Deciphering inter-relationship between disease incidence and disease severity and prediction of yield loss in lentil-stemphylium pathosystem
Notice bibliographique
Résumé
Exploring the relationship between disease incidence (DI) and disease severity (DS) of Stemphylium blight (SB) in lentil, the study aimed to assess the feasibility of using DI as a predictive measure for DS, reducing workload of disease quantification while ensuring accuracy. Quantifying disease is a critical task in field surveys, resistance breeding programs, and timely disease management strategies. Data on DI and DS of SB were collected from 35 different genotypes of lentil over three consecutive years, enabling the development of mathematical model which was validated using the widely cultivated lentil variety ‘Moitree’ (WBL 77) grown in West Bengal. The quadratic regression model, derived from independent datasets on DI and DS of genotypes, demonstrated a highly satisfactory fit, expressed as Y = −16.17 + 1.849X − 0.008X2; R2 = 0.95. This model showcased remarkable consistency across multiple growing seasons under varying disease pressures, confirming its reproducibility for other lentil varieties too. Critical point of DS (with cut-off value = 0.395) was also determined to take up timely crop protection measures. Yield loss estimations revealed for every unit increase in DS, an estimated 13.34 kg/ha yield loss could be expected, aligning well with observed field data.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».