Soybean Yield Loss Estimates Due to Diseases in the United States and Ontario, Canada, from 2010 to 2014
Notice bibliographique
Résumé
Annual decreases in soybean (Glycine max L. Merrill) yield caused by diseases were estimated by surveying university-affiliated plant pathologists in 28 soybean-producing states in the United States and in Ontario, Canada, from 2010 through 2014. Estimated yield losses from each disease varied greatly by state or province and year. Over the duration of this survey, soybean cyst nematode (SCN) (Heterodera glycines Ichinohe) was estimated to have caused more than twice as much yield loss than any other disease. Seedling diseases (caused by various pathogens), charcoal rot (caused by Macrophomina phaseolina (Tassi) Goid), and sudden death syndrome (SDS) (caused by Fusarium virguliforme O’Donnell & T. Aoki) caused the next greatest estimated yield losses, in descending order. The estimated mean economic loss due to all soybean diseases, averaged across U.S. states and Ontario from 2010 to 2014, was $60.66 USD per acre. Results from this survey will provide scientists, breeders, governments, and educators with soybean yield-loss estimates to help inform and prioritize research, policy, and educational efforts in soybean pathology and disease management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 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 ».