Factors impacting the detection of weed seed contaminants in seed lots
Notice bibliographique
Résumé
BACKGROUND: The setting and following of phytosanitary standards for weed seeds can lessen the impacts of weeds on agriculture. Standards adopted by seed companies, laboratories and regulators ensure the contamination rates do not exceed some thresholds. Globally sample size standards are set based on the amount needed to obtain a contaminant in a random sample of the seed lot, not detectability. New Zealand requires a 95% confidence that the maximum pest limit of 0.01% of quarantine weed seed contamination is not exceeded in an imported seed lot. We examined 24 samples each containing approximately 150 000 seeds of either perennial ryegrass (12 samples) or white clover seeds (12 samples) that were then spiked with seeds (contaminants) from 12 non-crop species (3-8 seeds of each). We considered factors that may impact detection rates: shape, color, size, and texture relative to the crop, and technician (including a commercial seed laboratory). RESULTS: A linear mixed model fitted to the data indicated significant observer, crop, and seed color, shape, and size effects on detection. Detectability increased by 20% ± 7.7 (± standard error) when seeds had a distinct shape or color (28% ± 8.1), or were larger (23% ± 8.7) rather than smaller, relative to the crop. Commercial laboratory identifications were usually correct at the level of genus, and species for common weeds, but some misidentifications occurred. CONCLUSION: Sample sizes for border inspections should be based on detectability of regulated weed seeds in the crop in combination with weed risk for the crop and location. © 2022 The Authors. Pest Management Science published by John Wiley & Sons Ltd on behalf of Society of Chemical Industry.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».