MétaCan
Menu
Retour à la cohorte
Enregistrement W2788926253 · doi:10.21273/horttech03872-17

Blueberry Producers’ Attitudes toward Harvest Mechanization for Fresh Market

2018· article· en· W2788926253 sur OpenAlexaboutno aff
R. Karina Gallardo, Eric T. Stafne, Lisa W. DeVetter, Qi Zhang, Charlie Li, Fumiomi Takeda, Jeffrey Williamson, Wei Qiang Yang, W.O. Cline, R. H. Allen

Notice bibliographique

RevueHortTechnology · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBerry genetics and cultivation research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMechanizationEconomic shortageBusinessLimitingQuality (philosophy)PostharvestAgricultural scienceCommodityAgricultureAgricultural economicsHorticultureEngineeringEconomicsGeographyEnvironmental scienceBiology

Résumé

récupéré en direct d'OpenAlex

The availability and cost of agricultural labor is constraining the specialty crop industry throughout the United States. Most soft fruits destined for the fresh market are fragile and are usually hand harvested to maintain optimal quality and postharvest longevity. However, because of labor shortages, machine harvest options are being explored out of necessity. A survey on machine harvest of blueberries ( Vaccinium sp.) for fresh market was conducted in 2015 and 2016 in seven U.S. states and one Canadian province. Survey respondents totaled 223 blueberry producers of various production sizes and scope. A majority (61%) indicated that their berries were destined for fresh markets with 33% machine harvested for this purpose. Eighty percent said that they thought fruit quality was the limiting factor for machine-harvested blueberries destined for fresh markets. Many producers had used mechanized harvesters, but their experience varied greatly. Just less than half (47%) used mechanical harvesters for fewer than 5 years. Most respondents indicated that labor was a primary concern, as well as competing markets and weather. New technologies that reduce harvesting constraints, such as improvements to harvest machinery and packing lines, were of interest to most respondents. Forty-five percent stated they would be interested in using a modified harvest-aid platform with handheld shaking devices if it is viable (i.e., fruit quality and picking efficiency is maintained and the practice is cost effective). Overall, the survey showed that blueberry producers have great concerns with labor costs and availability and are open to exploring mechanization as a way to mitigate the need for hand-harvest labor.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,042
Tête enseignante GPT0,275
Écart entre enseignants0,233 · 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'étudeObservationnel
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

Citations43
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHortTechnologyMême sujetBerry genetics and cultivation researchTravaux en français237 207