Dynamics of Rice Brown Leaf Spot Disease (<em>Bipolaris oryzae</em>) Incidences Due to Seasonal Weather Differences in the Dry Zone of Sri Lanka
Notice bibliographique
Résumé
Weather factors are key determinants in ecological disease management in sustainable agriculture, while judicious crop management systems deliver better control over rice diseases in tropical conditions. This study was designed to explore the effect of weather factors under different crop management systems and seasons on Rice Brown Leaf Spot (RBLS) disease incidences caused by Bipolaris oryzae in the tropical dry zone of Sri Lanka. The incidence of RBLS was measured under Conventional, Reduced, and Organic crop management systems commencing from the first occurrence of disease symptoms, at three-day sampling intervals in the tropical dry zone during wet (Maha) 2018/19 and 2019/20, and dry (Yala) 2019 and 2020 seasons. Secondary data on weather parameters were collected from the regional weather station. The RBLS incidences were highest in the wet season and were most abundant at the reproductive stage. The disease incidence dynamics over time were found to be similar among all the crop management systems in three seasons. The cumulative amount of rainfall seven days before the disease observation (RF7), the day-RH (DRH), and the maximum (TMAX48) and average temperature (TAVG48) that were recorded 48 h before the disease observations were found to be significantly correlated with the disease incidence of crop management systems in the wet season. DRH and minimum temperature (TMIN72) of 72 h before the disease observed in the wet season resulted in higher disease incidences. The RBLS disease can be managed concerning the crop management systems under high DRH and TMIN (20-25 ℃) in the wet season.
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».