MétaCan
Menu
Retour à la cohorte
Enregistrement W1514888498 · doi:10.36334/modsim.2011.e16.bennett

Towards measures of the eradicability of rain-splashed crop diseases

2011· article· en· W1514888498 sur OpenAlexfundno aff
James Bennett, Art Diggle, F. Evans, Michael Renton

Notice bibliographique

RevueChan, F., Marinova, D. and Anderssen, R.S. (eds) MODSIM2011, 19th International Congress on Modelling and Simulation. · 2011
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBotanical Research and Chemistry
Établissements canadiensnon disponible
Organismes subventionnairesAlzheimer Society Research ProgramAustralian Government
Mots-clésCropAgroforestryComputer scienceEnvironmental scienceGeographyForestry

Résumé

récupéré en direct d'OpenAlex

Controlling rain-splashed crop diseases is an extremely difficult task. Their spread is a complicated process and large-scale field surveys to determine the extent of an incursion over a large area are often economically intractable. A failed attempt at control or eradication of a pathogen can be very costly. In 1996 there was a major incursion of lupin anthracnose in Western Australia, which crippled the albus lupin industry. At the time of the outbreak a wide-spread survey was undertaken to estimate the extent of the incursion. A containment protocol involving broad-scale crop destruction was put into place with the view of eradicating the disease. This eradication attempt subsequently failed due to wild lupins acting as a reservoir for the disease from road verges and non-arable land outside the cropping area. There was also evidence of long distance dispersal vectors such as native budworm. Had all the relevant information related to spread and spatial habitat suitability been collected and taken into account, the decision to destroy the crops may not have been made and significant economic losses to growers may have been avoided. Estimates of the current extent of an incursion based solely on incomplete empirical data are likely to be inaccurate, as are predictions of the future trajectory of an incursion that do not take into account all available information. Therefore any control or eradication attempt based on these estimates and predictions may be ineffective.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,617
Score d'incertitude au seuil0,349

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,097
Tête enseignante GPT0,282
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChan, F., Marinova, D. and Anderssen, R.S. (eds) MODSIM2011, 19th International Congress on Modelling and Simulation.Même sujetBotanical Research and ChemistryTravaux en français237 207