Validating <i>Sclerotinia sclerotiorum</i> Apothecial Models to Predict Sclerotinia Stem Rot in Soybean (<i>Glycine max</i>) Fields
Notice bibliographique
Résumé
In soybean, Sclerotinia sclerotiorum apothecia are the sources of primary inoculum (ascospores) critical for Sclerotinia stem rot (SSR) development. We recently developed logistic regression models to predict the presence of apothecia in irrigated and nonirrigated soybean fields. In 2017, small-plot trials were established to validate two weather-based models (one for irrigated fields and one for nonirrigated fields) to predict SSR development. Additionally, apothecial scouting and disease monitoring were conducted in 60 commercial fields in three states between 2016 and 2017 to evaluate model accuracy across the growing region. Site-specific air temperature, relative humidity, and wind speed data were obtained through the Integrated Pest Information Platform for Extension and Education (iPiPE) and Dark Sky weather networks. Across all locations, iPiPE-driven model predictions during the soybean flowering period (R1 to R4 growth stages) explained end-of-season disease observations with an accuracy of 81.8% using a probability action threshold of 35%. Dark Sky data, incorporating bias corrections for weather variables, explained end-of-season disease observations with 87.9% accuracy (in 2017 commercial locations in Wisconsin) using a 40% probability threshold. Overall, these validations indicate that these two weather-based apothecial models, using either weather data source, provide disease risk predictions that both reduce unnecessary chemical application and accurately advise applications at critical times.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».