GR horseweed density. Dicamba, 2,4-D, and halauxifen-methyl applied PP decreased GR horseweed dry biomass by 99%, 76%, and 72%, respectively. The mixtures of dicamba + 2,4-D, dicamba + halauxifen-methyl, and dicamba + 2,4-D + halauxifen-methyl decreased GR horseweed dry biomass by 99% to 100%, similar to a 99% dry biomass reduction with dicamba + saflufenacil. The mixture of 2,4-D + halauxifen-methyl decreased GR horseweed dry biomass by 94%. Soybean yield was decreased by 61% when GR horseweed was left uncontrolled. Results show that Group 4 herbicides that include dicamba applied PP can be very effective in managing GR horseweed 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 | 0,000 | 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 ».