Tracking the Distribution and Risk of Tar Spot of Corn in Indiana from 2015 to 2022
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
Tar spot of corn ( Zea mays L.), caused by Phyllachora maydis, was first confirmed in the United States in 2015 in Illinois and Indiana but has since spread to a total of 20 states and Ontario and Quebec, Canada. Severe tar spot epidemics have caused unexpected and significant yield losses in corn in the Midwest. It is critical to document the movement and risk factors of this disease to develop effective management strategies. Tar spot distribution and disease intensity data were collected in Indiana from 2015 to 2022. Tar spot severity data were assessed from images of leaves submitted to the Purdue Pest and Diagnostic Laboratory from 2015 to 2018, and a statewide survey was conducted annually from 2019 to 2022. In each county, two or more corn fields were scouted for tar spot, percent field incidence and average leaf severity were documented, and county-level weather data were collected. In Indiana, tar spot severity was negatively correlated with temperature and positively correlated with precipitation during June and August but negatively correlated with July precipitation. High relative humidity (>90%) was also positively correlated with tar spot severity during June, July, and August. Fields in northern Indiana had the highest severity throughout the survey and have the highest risk for the disease in the future. Pockets of tar spot outbreaks indicate that once it is found locally, favorable environmental conditions of moderate temperatures and fluctuating periods of seasonal moisture may increase the risk of a severe epidemic in a field in future years.
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