A Bayesian State‐Space Approach for Invasive Species Management: The Case of Spotted Wing Drosophila
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spotted wing drosophila (SWD) is an invasive pest with devastating effects on soft‐skinned fruit crops. Due to its high economic impacts, current SWD management strategies usually focus on preventive calendar‐based insecticide sprays. The industry is calling for adoption of monitoring‐based integrated pest management (IPM) strategies to reduce unnecessary insecticide applications. However, because traps are costly and do not provide perfect observations of the population size, most growers do not monitor. We develop a Bayesian state‐space bioeconomic framework to inform the optimal SWD management strategy when observational uncertainty exists. We use Bayesian inference via the Markov Chain Monte Carlo method to generate the posterior distribution of population model parameters, which we then use to simulate the economic performance of alternative SWD management strategies. We find that one of the monitoring‐based IPM strategies has a slightly lower total cost than the calendar‐based spray strategy. We also find evidence of misalignments between public and private incentives in the adoption of IPM strategies. Profit‐maximizing growers who ignore the negative externalities of insecticide spray have little incentive to adopt the IPM strategies. However, for environmentally conscious growers who take into account the external costs of insecticide sprays, IPM strategies are superior to calendar‐based spray strategy. Our results indicate that IPM strategies become more appealing to both types of growers as the trapping efficiency improves. Extension efforts, support for research to improve trapping efficiency, and monetary incentives can be used to encourage grower adoption of monitoring‐based IPM strategies to control SWD infestation.
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.
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 découle