Rice Blast Prevalence in Smallholder Rice Farmlands in Uganda
Notice bibliographique
Résumé
Rice blast disease remains the most important contributor to low and stagnated rice yields in Uganda. However, the role of the smallholder farming system in shaping the prevalence of the disease in the country is not known. In 2015B and 2016A, we surveyed smallholder rice farmlands in 27 districts of Uganda and recorded blast incidence, severity, and symptoms expression. Infected rice samples taken from the infected plants were sub-cultured on PDA media to confirm the pathogen and obtain isolates for the establishment of a core collection for breeding work. Rice blast prevalence in the districts varied from 50-100% and the national average stood at 72.61%, higher than that recorded five years ago. Mean incidence and severity varied significantly (< 0.001) with the highest incidence (96.8%) recorded in Luwero district and the least (21.3%) was recorded in the Amuru district. However, the eastern region recorded the highest average incidence (74.5%) followed by the central, the northern, and Mid-western regions. In the rice ecologies, the highest blast incidence was recorded in the rain-fed lowland rice (72.18%) followed by irrigated lowland (59.53%) and rain-fed upland rice (47.27%). This is the first report on the prevalence of blast in smallholder rice farmlands in Uganda and showed a higher prevalence of the disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».