Managing Grapevine Trunk Diseases in California’s Southern San Joaquin Valley
Notice bibliographique
Résumé
Most California vineyards are eventually attacked by one or more grapevine trunk diseases (Esca or Botryosphaeria-, Eutypa- and Phomopsis diebacks). These fungal pathogens cause chronic infections of the wood, which are slow to develop. The symptoms that follow can take years to become obvious. Prevention is an efficient approach, but requires adoption before symptoms appear. To encourage early adoption of preventative practices, economic analyses simulated their benefits in the table grape cultivar Crimson Seedless. Adoption of delayed pruning or pruning-wound protectants was compared in a young, healthy vineyard (years 3 and 5) versus in a mature, diseased vineyard (year 10). A survey of table and raisin grape growers in California’s southern San Joaquin Valley revealed their usage and perceptions of preventative practices. Also, to help growers with mature vineyards, the economic benefits of vine surgery (also referred to as “trunk renewal”) between years 11 and 15 were examined. Our economic simulations showed prevention is cost-effective, if adopted in young vineyards. However, in spite of acknowledging the impact of trunk diseases, only 25 to 30% of growers use preventative practices, and only half of such growers adopt in young vineyards. Further, growers who use prevention and adopt early also perceive preventative practices as more cost-effective. Therefore, an outreach strategy to convince non-adopters must emphasize the long-term economic benefits of early adoption of preventative practices, given the inevitable appearance of symptoms at vineyard maturity. Despite the high one-time cost of vine surgery, our economic analyses suggest its adoption is a cost-effective complement to prevention, and thus, it should be integrated into management recommendations for table grape vineyards at 11 to 15 yrs.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».