Risk Factors for Crop Health Under Global Change and Agricultural Shifts: A Framework of Analyses Using Rice in Tropical and Subtropical Asia as a Model
Notice bibliographique
Résumé
Plant disease epidemiology requires expansion of its current methodological and theoretical underpinnings in order to produce full contributions to global food security and global changes. Here, we outline a framework which we applied to farmers' field survey data set on rice diseases in the tropical and subtropical lowlands of Asia. Crop health risks arise from individual diseases, as well as their combinations in syndromes. Four key drivers of agricultural change were examined: labor, water, fertilizer, and land availability that translate into crop establishment method, water shortage, fertilizer input, and fallow period duration, respectively, as well as their combinations in production situations. Various statistical approaches, within a hierarchical structure, proceeding from higher levels of hierarchy (production situations and disease syndromes) to lower ones (individual components of production situations and individual diseases) were used. These analyses showed that (i) production situations, as wholes, represent very large risk factors (positive or negative) for occurrence of disease syndromes; (ii) production situations are strong risk factors for individual diseases; (iii) drivers of agricultural change represent strong risk factors of disease syndromes; and (iv) drivers of change, taken individually, represent small but significant risk factors for individual diseases. The latter analysis indicates that different diseases are positively or negatively associated with shifts in these drivers. We also report scenario analyses, in which drivers of agricultural change are varied in response to possible climate and global changes, generating predictions of shifts in rice health risks. The overall set of analyses emphasizes the need for large-scale ground data to define research priorities for plant protection in rapidly evolving contexts. They illustrate how a structured theoretical framework can be used to analyze emergent features of agronomic and socioecological systems. We suggest that the concept of "disease syndrome" can be borrowed in botanical epidemiology from public health to emphasize a holistic view of disease in shifting production situations in combination with the conventional, individual disease-centered perspective.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».