Weather-Based Models for Assessing the Risk of <i>Sclerotinia sclerotiorum</i> Apothecial Presence in Soybean (<i>Glycine max</i>) Fields
Notice bibliographique
Résumé
Sclerotinia stem rot (SSR) epidemics in soybean, caused by Sclerotinia sclerotiorum, are currently responsible for annual yield reductions in the United States of up to 1 million metric tons. In-season disease management is largely dependent on chemical control but its efficiency and cost-effectiveness depends on both the chemistry used and the risk of apothecia formation, germination, and further dispersal of ascospores during susceptible soybean growth stages. Hence, accurate prediction of the S. sclerotiorum apothecial risk during the soybean flowering period could enable farmers to improve in-season SSR management. From 2014 to 2016, apothecial presence or absence was monitored in three irrigated (n = 1,505 plot-level observations) and six nonirrigated (n = 2,361 plot-level observations) field trials located in Iowa (n = 156), Michigan (n = 1,400), and Wisconsin (n = 2,310), for a total of 3,866 plot-level observations. Hourly air temperature, relative humidity, dew point, wind speed, leaf wetness, and rainfall were also monitored continuously, throughout the season, at each location using high-resolution gridded weather data. Logistic regression models were developed for irrigated and nonirrigated conditions using apothecial presence as a binary response variable. Agronomic variables (row width) and weather-related variables (defined as 30-day moving averages, prior to apothecial presence) were tested for their predictive ability. In irrigated soybean fields, apothecial presence was best explained by row width (r = -0.41, P < 0.0001), 30-day moving averages of daily maximum air temperature (r = 0.27, P < 0.0001), and daily maximum relative humidity (r = 0.16, P < 0.05). In nonirrigated fields, apothecial presence was best explained by using moving averages of daily maximum air temperature (r = -0.30, P < 0.0001) and wind speed (r = -0.27, P < 0.0001). These models correctly predicted (overall accuracy of 67 to 70%) apothecial presence during the soybean flowering period for four independent datasets (n = 1,102 plot-level observations or 30 daily mean observations).
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».