The Use of Vinegar Vapor to Reduce Postharvest Decay of Harvested Fruit
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
Vapors of several common vinegars containing 4.2% to 6.0% (= 2.5 to 3.6 mol·L -1 ) acetic acid effectively prevented conidia of brown rot [ Monilinia fructicola (G. Wint.) Honey], gray mold ( Botrytis cinerea Pers.:Fr.) , and blue mold ( Penicillium expansum Link) from germinating and causing decay of stone fruit ( Prunus sp.), strawberries ( Fragaria × ananassa Duchesne), and apples ( Malus × domestica Borkh.), respectively. Fruit were fumigated in 12.7-L sealed containers in which vinegar was dripped on to filter paper wicks or vaporized by heating from an aluminum receptacle. Vapor from 1.0 mL of red wine vinegar (6.0% acetic acid) reduced decay by M. fructicola on `Sundrop' apricots ( Prunus armeniaca L.) from 100% to 0%. Similarly, vapor from 1.0 mL of white vinegar (5.0% acetic acid) reduced decay in strawberries by B. cinerea from 50% to 1.4%. Eight different vinegars, ranging from 4.2% to 6.0% acetic acid, of which 0.5 mL of each vinegar was heat-vaporized, reduced decay by P. expansum to 1% or less in `Jonagold' apples. The volume of heat-vaporized white vinegar (5.0% acetic acid) necessary to reduce decay by P. expansum on `Jonagold' apples to zero was 36.6 μL·L -1 of air. Increasing the number of conidia on the apple surface reduced the effectiveness of vinegar vapor. The number of lesions caused by P. expansum on `McIntosh' apple decreased exponentially with increasing time of fumigation, approaching zero after about 6 hours. These results suggest that vinegar vapor could be an effective alternative to liquid biocides such as sodium hypochlorite for sterilization of surfaces contaminated by conidia of fungal pathogens.
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 | 0,000 | 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 découle