Early-Season Predictions of Aerial Spores to Enhance Infection Model Efficacy for Cercospora Leaf Spot Management in Sugarbeet
Notice bibliographique
Résumé
Cercospora beticola causes one of the most destructive foliar diseases of sugarbeet in many growing regions. Management of Cercospora leaf spot (CLS) relies heavily on timely and repeated fungicide applications. Current treatment initiation is often supported by models predicting conditions favorable for infection; however, these models lack information on C. beticola presence and abundance. Burkard volumetric mechanical samplers and highly CLS-susceptible sentinel beets (biological samplers) were used to assess early-season aerial C. beticola conidia from sugarbeet fields in Michigan and in Ontario, Canada, from 2019 to 2022. In initial correlation and logistic regression analyses (n = 449), duration of leaf wetness, air temperature, and wind speed were found to predict the risk of elevated Cercospora spore concentrations with 67.9% accuracy. In 2022 and 2023, a select model and a limited set of action thresholds, in addition to the BEETcast model, were tested for fungicide application timing. When CLS pressure was high, extending the interval between applications showed reduced management of CLS (P < 0.001), sugar percentage, and recoverable white sugar per ton (P < 0.05) compared with the grower standard. Model-based programs integrating canopy closure information resulted in CLS, yield, and sugar metrics comparable to the grower standard despite one fewer fungicide application. In additional training analysis (n = 402), an ensemble model included leaf wetness, air temperature, relative humidity, and wind speed variables with a testing accuracy of 73.2% (n = 101). Based on model development, refinement, and validation, assessment of elevated early-season C. beticola presence and abundance has potential to improve application timing and efficacy for preventive CLS management.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».