New technologies could enhance natural biological control and disease management and reduce reliance on synthetic pesticides
Notice bibliographique
Résumé
A shift to larger farms, bigger equipment and reduced crop diversity has been occurring in North American agriculture for many years. This has resulted in an increased reliance on genetic resistance and pesticides because much of the pest reduction from natural biological control (ecosystem services) associated with crop rotation and biological diversity has been lost. This shift has contributed to erosion of cultivar resistance and loss of sensitivity to pesticides. However, the impending change to autonomous field equipment represents an opportunity to reverse the trend towards ever-larger farm equipment. Small autonomous units have the potential to make intercropping, deployment of multi-lines, precision agriculture and even crop rotation, easier and more cost-effective. Remote sensing using drones, combined with precision application of pesticides and improved weather forecasts to help select optimum conditions, could improve the efficacy of both biocontrol agents and synthetic pesticides. Similarly, technologies such as marker-assisted selection for complex traits, gene editing to provide novel sources of resistance, and RNAi (gene silencing) to manage target pest populations could reduce reliance on synthetic pesticides. Crop rotation and improved strategies for deploying genetic resistance, combined with smaller fields, improved scouting and optimized pesticide application, could shift the balance back towards biological diversity and natural biological control within fields. Adding improved genetics for resistance to this mix could further reduce the need for large-scale pesticide application, and minimize both the use and impact of synthetic pesticides in agricultural systems.
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 ».