Modeling spatiotemporal distribution of yellow rust wheat pathogen using machine learning algorithms: Insights from environmental assessment
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
The yellow rust pathogen ( Puccinia striiformis Westend) poses a significant threat to wheat production in the world, necessitating a comprehensive understanding of its spatiotemporal distribution and the influence of climatic factors. In this study, we employed an ensemble of four prominent machine learning algorithms to assess the impact of various environmental and remote sensing variables on the spread of yellow rust at a national scale. Our analysis incorporated 55 climatic parameters, including monthly temperature, precipitation, solar radiation, and wind speed. The results demonstrated that the RF algorithm yielded robust predictions, with a Receiver Operator Characteristic (ROC) of 0.916 and True Skill Statistic (TSS) of 0.748. Furthermore, the study identified key influencing variables for wheat disease modeling, such as annual precipitation, temperature seasonality, and isothermality. Projections based on the model indicate a potential decrease in disease spread by 2050 in specific regions. The findings underscore the efficacy of ensemble modeling in predicting the spatiotemporal distribution of yellow rust on a large scale, offering valuable insights for the development of robust agricultural management strategies in the face of evolving climate conditions. • Four ML algorithms were evaluated to predict yellow rust. • Machine learning algorithms identified the most important variables affecting disease epidemics. • Yellow rust on wheat in Iran is increasing and climate change impact needs understanding. • The ensemble model efficiently predicts yellow rust spatiotemporal distribution at a large scale.
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