The costs and benefits of pollinator dependence: empirically based simulations predict raspberry fruit quality
Notice bibliographique
Résumé
Globally, agriculture increasingly depends on pollinators to produce many seed and fruit crops. However, what constitutes optimal pollination service for pollinator-dependent crops remains unanswered. We developed a simulation model to identify the optimal pollination service that maximizes fruit quality in crops. The model depicts the pollination (i.e., autonomous self-fertilization, pollen deposition) and post-pollination (i.e., pollen germination, and time from germination to ovule fertilization) processes leading to fruit and seed set and allows for negative flower-pollinator interactions, specifically pistil damage. We parameterized and validated the model based on empirical observations of commercial raspberry in western Argentina. To assess the effects of pollination intensity for fruit production, we conducted simulations over a range of visit number per flower by the two primary managed pollinators worldwide, Apis mellifera and Bombus terrestris. Simulations identified that ~15-35 visits per flower by A. mellifera or ~10-20 visits by B. terrestris provide adequate pollination and maximize raspberry fruit quality (i.e., estimated as the proportion of ovules that develop into drupelets). Visits in excess of these optima reduce simulated fruit quality, and flowers receiving >670 honey bee visits or >470 bumble bee visits would produce fruits of poorer quality than those receiving no bee visits. The simulations generated consistent, unbiased predictions of fruit quality for 12 raspberry fields. This model could be adapted easily to other animal-pollinated crops and used to guide efficient pollinator management in any agro-ecosystem.
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 | 0,000 | 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 ».