Distribution, frequency, and impact of herbicide-resistant weeds in Saskatchewan
Notice bibliographique
Résumé
Herbicide-resistant weeds threaten contemporary agriculture by reducing crop yields and quality. Monitoring of herbicide-resistant weeds is essential to the development of informed integrated weed management (IWM) strategies. In 2019 and 2020, a randomized-stratified preharvest survey of 419 fields in Saskatchewan, Canada, was conducted to determine the distribution, frequency of occurrence, and impact of herbicide-resistant weeds. Mature seeds were collected from uncontrolled weeds in each field. The samples were tested for resistance to acetyl-CoA carboxylase (ACCase) and/or acetolactate synthase (ALS)-inhibiting herbicides using whole-plant bioassays under a controlled-environment. In 2019/2020, herbicide-resistant weeds occupied 72% of the surveyed fields, corresponding to an estimated 6.2 million ha of annual cropland and a total field area of 11.4 million ha. Herbicide-resistant weeds cost Saskatchewan farmers an estimated $343 million CAD annually in reduced crop yields and quality, and increased weed control expenditures. Wild oat ( Avena fatua L.) had the greatest impact among grass weeds, with ACCase inhibitor resistance documented in 77% and ALS inhibitor resistance in 30% of fields where the weed seeds were collected and tested (47% and 18% of all fields surveyed, respectively). Multiple herbicide (ACCase and ALS inhibitor)-resistant wild oat were documented in 26% of the tested fields. Kochia ( Bassia scoparia (L.) A.J. Scott) had the greatest impact among broadleaf weeds, where 100% of the samples tested were ALS inhibitor-resistant (39% of all fields surveyed). The growing prevalence of herbicide-resistant weeds in Saskatchewan warrants further adoption of IWM where non-chemical tactics play an important role in stewardship of the remaining effective herbicides.
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 ».