MétaCan
Menu
Retour à la cohorte
Enregistrement W2148112528 · doi:10.5539/jas.v5n8p216

Crop Load and Time of Thinning Interact to Affect Fruit Quality in Sweet Cherry

2013· article· en· W2148112528 sur OpenAlexvenueno aff
SA Bound, Dugald C. Close, Audrey G. Quentin, P.F. Measham, Matthew D. Whiting

Notice bibliographique

RevueJournal of Agricultural Science · 2013
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant Physiology and Cultivation Studies
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of TasmaniaAustralian GovernmentWashington Tree Fruit Research Commission
Mots-clésThinningFleshCropHorticultureDormancyPrunusBudBiologyBotanyAgronomy

Résumé

récupéré en direct d'OpenAlex

Balanced crop load is key to the production of export-quality cherries. We investigated the level and timing of crop load regulation on fruit quality. Additionally we sought to investigate possible correlation between firmness estimated by compression test or flesh penetrability. Fruit diameter was similar between 1 and 2 bud/spur treatments but was significantly lower in the 4 bud/spur treatment at all thinning times in ‘Van’ in the 2010/11 season. In contrast ‘Sweetheart’ fruit diameter was only decreased at 6 and 8 WAFB in the 4 bud/spur treatment in 2010/11. This decrease in ‘Sweetheart’ was associated with significantly higher soluble solids and starch reserves in leaves, stem, trunk and roots 2-weeks post-harvest in trees thinned at dormancy, relative to trees thinned 8 WAFB. Fruit flesh firmness significantly increased with decreased crop load irrespective of time of thinning in ‘Van’ in 2010/11. In contrast flesh firmness was significantly higher in the 1 bud/spur treatment and similar between other treatments in ‘Sweetheart’ in 2010/11. In 2011/12 flesh firmness, soluble solids and colour significantly increased whilst fruit weight and TA significantly decreased 28 days post-harvest relative to at-harvest values. We found strong correlation between values obtained with the FirmTech II and the Guss fruit texture analyser. Sweet cherry fruit quality is optimised through attaining crop load of approximately 10 fruit per cm2 of limb cross-sectional area through thinning at dormancy or full bloom.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil0,115

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,277
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetPlant Physiology and Cultivation StudiesTravaux en français237 207