Exploring Genotype × Environment × Management synergies to manage fusarium head blight in wheat
Notice bibliographique
Résumé
Fusarium head blight (FHB) is a devastating disease of wheat because of direct detrimental effects on grain yield, quality, and marketability and production of mycotoxins (e.g. deoxynivalenol or DON). Conditions most favourable for the development of FHB are high humidity, frequent rainfall and relatively warm night temperatures at heading, especially in regions where host crop residues are present. These risk factors have resulted in a significant westward expansion of FHB in the Canadian prairies, while favouring continued development in Ontario, Quebec and the Maritimes. Since cultivar selection is a key integrated pest management (IPM) strategy, a systems approach that couples genetic resistance with management tactics is required. Thus, successful FHB mitigation is an ideal case study in Genotype (G) × Environment (E) × Management (M) interactions where more resistant cultivars (G) are grown in at-risk regions (E), and unique approaches to management (M) for sustainable wheat production are required. Since no cultivar is completely resistant to FHB, greater attention to management strategies is needed. The over-arching principle for FHB management is the manipulation of agronomic factors that facilitate completion of critical crop developmental phases, such as flowering, while doing so rapidly and uniformly, as a consequence of early sowing and increased seeding rates. These strategies and the adoption of practices involving proper fungicide selection, and optimal application timings and methods will lead to improved yield stability and quality in high-risk environments. This paper explores the potential synergies that exist for FHB mitigation when appropriate genetics are combined with an array of key agronomic strategies.
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 ».