West Nile Virus Prevalence across Landscapes Is Mediated by Local Effects of Agriculture on Vector and Host Communities
Notice bibliographique
Résumé
Arthropod-borne viruses (arboviruses) threaten the health of humans, livestock, and wildlife. West Nile virus (WNV), the world's most widespread arbovirus, invaded the United States in 1999 and rapidly spread across the county. Although the ecology of vectors and hosts are key determinants of WNV prevalence across landscapes, the factors shaping local vector and host populations remain unclear. Here, we used spatially-explicit models to evaluate how three land-use types (orchards, vegetable/forage crops, natural) and two climatic variables (temperature, precipitation) influence the prevalence of WNV infections and vector/host distributions at landscape and local spatial scales. Across landscapes, we show that orchard habitats were associated with greater prevalence of WNV infections in reservoirs (birds) and incidental hosts (horses), while increased precipitation was associated with fewer infections. At local scales, orchard habitats increased the prevalence of WNV infections in vectors (mosquitoes) and the abundance of mosquitoes and two key reservoir species, the American robin and the house sparrow. Thus, orchard habitats benefitted WNV vectors and reservoir hosts locally, creating focal points for the transmission of WNV at landscape scales in the presence of suitable climatic conditions.
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 | 0,000 |
| 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 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 ».