MétaCan
Menu
Retour à la cohorte
Enregistrement W2297916037 · doi:10.1002/ps.4247

Modelling the current and potential future distributions of the sunn pest <i>Eurygaster integriceps</i> (Hemiptera: Scutelleridae) using <scp>CLIMEX</scp>

2016· article· en· W2297916037 sur OpenAlexaboutno aff
Rasha Aljaryian, Lalit Kumar, Subhashni Taylor

Notice bibliographique

RevuePest Management Science · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueInsect-Plant Interactions and Control
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPEST analysisTemperate climateHemipteraEcologyBiology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The sunn pest, Eurygaster integriceps (Hemiptera: Scutelleridae), is an economically significant pest throughout Western Asia and Eastern Europe. This study was conducted to examine the possible risk posed by the influence of climate change on its spread. CLIMEX software was used to model its current global distribution. Future invasion potential was investigated using two global climate models (GCMs), CSIRO-Mk3.0 (CS) and MIROC-H (MR), under A1B and A2 emission scenarios for 2030, 2070 and 2100. RESULTS: Dry to temperate climatic areas favour sunn pests. The potential global range for E. integriceps is expected to extend further polewards between latitudes 60° N and 70° N. Northern Europe and Canada will be at risk of sunn pest invasion as cold stress boundaries recede under the emission scenarios of these models. However, current highly suitable areas, such as South Africa and central Australia, will contract where precipitation is projected to decrease substantially with increased heat stress. CONCLUSION: Estimating the sunn pest's potential geographic distribution and detecting its climatic limits can provide useful information for management strategies and allow biosecurity authorities to plan ahead and reduce the expected harmful economic consequences by identifying the new areas for pest invasion. © 2016 Society of Chemical Industry.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,072
Score d'incertitude au seuil0,142

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,213
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePest Management ScienceMême sujetInsect-Plant Interactions and ControlTravaux en français237 207