Impacts of Pre-bloom Leaf Removal on Wine Grape Production and Quality Parameters: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
L.) is the most widely cultivated fruit crop in the world. However, the climactic characteristics in some growing regions are suboptimal for grape production, including short season length and excess precipitation. Grape growers can utilize an array of methods to mitigate these issues, including "early leaf removal," a management practice involving the removal of leaves from selected basal nodes along shoots around bloom. This meta-analysis reviews the extensive literature on this practice, with specific regards to application at "pre-bloom" (PB). One hundred seventy-five publications on the topic of "early leaf removal" were identified using key terms and subsequently narrowed via eight data curation steps. The comparison between treated (PB) and control plants in these studies revealed two important results. First, PB lowered bunch rot disease (-61%), partially through reducing the compactness of clusters. Second, PB promoted a significant increase in fruit total soluble solids (°Brix, +5.2%), which was related to the increase in the leaf-to-fruit ratio. Furthermore, cultivar and rootstock were found to have a large influence on the success of PB, while the contribution of climate was smaller. In conclusion, PB significantly lowers yield and bunch rot disease and increases °Brix, both of which improve grape and wine quality.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,014 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».