Shade tree traits and microclimate modifications: Implications for pathogen management in biodiverse coffee agroforests
Notice bibliographique
Résumé
Abstract Diversified coffee agroforests modify microclimate conditions in comparison with monocultures, impacting the success of significant plant pathogens, such as Hemileia vastatrix , which causes coffee leaf rust (CLR). However, research is often limited to the dichotomous analysis of shaded agroforestry systems or unshaded monocultures, often overlooking the nuanced effect of shade tree trait diversity. Our study aims to determine the cumulative effects of shade tree canopy architectural characteristics and leaf functional traits in biodiverse agroforests on microclimate modifications and CLR incidence. We measured plot‐level microclimate conditions (air temperature, relative humidity, leaf wetness duration, throughfall kinetic energy) in three single‐stratum and two double‐strata shade tree canopy treatments, including Erythrina poeppigiana , Terminalia amazonia , and Chloroleucon eurycyclum . Commonly reported canopy characteristics and leaf traits were compared to average microclimate conditions and CLR incidence levels. We found that shade tree trait expression significantly explained most microclimate conditions, and that two key shade tree traits (canopy openness, leaf area) significantly explain CLR incidence levels ( R 2 = 0.211, p = 0.036). Our results highlight the differences in microclimate conditions and CLR incidence among biodiverse agroforests, as well as the important explanatory power of shade tree traits. Specific effects of shade tree traits on pathogen dynamics can directly inform agroforestry system design (i.e., shade tree species selection) and sustainable coffee farm management practices (i.e., pruning practices).
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 ».