Epidemiology of Grape Anthracnose: Factors Associated with Defoliation of Grape Leaves Infected by<i>Elsinoë ampelina</i>
Notice bibliographique
Résumé
Anthracnose is a serious disease that affects several grape cultivars. Infected leaves drop prematurely, and severe epidemics result in poor or no yield. Because the factors associated with grape defoliation in vineyards with a history of anthracnose were not well known, this study was undertaken to investigate the relationship between weather-, disease-, and host-related factors and survival of leaves. From 2006 to 2008, weather, anthracnose severity, and leaf emergence were monitored in an unsprayed experimental vineyard naturally infested with Elsinoë ampelina. Each year, two to three times weekly, the number of leaves and the proportion of leaf area diseased (PLAD) were monitored on 10 vines and 2 shoots per vine, for a total of 785 leaves. Survival analysis was used to investigate the factors influencing defoliation and to model time-to-death of grape leaves. Estimated median survival time was 117 to 121 days. Based on Kaplan-Meier estimates of survival probabilities, season type, PLAD per leaf and PLAD per shoot at first assessment, duration and amount of rain at first infection, severity of infection and leaf age at first infection and at first severe infection significantly influenced leaf survival. Based on accelerated time failure modeling, using the Weibull distribution, the most significant variables were PLAD per leaf and PLAD per shoot at first assessment, leaf age at first infection, and duration of rain. Each additional percent increase in PLAD per leaf, in PLAD per shoot, or in rainy days accelerated the time-to-death of grape leaves by 2.84, 1.02, and 0.66%, respectively, whereas for each additional day of leaf age at time of first infection, there was a 2.88% deceleration of the time to death. Results suggested that to avoid premature leaf drop, disease severity should be maintained below 25% leaf area diseased, which can be achieved by sanitation measures designed to reduce inoculum levels and by applying fungicide early in the season to prevent infection of young leaves.
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 | 0,000 | 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) | 0,001 | 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 ».