Landscape epidemiology of ash dieback
Notice bibliographique
Résumé
Abstract Ash dieback is induced by Hymenoscyphus fraxineus , an invasive pathogenic fungus. It is causing severe damage to European ash populations. However, the local environment, such as climate or site conditions, is known to affect ash dieback. We studied the landscape epidemiology of the disease on a 22 km 2 area in north‐eastern France at two stages of the invasion process using Bayesian spatio‐temporal models fitted with integrated nested Laplace approximation (INLA). Several features characterizing disease severity, crown dieback, frequency of collar canker and density of infected leaf debris in the litter were determined on a regular grid over a 3.5 × 6.5 km area. We first analysed the effect of landscape features on the disease establishment stage in 2012, 2 years after the first report of the disease in the area, and then on further disease development, in 2016–2018. Landscape features had little impact on the disease at the establishment stage, but strongly determined its further development. Local fragmentation of tree cover was the most important factor, with trees that are isolated or in hedges far less affected than trees in a forest environment. We showed that they were subjected to different microclimates, with higher crown temperatures unfavourable to pathogen development. Low host density strongly reduced disease development. The presence of large ash populations in the vicinity affected local disease severity up to several hundred metres. Synthesis . We showed that the landscape characteristics strongly affect the development and spread of ash dieback. The disease is far less severe in forest conditions when ash density is low or in open canopies such as hedges and isolated trees. Ash trees are often in these types of landscapes, which should strongly limit the overall impact of ash dieback.
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 | 0,001 | 0,001 |
| 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) | 0,007 | 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 ».