MétaCan
Menu
Retour à la cohorte
Enregistrement W4405204959 · doi:10.5539/jas.v17n1p70

Incidence, Damage and Management of the Major Pests and Diseases of Robusta Coffee, [Coffea canephora (Pierre Ex A. Froehner)] in Uganda

2024· article· en· W4405204959 sur OpenAlexvenueno aff
Gerald Kyalo, Godfrey H. Kagezi, Nicholas Olango, Mark Anyijuka, Veronica Twesigye, Jannet K. Musasizi, Dixion Nuwagaba, Charlotte Aijuka, Peter Charles Apunyo, Geofrey Arinaitwe, Emmanuel I. Niyibigira

Notice bibliographique

RevueJournal of Agricultural Science · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueCoffee research and impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTwigBiologyInfestationAgronomyIntercroppingPhytoplasmaMulchHorticultureLeaf spotCultural controlWeed control

Résumé

récupéré en direct d'OpenAlex

Black Coffee Twig Borer (BCTB), Xylosandrous compactus Eichhoff (Coleoptera: Scolytidae) and Coffee Wilt Disease (CWD) are still the two main biological constraints to Robusta coffee production in Uganda. A rapid assessment survey was conducted in January 2022 in the Regions of Eastern (Busoga), Greater Masaka, Western, South western and Rwenzori to determine the status of pests and diseases in the different regions. A short-structured questionnaire with both open and closed-ended questions was administered to 268 participants that were purposively selected in different regions. At plot level, five coffee plants were selected in each of the sampled coffee farms for observation. The selected stems were checked for infestation by the stem borers and root mealy bugs (evidenced by ants moving up and down the coffee tree). The coffee canopy was divided into 2 imaginary sections—upper and lower to assess damage by leaf skeletonizers, tailed caterpillars, beetles, aphids, mealybugs, lygus, brown eye spot, coffee leaf rust, scales, aphids, berry moth and red blister. In addition, data was collected at field level parameters including: shade intensity, the most common shade trees, weed management and most common weeds (whether grasses, sedges or broadleaved), mulching intensity and mulching material, manuring intensity and common manure used, fertilizer application and type of fertilizer used, presence and type of cover crops, presence of bands and trenches as well as intensity of intercropping and the most common intercrops. Field observations revealed that the Black Coffee Twig Borer (BCTB) was responsible for the drying up of young and old coffee branches across all regions together with Coffee Wilt disease (CWD) to a smaller extent. On average, 9.4% of the primary branches were infested by BCTB. The highest damage levels of BCTB were recorded in Eastern (17.2%) and Western (12.4%) regions. Although, BCTB affected all ages of coffee, young coffee of 2-3 years was most affected. Overall, 3.9% of the sampled coffee trees were infected by Coffee Wilt Disease (CWD), with the highest incidence (8.2%) recorded in Southwestern Uganda. There is need to enhance existing management measures for coffee pests and diseases especially BCTB and CWD. Due to the high levels of spread of BCTB, this will require a community approach to sensitize farmers through meetings and media on the sustainable management of BCTB. There is also need to come up with good dissemination strategies of Coffee Wilt Disease Resistant varieties to aid their uptake and roll out a gap filling programme for coffee trees infected and destroyed by CWD across all regions using CWDr varieties.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,290
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetCoffee research and impactsTravaux en français237 207