Predicting airborne ascospores of <i>Sclerotinia sclerotiorum</i> through machine learning and statistical methods
Notice bibliographique
Résumé
Abstract A main biological constraint of dry bean ( Phaseolus vulgaris ) production in Canada is white mould, caused by the fungal pathogen Sclerotinia sclerotiorum . The primary infectious propagules of S . sclerotiorum are airborne ascospores and monitoring the air for inoculum levels could help predict the severity of white mould in bean fields. Daily air samples were collected in commercial dry bean fields in Alberta, Manitoba and Ontario and ascospores were quantified using quantitative PCR. Daily weather data was obtained from in‐field weather stations. The number of ascospores on a given day was modelled using 63 different environmental variables and several modelling methods, both regression and classification approaches, were implemented with machine learning (ML) (random forests, logistic regression and support vector machines) and statistical (generalized linear models) approaches. Across all years and provinces, ascospores were most highly correlated with ascospore release from the previous day ( r ranged from 0.15 to 0.6). This variable was also the only variable included in all models and had the greatest weight in all models. Models without this variable had much poorer performance than those with it. Correlations of ascospores with other environmental variables varied by province and sometimes by year. A comparison of ML and statistical models revealed that they both performed similarly, but that the statistical models were easier to interpret. However, the precise relationship between airborne ascospore levels and in‐field disease severity remains unclear, and spore sampling methods will require further development before they can be deployed as a disease management tool.
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 | 0,000 |
| 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 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 ».