Effect of Silicon Sources on Sugarcane Orange Rust, Ring Spot and Red Rot in Brazil
Notice bibliographique
Résumé
Brazil is the world’s largest producer of sugarcane (Saccharum officinarum), but the occurrence and severity of diseases such as orange rust (Puccinia kuehnii), ring spot (Leptosphaeria sacchari), and red rot (Colletotrichum falcatum) could be part of several factors limiting its production and is the reason for replacing cultivars. It is important to use other forms of disease control depending on the time required to obtain new resistant varieties. The use of silicon (Si) can provide more resistance to the plant making its less vulnerable to diseases. A study was conducted under greenhouse and field conditions. The greenhouse study had 13 treatments (control, fungicide, foliar solution I and II, K silicate, silicic acid at 20, 40 and 60 mg ha-1, wollastonite, agrosilicio, wollastonite + fungicide, wollastonite + K silicate; agrosilicio + fungicide; and agrosilicio + K silicate) with four replications. The field study had nine treatments (control, fungicide, foliar solution I and II, K silicate, silicic acid at 100 and 300 g ha-1 and phosphite at 0.5 and 1 L ha-1) and with three replications. Both studies used a randomized block design. The greenhouse study showed an increase in dry mass of pre-sprouted sugarcane seedling and Si uptake with foliar treatments, especially with silicic acid. K silicate and silicic acid showed lower severity of orange rust than the control and fungicide. On the field study silicic acid at 100 g ha-1 and 300 g ha-1 was more efficient in reducing the area under the disease progress curve (AUDPC) of ring spot compared to the control and K silicate. Fungicide was also more efficient in reducing AUDPC compared to the control as well.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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) | 0,000 | 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 ».