Soybean Rust Epidemics as Affected by Weather Conditions in Brazil
Notice bibliographique
Résumé
The soybean rust (SBR) epidemics are often triggered by weather conditions, which interfere actively on the disease progress. Therefore, weather variables can be used to estimate the risk of occurrence and severity of SBR outbreaks. This research aimed to determine the influence of weather variables on SBR progress in different field trials in Brazil. Field experiments were conducted during 2014-15 and 2015-16 soybean growing seasons in Piracicaba (SP), Ponta Grossa (PR), Campo Verde (MT) and Pedra Preta (MT). For all sites and seasons, a susceptible soybean cultivar was drilled with 0.45 m row spacing and 12 plants per linear meter. No fungicide sprays were applied to ensure natural disease occurrence. In order to create different environmental conditions, sequential sowing dates, of roughly 30-day intervals were carried out. In Piracicaba, Ponta Grossa, Campo Verde, and Pedra Preta the main weather variables influencing SBR were leaf wetness duration - LWD (R = 0.340), air temperature during LWD (R = 0.313), and cumulative rainfall (R = 0.304). The final severity was assessed only at Piracicaba and Ponta Grossa, and it was mainly influenced by LWD (R = 0.643). It is possible to conclude that epidemics of SBR were mainly influenced by leaf wetness duration, accumulated rainfall and air temperature during the LWD. Therefore, future researches aiming to develop a disease warning system for SBR should include the cumulative rainfall, LWD and the air temperature during LWD, together or individually, as inputs.
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 ».