Soybean Yield Loss Estimates Due to Diseases in the United States and Ontario, Canada, from 2015 to 2019
Notice bibliographique
Résumé
Soybean (Glycine max [L.] Merrill) yield losses as a result of plant diseases were estimated by university and government plant pathologists in 29 soybean producing states in the United States and in Ontario, Canada, from 2015 through 2019. In general, the estimated losses that resulted from each of 28 plant diseases or pathogens varied by state or province as well as year. Soybean cyst nematode (SCN) (Heterodera glycines Ichinohe) caused more than twice as much loss as any other disease during the survey period. Seedling diseases (caused by various pathogens), Sclerotinia stem rot (white mold) (caused by Sclerotinia sclerotiorum [Lib.] de Bary), and sudden death syndrome (caused by Fusarium virguliforme O’Donnell & T. Aoki) caused the next greatest yield losses, in descending order. Following SCN, the most damaging diseases in the northern United States and Ontario differed from those in the southern United States. The estimated mean economic loss from all soybean diseases, averaged across the United States and Ontario, Canada was US$45 per acre (US$111 per hectare). The outcome from the current survey will provide pertinent information regarding the important soybean diseases and their overall severity in the soybean crop and help guide future research and Extension efforts on managing soybean diseases.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».