Tree Effects on Coffee Leaf Rust at Field and Landscape Scales
Notice bibliographique
Résumé
Although integrating trees into agricultural systems (i.e., agroforestry systems) provides many valuable ecosystem services, the trees can also interact with plant diseases. We demonstrate that a detailed understanding of how plant diseases interact with trees in agroforestry systems is necessary to identify key tree canopy characteristics, leaf traits, spatial arrangements, and management options that can help control plant diseases at different spatial scales. We focus our analysis on how trees affect coffee leaf rust, a major disease affecting one of the world's most significant crop commodities. We show that trees can both promote and discourage the development of coffee leaf rust at the plot scale via microclimate modifications in the understory. Based on our understanding of the role of tree characteristics in shaping the microclimate, we identify several canopy characteristics and leaf traits that can help manage coffee leaf rust at the plot scale: namely, thin canopies with high openness, short base height, horizontal branching, and small, dentate leaves. In contrast, at the edge of coffee farms, having large trees with high canopy volume and small, thick, waxy leaves is more useful to reduce throughflow wind speeds and intercept the airborne dispersal of urediniospores, an important consideration to control disease at the landscape scale. Seasonal pruning can help shape trees into the desired form, and trees can be spatially arranged to optimize desired effects. This case study demonstrates the added value of combining process-based epidemiology studies with functional trait ecology to improve disease management in agroforestry systems.
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) | 0,001 | 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 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 ».