Global stem rust surveillance in practice.
Notice bibliographique
Résumé
An assessment was made of stem rust race analysis on a global scale. Responses were obtained from 23 rust workers representing 21 countries. Five laboratories have an institutional history in stem rust race analysis of more than 60 years, whereas personal experience in this field ranged from 0 to 35 years. The number of stem rust samples processed from 2006 to 2008 varied greatly between countries. For the three year period most collections were characterized in Canada, followed by Georgia, USA, South Africa and Australia. Most laboratories use the North American differential set and nomenclature system. However, these entries are often supplemented by additional tester lines from the Stakman set, other single gene lines or local cultivars. Differential sets varied between eight and 50 entries. More than half of the respondents indicated that they often encounter seed mixtures amongst their differentiating lines. In recent surveys most races were detected in Ethiopia, followed by Georgia and China. One race dominated the USA and Canadian stem rust population. In South America and Australia stem rust has been rare in commercial wheat for many years. Races within the Ug99 cluster were frequently identified in stem rust collections from Kenya and Ethiopia. Two races related to Ug99, but avirulent on Sr31, occur in South Africa. Several laboratories are in the process of purifying and bulking differential seed, which appears to be one of the major limiting factors in reliable stem rust race analysis. Improvement of infrastructure and training of individuals inexperienced with stem rust should improve global surveillance efforts. In addition, countries doing race analysis should keep viable culture collections in long-term storage.
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 ».