An integrated model for pre- and post-harvest aflatoxin contamination in maize
Notice bibliographique
Résumé
Aflatoxin contamination caused by colonization of maize by Aspergillus flavus continues to pose a major human and livestock health hazard in the food chain. Increasing attention has been focused on the development of models to predict risk and to identify effective intervention strategies. Most risk prediction models have focused on elucidating weather and site variables on the pre-harvest dynamics of A. flavus growth and aflatoxin production. However fungal growth and toxin accumulation continue to occur after harvest, especially in countries where storage conditions are limited by logistical and cost constraints. In this paper, building on previous work, we introduce and test an integrated meteorology-driven epidemiological model that covers the entire supply chain from planting to delivery. We parameterise the model using approximate Bayesian computation with monthly time-series data over six years for contamination levels of aflatoxin in daily shipments received from up to three sourcing regions at a high-volume maize processing plant in South Central India. The time series for aflatoxin levels from the parameterised model successfully replicated the overall profile, scale and variance of the historical aflatoxin datasets used for fitting and validation. We use the model to illustrate the dynamics of A. flavus growth and aflatoxin production during the pre- and post-harvest phases in different sourcing regions, in short-term predictions to inform decision making about sourcing supplies and to compare intervention strategies to reduce the risks of aflatoxin contamination.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».