Influence of foliage management on lyra for «high quality» wines production for Cabernet-Sauvignon variety: enological aspects (I note)
Notice bibliographique
Résumé
Cabernet-Sauvignon is an important red berry cultivar, which provides in Latium good quality results even if grown using training systems and planting models which are notably different among themselves . To give a concrete contribution to the qualitative improvement of « Cabernet-Sauvignon », considering other viticultural research exposed in other works, we thought it was opportune to deepen the repercussion of foliage management. Among many models of training systems that we have taken into consideration over years of experimentation, the LYRA order 300 cm x 50 cm has given the better results regarding oenochemical, sensorial and economical quality of wines. For this reason we have considered the implications of different foliage management systems on this model, drawing the following indications: a) The training system which has shown the best results was LYRA order 300 cm x 50 cm for «Cabernet-Sauvignon» variety, even with different foliage management. b) The best analytical results are achieved by LYRA « Managed Volume » foliage, especially concerning the chromatic component. c) The sensorial analysis confirms the excellence of this treatment. d) The better «economic quality» is achieved to LYRA « Managed Volume » foliage; in fact the consumers have attributed the highest «intrinsic value» to the corresponding wine. e) In conclu,es must be checked in the next vintages.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».