Prairie crop insect pests: how can we improve our economic impact estimate?
Notice bibliographique
Résumé
There is no agreement on which insects are the most important Prairie pests or an estimate of their approximate total economic cost to Canadian agriculture. There are multiple reasons for this: (1) thresholds (2) and surveys are lacking for key pests, (3) there is no repository of acreages impacted, (4) or record of the land area where a control action was taken along with costs, (5) or estimated efficiency of control actions, (6) or records of resulting values of the grain and quality losses. In this review, we estimate these costs by assigning nominal values based on annual pest reports published in the minutes of the Western Committee on Crop Pests (WCCP) from 2015 to 2024. We concluded that flea beetles, grasshoppers, cutworms, and lygus bugs were the dominant pests and along with other pests they cost Prairie farmers around 204 million dollars in an average year. We suggest that future standardization of the qualitative pest reports can improve estimates of economic impacts and allow stakeholders to prioritize research funding. Furthermore, we provide an extensive commentary and review of the potential use of artificial intelligence and machine learning to aid us in developing future predictive models to refine tools to improve the accuracy of control decisions. We conclude that to aid in this endeavour, Canada needs to maintain a curated long-term data repository to capture and integrate multiple data on biotic stressors, climate, abiotic conditions, and agronomic practices across the Prairies.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».