Effects of Potassium Application on Flavor Compounds of Cherry Tomato Fruits
Notice bibliographique
Résumé
A pot experiment was conducted to determine the effects of potassium (K) application on volatile compounds, taste compounds, and firmness of fresh tomato fruits. Each pot was filled with 8 kg of clean sand. The experiment consisted of six K application rates with 0, 1.25, 2.5, 5.0, 10.0, and 20.0 mmol K L−1 in the nutrient solution. Volatile compounds, soluble sugars, soluble solids, titratable acidity, and firmness of fresh tomato fruits were measured. The results show that the concentrations of 3-methylbutanal, 1-penten-3-one, hexanal, cis-3-hexenal, 2-methyl-4-pentenal, trans-2-hexenal, 2E-4E-hexadienal, 6-methyl-5-hepten-2-one, phenylacetaldehyde, phenylethanol, soluble sugars, and soluble solids tended to increase at first and then decrease between 0 to 10.0 mmol K L−1. K application rate obtaining the highest values of the concentrations ranged from 1.4 to 3.0 mmol K L−1, with the exception of cis-3-hexenal (1.1 mmol K L−1), phenylacetaldehyde (4.5 mmol K L−1), and phenylethanol (4.8 mmol K L−1). By contrast, increasing K supply increased the concentration of titratable acidity, decreased the ratios of soluble sugars to titratable acidity and soluble solids to titratable acidity. Close correlations were observed between the concentrations of various volatile compounds, soluble sugars, and soluble solids. Based on contributions of these compounds to tomato flavor, we assume that moderate K supply (1.4–3.0 mmol K L−1) improves tomato flavor, whereas tomato fruits with either no K or high K fertilization have poor flavor due to having undesirable levels of flavor compounds.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».