Impact of Fungicide Applications on Sweetpotato Roots and Slips for Managing Black Rot Disease ( <i>Ceratocystis fimbriata</i> ) and Their Effect on Pesticide Residue Levels
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
, the causal agent of black rot, remains a major concern for sweetpotato producers and is commonly managed through the application of fungicides. As a result of the European Union's (EU) restricted residue tolerances for import products treated with pesticides, the use of fungicides for management of sweetpotato diseases is limited. Identifying fungicides and application practices that ensure disease-free sweetpotatoes while meeting export residue requirements is critical for effective disease management and export marketability. Field experiments were executed in 2022 and 2023 to quantify residue values of three active ingredients (thiabendazole, azoxystrobin, and difenoconazole) when applied at either bedding, transplant, or both bedding and transplant when managing sweetpotato black rot. Root and vine samples were collected at harvest to analyze the detectable residue levels of the applied active ingredients at different stages of sweetpotato production. High-performance liquid chromatography analyses revealed that the average detected residues for all the tested active ingredients and application timings fell under the maximum residue level thresholds for the United States, Canada, and the EU but not the United Kingdom. In the field experiments, fungicide treatments were not significantly different from nontreated plots for plot vigor, percentage disease incidence, or yield. Although the residues from the three tested products in this study were not a concern for U.S., EU, and Canadian markets when applied during sweetpotato field production, further research is needed to determine their potential as an effective management tool for sweetpotato black rot.
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.
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 | 0,000 | 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) | 0,000 | 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 découle