Weather‐based models for forecasting <scp>Fusarium head blight</scp> risks in wheat and barley: A review
Notice bibliographique
Résumé
Abstract Fusarium head blight (FHB) is one of the most devastating crop diseases worldwide, significantly reducing the yield and quality of small‐cereal crops such as wheat and barley when favourable weather conditions exist during anthesis. Additionally, FHB‐associated mycotoxins significantly impact global food and feed safety. Controlling FHB with fungicides applied near anthesis reduces visual FHB symptoms and associated mycotoxin production, thereby lowering disease‐related costs. However, when weather conditions are unfavourable for FHB occurrence, fungicide application can be costly and environmentally undesirable. Thus, fungicides should be used sparingly only when the pathogen is present and weather conditions are favourable. Modelling of FHB risk using weather data has grown rapidly in recent decades and plays an essential role in integrated crop disease management. In this review, several weather‐based FHB models are selected and described in detail. The models were developed globally for assessing the real‐time risk of FHB epidemics in various regions/countries. Most of these models are site‐specific and predict FHB visual observations such as the incidence and severity of FHB, Fusarium‐damaged kernels (FDK), and also deoxynivalenol (DON) levels. The review also highlights the limitations of these existing models, including their narrow applicability, low accuracy for high‐risk contamination situations, and omissions of certain factors. Also discussed are potential avenues for improvement and enhanced predictive capabilities including consideration of additional disease risk factors as well as a broader range of varieties. These predictive models can assist producers, regulatory agencies, and industry to mitigate potential food and feed security and safety concerns.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».