Development and Evaluation of a Model that Predicts Grapevine Anthracnose Caused by <i>Elsinoë ampelina</i>
Notice bibliographique
Résumé
is a serious threat in many vineyards, and its control requires repeated application of fungicides, usually on a calendar basis. A better understanding of the pathogen life cycle would help growers manage anthracnose more safely and effectively. After conducting a systematic literature search of grape anthracnose, we used the retrieved information and data to develop a mechanistic model based on systems analysis. The model simulates production and maturation of primary inoculum, infection caused by both primary and secondary conidia, and lesion formation and production of secondary inoculum. The model was validated for its ability to predict first seasonal onset of anthracnose lesions by using 8 years of data collected at Auckland, New Zealand, and disease progress during the season by using 3 years of data collected at Frelighsburg, Canada. Overall, the model provided accurate predictions of infection occurrence, with 0.96 accuracy, 0.91 sensitivity, and 0.97 specificity. The model also showed good accuracy for predicting disease progress, with a concordance correlation coefficient between observed and predicted disease severities of 0.92, a root mean square error of 0.14, and a coefficient of residual mass of 0.06. Although the model failed to predict 10 of 110 real infection periods, these missed infections led to only mild disease symptoms. We therefore conclude that the model is reliable and can be used to reduce the costs of anthracnose management by improving the timing of fungicide applications.
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 ».