Spatial distribution and identification of potential risk regions to rice blast disease in different rice ecosystems of Karnataka
Notice bibliographique
Résumé
Rice is a globally important crop and highly vulnerable to rice blast disease (RBD). We studied the spatial distribution of RBD by considering the 2-year exploratory data from 120 sampling sites over varied rice ecosystems of Karnataka, India. Point pattern and surface interpolation analyses were performed to identify the spatial distribution of RBD. The spatial clusters of RBD were generated by spatial autocorrelation and Ripley's K function. Further, inverse distance weighting (IDW), ordinary kriging (OK), and indicator kriging (IK) approaches were utilized to generate spatial maps by predicting the values at unvisited locations using neighboring observations. Hierarchical cluster analysis using the average linkage method identified two main clusters of RBD severity. From the Local Moran's I, most of the districts were clustered together (at I > 0), except the coastal and interior districts (at I < 0). Positive spatial dependency was observed in the Coastal, Hilly, Bhadra, and Upper Krishna Project ecosystems (p > 0.05), while Tungabhadra and Kaveri ecosystem districts were clustered together at p < 0.05. From the kriging, Hilly ecosystem, middle and southern parts of Karnataka were found vulnerable to RBD. This is the first intensive study in India on understanding the spatial distribution of RBD using geostatistical approaches, and the findings from this study help in setting up ecosystem-specific management strategies against RBD.
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) | 0,000 | 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 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 ».