MétaCan
Menu
Retour à la cohorte
Enregistrement W2297574389 · doi:10.5539/jfr.v5n2p23

Effect of Calcium Chloride and Hydrocooling on Postharvest Quality of Selected Vegetables

2016· article· en· W2297574389 sur OpenAlexvenueno aff
Joyce Chepngeno, Willis Owino, John Kinyuru, N. Nenguwo

Notice bibliographique

RevueJournal of Food Research · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePostharvest Quality and Shelf Life Management
Établissements canadiensnon disponible
Organismes subventionnairesNational Commission for Science, Technology and Innovation
Mots-clésPostharvestTitratable acidChemistryCalciumRelative humidityHorticultureChlorideAnimal scienceFood scienceBiology

Résumé

récupéré en direct d'OpenAlex

Precooling and postharvest application of calcium chloride (CaCl2) on produce has positive effects in maintaining the produce quality during storage. However, there is variation in the response of the produce to different CaCl2 concentrations. As a result, there is need to establish optimal concentrations of calcium chloride that can extend postharvest life of targeted produce. Fresh good quality produce (tomatoes, carrots, courgettes and African eggplants) of uniform size and maturity were harvested and sampled into four portions. One was a control, hydrocooled with water only at 2±1 0C and the others were hydrocooled with water containing CaCl2 at 0.5%, 1.0% and 1.5%. After hydrocooling, tomatoes, African eggplants and courgettes were stored at 10 0C, while carrots were stored at 7 0C, all at 95% constant relative humidity, and sampled every two days for quality assessment. Weight loss, chilling injury, vitamin c and beta-carotene loss were reduced by application of calcium chloride. Titratable acidity decrease and increase in total soluble solids and specific sugars was also slowed by application of CaCl2.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,125
Tête enseignante GPT0,385
Écart entre enseignants0,260 · 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 source (Gemma direct ou Codex distillé), 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

Citations30
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetPostharvest Quality and Shelf Life ManagementTravaux en français237 207