Artificial intelligence analysis of contributive factors in determining blackleg disease severity in canola farmlands
Notice bibliographique
Résumé
Canola (Brassica napus L.) production is threatened by blackleg disease caused by Leptosphaeria maculans.Disease outcome is determined by interactions among pathogens, plants, farming practices, and environmental factors.Although the gene-for-gene interactions between the pathogen and its plant host are relatively clear, how precisely the pathogen interacts with the environment and farming practices is still poorly understood, making disease forecasting challenging for commercial farmlands.In recent years, artificial intelligence (AI) has been successful in forecasting disease risks based on environmental factors.In this study, we evaluated two AI methods and a data augmentation method to forecast disease risk using a dataset collected from 116 farmlands in Alberta in 2021 and 2022.We first assessed a machine learning model (support vector machine or SVM) and a deep-learning model (convolutional neural network or CNN) to predict blackleg severity based on five weather variables, flea beetle damage, root maggot damage, and crop-rotation variables.Both SVM and CNN predicted the disease risk with an accuracy of over 66%.The data augmentation method did not improve model performance.Flea beetle feeding and maggot damage contribute little to the model's performance, and omitting these data did not appear to affect the results.In contrast, crop rotation contributes substantially to model performance.The five weather variables contribute roughly equally to the model's performance, and removing any of the individual weather variables did not impact prediction ability for both models.
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 | 0,000 | 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 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 ».