Development and validation of a disease forecast model for Sclerotinia rot of carrot
Notice bibliographique
Résumé
Abstract Selected crop, microclimate and pathogen variables were monitored in carrot crops for four years to identify important variables associated with the development of Sclerotinia sclerotiorum and the start of epidemics of Sclerotinia rot of carrot. Soil moisture, and occasionally soil temperature, were the variables most closely associated with the development of apothecia and ascospores. Initial development of apothecia and ascospores occurred after one week of mean soil matric potential of −20 kPa or higher and maximum soil temperature up to 24 °C. At matric potentials of −30 to −40 kPa, development of apothecia and ascospores occurred in up to two weeks, and the occurrence of apothecia and ascospores was sporadic below −40 kPa. Preliminary risk algorithms were proposed to predict the occurrence of apothecia and ascospores, the start of epidemics, and the need for initial application of fungicides. Architectural and phenological stages of carrot development were used as primary risk factors incorporated into two predictive models. Ninety-five per cent closure of the carrot canopy was selected as a critical crop threshold to activate inoculum predictors. The critical crop thresholds to activate the disease forecasting system were 100% closure of the canopy plus 70 to 80% of plants with one to two collapsed senescing leaves and one to three healthy leaves lodged on the soil. The efficacy and accuracy of the model were tested over a two-year period. Applying the fungicide boscalid according to the forecast model resulted in equivalent disease control to using calendar-based sprays and decreased the number of fungicide applications in both years by up to 80%. Predicted inoculum values from the model were correlated with observed inoculum values at commercial field sites.
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 ».