Soilborne Inoculum Density and Environmental Parameters Influence the Development of Pythium Stunt Caused by <i>Pythium tracheiphilum</i> in Head Lettuce Crops
Notice bibliographique
Résumé
Matta) is responsible for important yield losses in head lettuce crops each year, which can reach up to 50% in certain cases. Despite the significance of the disease, factors influencing its development remain poorly documented, and no disease risk indicators are available, which makes the development of management strategies difficult. Hence, growers systematically use chemical fungicides throughout the growing season to reduce crop losses. However, it is known that soilborne disease incidence or severity may be influenced by soil inoculum density and environmental parameters. Therefore, the objectives of this study were to investigate the influence of inoculum density on lettuce growth under controlled conditions and evaluate the influence of soil inoculum density, air temperature, relative humidity, and rainfall on disease incidence under field conditions. In particular, this study aims to develop accurate predictors for Pythium stunt incidence. Results showed that, under controlled environment, thresholds of inoculum density of 97 and 46 propagules per gram of dry soil were needed to reduce lettuce dry weight by one-half for cultivars Estival and Prestige, respectively. These results were confirmed under field conditions, where a soil inoculum density >132 propagules per gram of dry soil combined with air temperatures <18°C for the first 2 weeks and rain accumulation >64 mm for the first 3 weeks after transplanting accurately predicted disease incidence 79% of the time. These relationships improve understanding of seasonal Pythium stunt development and will provide useful tools to develop sustainable management 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 ».