Model-Based Forecasting of Agricultural Crop Disease Risk at the Regional Scale, Integrating Airborne Inoculum, Environmental, and Satellite-Based Monitoring Data
Notice bibliographique
Résumé
Crop diseases have the potential to cause devastating epidemics that threaten the world’s food supply and vary widely in their dispersal pattern, prevalence and severity. It remains unclear what the impact disease will have on sustainable crop yields in the future. Agricultural stakeholders are increasingly under pressure to adapt their decision-making to make more informed and efficient use of irrigation water, fertilizers and pesticides. They also face increasing uncertainty in how best to respond to competing health, environment and (sustainable) development impacts and risks. Disease dynamics involves a complex interaction between a host, a pathogen, and their environment, representing one of the largest risks facing the long-term sustainability of agriculture. New airborne inoculum, weather, and satellite-based technology provide new opportunities for combining disease monitoring data and predictive models – but this requires a robust analytical framework. Integrated model-based forecasting frameworks have the potential to improve the timeliness, effectiveness and foresight for controlling crop diseases, while minimizing economic costs and environmental impacts, and yield losses. The feasibility of this approach is investigated involving model and data selection. It is tested against available disease data collected for wheat stripe (yellow) rust (Puccinia striiformis f.sp. tritici) (Pst) fungal disease within southern Alberta, Canada. Two candidate, stochastic models are evaluated; a simpler, site-specific model, and a more complex, spatially-explicit transmission model. The ability of these models to reproduce an observed infection pattern is tested using two climate datasets with different spatial resolution - a reanalysis dataset (~55 km) and weather station network township-aggregated data (~10 km). The complex spatially-explicit model using weather station network data had the highest forecast accuracy. A multi-scale airborne surveillance design that provides data would further improve disease risk forecast accuracy under heterogeneous modeling assumptions. In the future, a model-based forecasting approach, if supported with an airborne surveillance monitoring plan, could be made operational to provide agricultural stakeholders with reliable, cost-effective, and near-real-time information for protecting and sustaining crop production against multiple disease threats.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».