Evaluation of dichlobenil for hair fescue (<i>Festuca filiformis</i> Pourr.) management in wild blueberry (<i>Vaccinium angustifolium</i> Ait.)
Notice bibliographique
Résumé
Abstract Hair fescue is an economically destructive, tuft‐forming weed common in wild blueberry fields. The current management of hair fescue is almost completely reliant on pronamide (3,5‐dichloro‐ N ‐[2‐methylbut‐3‐yn‐2‐yl]benzamide) herbicide with few other products demonstrating effectiveness. Dichlobenil (2,6‐dichlorobenzonitrile) is a group 29 herbicide registered for use in wild blueberry; however, it has seen limited use because of its high product cost of over CAD 1800 ha −1 and limited research on the effect of varying application rates. Treatments (dichlobenil at 4400, 5700, and 7000 g a.i. ha −1 , pronamide at 2240 g a.i. ha −1 , and a nontreated control) were applied during the 2020 autumn prior to wild blueberry stem emergence in the nonbearing year (2021). Each treatment was replicated five times per field across three fields in central Nova Scotia. Dichlobenil at 4400, 5700, and 7000 g a.i. ha −1 reduced 2021 (nonbearing year) living tuft density by 59%, 71%, and 83%, respectively, and provided residual control in 2022 (bearing year) with densities reduced by 59%, 69%, and 78%, respectively. Comparatively, pronamide reduced 2021 and 2022 living tuft density by 95% and 91%. Reductions in living tuft density resulted in yield increases of 62%, 57%, and 94% in plots treated with dichlobenil at 4400, 5700, and 7000 g a.i. ha −1 , respectively, and 73% for plots treated with pronamide. Results demonstrate that dichlobenil is an effective herbicide for managing hair fescue in wild blueberry. The potential for the selection of herbicide‐resistant biotypes to industry standard pronamide could be prolonged with integrated dichlobenil applications.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».