Developing risk models to mitigate Fusarium Head Blight in western Canadian cereal production
Notice bibliographique
Résumé
Producers in western Canada can mitigate the risk of Fusarium Head Blight (FHB) infection and damage to their cereal crops by growing resistant varieties and applying fungicides during critical flowering period. However, fungicide application should not be based only on conventional calendar since FHB occurrence and severity are sporadic and primarily influenced by weather conditions. Weather-based decision-making tools can improve FHB management while also providing significant financial and environmental benefits. Several models have been developed worldwide, with some predicting Fusarium damaged kernels (FDK) or deoxynivalenol (DON) indirectly based on visual estimates of FHB incidence/severity/index (FHBi). This study analyzed FHB over two growing seasons and revealed no significant correlation between FHBi and FDK and FHBi and DON in all crop types except durum. However, the correlation between FDK and DON was significant across all crop types; though, it varied between the two years. Weather-based risk models were developed for predicting FHBi, FDK, and DON in spring wheat, winter wheat, barley, and durum across three Canadian prairie provinces. The number of models developed ranged from 5 to 9 for each disease indicator and crop type, but only two best models for each disease indicator and crop type were further evaluated. The prediction accuracy of the selected models ranged between 75 and 81, 77 and 84, 78 and 79% for FHBi, FDK, and DON, respectively, across crop types. The selected models were validated using producer field data collected in western Canada. The prediction accuracy of the models across crop types ranged between 70 and 100, 66 and 89, 75 and 82% for FHBi, FDK, and DON, respectively. The accuracy of models was greatest when the distance between the fields and nearest weather stations was <40 km. Additionally, this study validated FHBi models currently used in western Canada, which were originally developed in the USA. Although the De Wolf I model predicted winter wheat FHBi with high accuracy (80%), it predicted spring wheat with low accuracy (59%). The models will be used to power an interactive, online digital viewer and provide early warning of potential FHBi, FDK, and DON epidemics in prairie cereal crops.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».