Inclusion of sulphur in fungicide programmes for integrated disease management of soybean
Notice bibliographique
Résumé
Soybean rust (SBR) and late-season diseases (LSD) significantly threaten soybean production worldwide. This study aimed to evaluate the effectiveness of incorporating sulphur into fungicide programmes for managing SBR and LSD in soybeans and to optimize these programmes with novel fungicide combinations. Field experiments were conducted over two phases across multiple localities and seasons in Paraguay. Phase 1 assessed the impact of sulphur-enriched fungicide programmes on disease control efficacy and soybean yield. Phase 2 optimized fungicide programmes by integrating sulphur with new fungicide combinations. Disease severity, area under the disease progress curve (AUDPC), thousand-grain weight (TGW) and yield were measured. Treatments combining sulphur with multi-site and site-specific fungicides significantly reduced the severity and progression of SBR and LSD compared to treatments without sulphur or the untreated control. Control efficacies exceeded 86% for SBR and were around 77% for LSD. Despite significant reductions in disease severity, yield and TGW did not always show significant increases, likely due to environmental factors. Incorporating sulphur into fungicide programmes effectively reduces SBR and LSD in soybean crops, enhancing disease control efficacy. Environmental conditions influenced treatment efficacy, underscoring the need for site-specific disease management strategies. Integrating sulphur with fungicides represents a viable approach to optimize soybean disease management and promote sustainable production systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».