MétaCan
Menu
Retour à la cohorte
Enregistrement W4293117491 · doi:10.1079/pavsnnr202116052

IPM for tropical crops: lentil

2021· article· en· W4293117491 sur OpenAlexaboutno aff
Anamika Sharma, R. Muniappan

Notice bibliographique

RevueCABI Reviews · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural pest management studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiologyAgronomyCropBiopesticideAbiotic componentCrop rotationBiological pest controlPesticideHorticultureEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Lentil is an old-world legume and grown in more than 70 countries. It is a major source of protein in plant-based diets and is often used to fix nitrogen in the soil as a rotational crop, especially with cereal crops. Canada, USA, and Australia are the major exporters of lentil. Around the globe, this crop faces various biotic and abiotic stresses. More than 35 insect pests and the same number of diseases are reported to infest lentil in different parts of the world. While the status of insect pests and diseases varies in different geographical regions, some of them are aphids, armyworm, cutworm, pod borer, Stemphylium blight, fusarium wilt, Alternaria blight, and rust. Cultural management strategies for abiotic and biotic stresses include crop rotation, the timing of seeding, appropriate seed rates, and weed management. Biological control agents are also known for several insect pests. Environmental-friendly options such as biopesticides and microbials (entomopathogenic bacteria, fungi and nematodes, neem products, and Trichoderma sp.) can be used as seed treatment and foliar application. Various tolerant and resistant lentil varieties are available around the globe. In the present article, we provide an IPM package for the management of major biotic stresses for lentil crop.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,230

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0690,024

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,264
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCABI ReviewsMême sujetAgricultural pest management studiesTravaux en français237 207