MétaCan
Menu
Retour à la cohorte
Enregistrement W2732785732 · doi:10.1021/acs.jafc.7b01466

Grape Metabolic Response to Postveraison Water Deficit Is Affected by Interseason Weather Variability

2017· article· en· W2732785732 sur OpenAlexaff
José Herrera, Uri Hochberg, Asfaw Degu, Paolo Sabbatini, Naftali Lazarovitch, Simone D. Castellarin, Aaron Fait, Giorgio Alberti, E. Peterlunger

Notice bibliographique

RevueJournal of Agricultural and Food Chemistry · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueHorticultural and Viticultural Research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesMinistry of EconomyMinistero degli Affari Esteri e della Cooperazione Internazionale
Mots-clésVeraisonBerryWater stressWineGrowing seasonHorticultureEnvironmental scienceComposition (language)ChemistryBotanyBiologyFood science

Résumé

récupéré en direct d'OpenAlex

Postveraison water deficit is a common strategy implemented to improve fruit composition in many wine-growing regions. However, contrasting results are often reported on fruit size and composition, a challenge for generalizing the positive impact of this technique. Our research investigated the effect of water deficit (WD) imposed at veraison on Merlot grapevines, during two experimental seasons (2014-2015). In both years WD resulted in reduced carbon assimilation rates and leaf shedding. However, the treatment effect on the analyzed berry parameters varied between seasons. Modification of skin metabolites was more evident in 2015 than in 2014, despite the similar soil water content and water stress physiological parameters (gas exchange, water potential) recorded in the two experimental years. Higher solar radiation and air temperature in 2015 than in 2014 hint for the involvement of atmospheric parameters in fulfilling the potential effect of WD. Our results suggest that the interaction between water availability and weather conditions plays a crucial role in modulating the grape berry composition.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,435
Score d'incertitude au seuil0,514

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,015
Tête enseignante GPT0,246
Écart entre enseignants0,231 · 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

Citations37
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural and Food ChemistryMême sujetHorticultural and Viticultural ResearchTravaux en français237 207