<b>Tar Spot of Corn: Recent Insights and an Interpretable Weather–Imagery Pipeline for Disease Prediction</b>
Notice bibliographique
Résumé
Tar spot of corn, caused by <i>Phyllachora maydis </i>(Maubl.), is characterized by black, tar-like lesions. The pathogen can reduce photosynthetic capacity, causing premature senescence and yield losses. After a decade in the U.S., <i>P. maydis</i> has resulted in an estimated loss of 937,000 bushels of corn in the U.S. and Canada. Now five years since the first review of tar spot, our understanding of this pathogen has substantially increased. Herein, the first section is a review of the recent advancements in knowledge of pathogen biology, inoculation protocols, modeling, and disease management, addressing ongoing challenges in tar spot dynamics. In the second section, an experimental pipeline comparing logistic regression and neural networks for interpretable tar spot prediction was explored. Current single-source models might fail to capture the full range of pathosystem variability, potentially leading to error biases and inaccurate predictions. Accordingly, we explored an innovative approach using multi-source data (weather and vegetation indices) to predict 1% tar spot severity at the ear leaf using neural networks (NN) and logistic regression (LR) models. Experiments conducted in Indiana (2021-2022) gathered 791 disease observations, 52 variables from multispectral images, and 90 weather station variables. Five modeling experiments were evaluated using different data sources, feature selection methods, and model performance. We used SHapley Additive exPlanations (SHAP) to enhance NN interpretability. Results showed NNs models outperformed LR in accuracy and specificity, particularly with vegetation indices (94.4% accuracy). LR models demonstrated higher sensitivity (96.1%) with weather data, suggesting strong prediction of tar spot at 1%. While data fusion showed inconsistent performance improvements, SHAP analysis and logistic regression pinpointed the minimum temperature during the night and relative humidity during the day, as well the standard deviation of Renormalized Difference Vegetation Index (RDVI) and Triangular Vegetation Index (TVI) as critical predictors. Future research should expand datasets across multiple locations, refine predictive thresholds, standardize disease assessment methods, and further integrate remote sensing technologies to enhance practical disease management applications to safeguard corn productivity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».