Mechanisms Involved in Soybean Rust‐Induced Yield Reduction
Notice bibliographique
Résumé
Soybean rust (SBR; caused by Phakopsora pachyrhizi Syd. and P. Syd.) leads to premature leaf loss and yield reduction. The objectives of this study were to assess effects of SBR infection on soybean [Glycine max (L.) Merrill] yield and to identify causes for the yield reduction. Experiments were conducted in the 2005–2006 and 2006–2007 growing seasons at Londrina, Brazil. The five treatments were SBR infection beginning at either (i) the R2 or (ii) R5 growth stages; nondiseased defoliation treatments to mimic the leaf loss when SBR started at either (iii) the R2 or (iv) R5 growth stages; and (v) a disease‐free, nondefoliated control. The control and defoliation treatments were protected against SBR by fungicide applications. Disease severity, lesion area, and leaf area were monitored from R2 to R7. Biomass and seed yield were measured at maturity. Mean SBR‐induced yield reductions were 67% when infection started at R2 and 37% when infection started at R5. Leaf loss alone reduced yield significantly in only one year and only when defoliation treatments were begun at R2 (31% in 2005–2006). Soybean rust–induced yield loss was attributable to (i) premature leaf loss, (ii) reduction in canopy green leaf area due to SBR lesions, (iii) reduction in dry matter accumulation per unit absorbed radiation by the nonlesion green leaf area, and (iv) reduction in harvest index. The response of harvest index was attributable to reduced seed set and seed mass resulting likely from SBR‐induced reductions in rate of dry matter accumulation.
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) | 0,001 | 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 | 0,001 | 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 ».