Molecular and machine learning approaches to study the impact of climatic factors on the evolution of cranberry fruit rot
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction Cranberry (Vaccinium macrocarpon) is an important crop grown in the United States and Canada, with the province of Québec being the world’s largest producer of organic cranberry. However, cranberry fruit rot (CFR), caused by 12 fungal species, has become a major issue affecting yield. Methods A molecular detection tool was used to detect the presence of the 12 CFR fungi and evaluate CFR species across three farms with different fungicide strategies in Québec. The incidence and frequency of CFR fungi were evaluated for 2020 and compared with 2018 data from the same farms in Québec. Machine-learning models were used to determine the possibility of explaining CFR disease and species based on climate, and analyze the effects of weather variables on CFR presence andprimary fungal species. Results The most predominant CFR species remained the same in both years, with Godronia cassandrae and Coleophoma empetri being the two most common, but some species showed changes in relative abundance. Furthermore, this study examined the diversity variations in 2018 and 2020, with data showing an overall increase in diversity over the period. The results showed that fungicide applications impacted the species composition of CFR among the farms. Five weather variables (daily snow on the ground (cm), total daily precipitation (mm), daily atmospheric pressure (kPa), daily relative humidity (%) and daily temperature (°C)) were selected and found to contribute differently to the model with atmospheric pressure being the most important. Surprisingly, temperature and precipitations did not influence much the incidence of fungal pathogen species and each CFR species behaved differently in response to environmental factors. Discussion Overall, this study highlights the complexity of predicting CFR disease, as caused by 12 fungi, and of developing effective disease management strategies for CFR.
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.
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) | 0,000 | 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 découle