Pathogen and pest communities in agroecosystems across climate gradients: Anticipating future challenges in the highland tropics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
CONTEXT Tropical agricultural systems must respond to current and future pathogen and pest communities. An important research gap is how climate change may shift the geographic distribution of tropical pathogens and pests. OBJECTIVE We evaluated the geographic risk of 27 pathogens and pests in four food security crops (banana, cassava, potato, and sweetpotato) in the Great Lakes region of Africa, and potential future risk under climate change. We analyzed model performance for each pathogen and pest, assessing the potential for changes in geographic distribution, and for decision support systems to facilitate management. METHODS Cropland connectivity analysis identified locations likely important in the spread of crop-specific pathogens and pests. We surveyed the 27 economically important pathogens and pests in Rwanda and Burundi, mapping the distribution of each across climate gradients and quantifying associations. We used machine learning to model each species as a function of environmental variables, including host landscape. We also evaluated future temperatures across altitudes under climate change scenarios. RESULTS AND CONCLUSIONS Among ten algorithms evaluated, random forests and support vector machines generally performed best for predicting severity or infestation. Host landscape variables were useful predictors for some species. Based on climate matching, 44 % of the pathogens and pests could become more common with warmer temperatures at higher altitudes, while 17 % may become less common. SIGNIFICANCE These findings indicate how crop health in the region requires adaptation to multiple sustainability challenges. The results also indicate which pathogen and pest species have the potential for development of decision support models.
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle