Effect of chemical weed management on growth, yield and economics of drum seeded rice (Oryza sativa)
Notice bibliographique
Résumé
Field experiment was conducted at Periyanarkunam, Bhuvanagiri Taluk, Cuddalore District during Kuruvai 2021 and 2022 to study the effect of different herbicidal weed management on growth, yield and economics of drum seeded rice (Oryza sativa L.) variety ‘ASD 16’. The experiment was conducted in randomized block design with four replications. The treatments comprised of six weed management practices and are made up of a combination of herbicides (pre-emergence, early-post and post-emergence herbicides) with hand weeding, which was com- pared with unweeded control and twice hand weeding on 25 and 45 DAS. Application of bensulfuron methyl 0.6% + pretilachlor 6% GR @ 660 g a.i./ha PE fb metsulfuron methyl 10% + chlorimuron ethyl 10% WP @ 4 g a.i./ha PoE on 25 DAS fb hand weeding on 45 DAS recorded the highest weed control efficiency of 77.55 and 74.23% during Kuruvai 2021 and 2022 respectively, growth attributes at 60 DAS viz., plant height (96.82 and 91.79 cm), tillers/m2 (367 and 343) and dry matter production (8.01 and 7.78 t/ha), yield attributes like productive tillers/m2 (319 and 312), filled grains/panicle (100.64 and 98.42), grain yield (6.19 and 6.11 t/ha) and benefit cost ratio (2.78 and 2.49) during Kuruvai 2021 and 2022, respectively over bispyribac sodium 10% SC @ 25 g a.i./ha PoE on 20 DAS fb hand weeding on 45 DAS (farmers practice). Hence, it is an efficient weed management practice and an economically feasible method for achieving the maximum growth, yield and economics of drum seeded rice.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».