Assessing Transmission of Crop Diseases by Insect Vectors in a Landscape Context
Notice bibliographique
Résumé
Theory indicates that landscape composition affects transmission of vector-borne crop diseases, but few empirical studies have investigated how landscape composition affects plant disease epidemiology. Since 2006, Bemisia tabaci (Gennadius) has vectored the cucurbit yellow stunting disorder virus (CYSDV) to cantaloupe and honeydew melons (Cucumis melo L.) in the southwestern United States and northern Mexico, causing significant reductions in yield of fall melons and increased use of insecticides. Here, we show that a landscape-based approach allowing simultaneous assessment of impacts of local (i.e., planting date) and regional (i.e., landscape composition) factors provides valuable insights on how to reduce crop disease risks. Specifically, we found that planting fall melon fields early in the growing season, eliminating plants germinating from seeds produced by spring melons after harvest, and planting fall melon fields away from cotton and spring melon fields may significantly reduce the incidence of CYSDV infection in fall melons. Because the largest scale of significance of the positive association between abundance of cotton and spring melon fields and CYSDV incidence was 1,750 and 3,000 m, respectively, reducing areas of cotton and spring melon fields within these distances from fall melon fields may decrease CYSDV incidence. Our results indicate that landscape-based studies will be fruitful to alleviate limitations imposed on crop production by vector-borne diseases.
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 ».