Tolerance of Azuki and White Bean to Tiafenacil Tank Mixes
Notice bibliographique
Résumé
Few studies have investigated the tolerance of azuki and white bean to preplant (PP) applications of tiafenacil herbicide mixtures in Ontario. Four field experiments were conducted in southwestern Ontario, Canada, to assess the tolerance of azuki and white bean to PP applications of tiafenacil and tiafenacil herbicide mixtures at 1X and 2X rates. In azuki bean, tiafenacil at the 1X and 2X rate cause 0.5 and 0.4% injury at 4 weeks after bean emergence (WAE), respectively, mixtures of tiafenacil with halauxifen-methyl plus bromoxynil at the 1X and 2X rates caused 1.3 and 4.6% injury, respectively; significantly greater compared to tiafenacil applied alone. Other tiafenacil herbicide mixtures evaluated caused similar azuki bean injury to tiafenacil applied alone. In white bean, the combinations of tiafenacil with metribuzin, 2,4-D ester, and bromoxynil + 2,4-D ester at the 2X rate caused 1.4-1.6% more visible injury than tiafenacil applied alone at the same rate; however, other herbicide mixtures caused similar injury levels to tiafenacil applied alone. None of the tiafenacil herbicide treatments evaluated reduced bean stand at 3 WAE. Tiafenacil + 2,4-D ester reduced bean biomass plant-1 and m-1 by 18% relative to the non-treated control at 3 WAE. At 6 WAE, none of the tiafenacil treatments evaluated affected plant height, and at harvest, none of the tiafenacil herbicide treatments influenced seed moisture content or bean yield relative to the non-treated control. These results conclude that, although certain tiafenacil mixtures may cause minor and transient injury in azuki and white bean, they do not substantially affect growth, maturity, or yield, making them suitable options for pp weed control in both azuki and white bean production.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».