Impacts of herbicides and potassium fertilizer or seed treatments and seaweed extract on chickpea health in Saskatchewan
Notice bibliographique
Résumé
An emerging health issue, with symptoms including leaflet edge bleaching, apical or upper branch chlorosis or necrosis, wilting, and plant death, has been seen in chickpea in Saskatchewan. Pre-emergence group 14 herbicides and/or post-emergence metribuzin are both suspected contributors, whose impacts may be additive. Field trials in 2022 and 2023 near Swift Current and Hodgeville, Saskatchewan, sought to test the above theory and the hypothesis that potassium chloride (KCl) fertility could reduce symptoms. Separate experiments at the same sites and years aimed to test the hypothesis that synthetic or natural product seed treatments, or seaweed extracts, would reduce this health issue, potentially synergistically. However, symptoms consistent with the chickpea emerging health issue—leaflet or upper plant discoloration, wilting, or death—were not observed, suggesting that sulfentrazone and metribuzin herbicides are insufficient to induce this issue. However, the impacts of the treatments in both experiments on emergence, ascochyta blight, weed control, and yield were evaluated. Metribuzin improved weed control only in combination with KCl and increased ascochyta blight. Sulfentrazone controlled weeds better than an alternative, ethalfluralin, only in Swift Current in 2022. KCl, as a main effect, did not alter any parameter measured. Synthetic seed treatment increased stand density, weed control, and yield, but also increased ascochyta blight. Saponin seed treatment increased stand density in one site-year. Seaweed extract had no impacts. While this study does not pinpoint cause(s) of the chickpea emerging health issue, it provides valuable insights into the impacts of management options for chickpea growers.
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 | 0,000 | 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 ».