Applied <scp>GA<sub>5</sub></scp>, <scp>GA<sub>4</sub>,</scp> and <scp>GA<sub>4/7</sub></scp> increase berry number per bunch, yield, and grape quality for winemaking in <scp><i>Vitis vinifera</i> L. cv. Malbec</scp>
Notice bibliographique
Résumé
Abstract BACKGROUND The gibberellins (GAs) GA 5 (inhibitor of GA 3 ‐oxidase), GA 4 (biologically active), GA 4/7 (commercially available mixture of Ga 4 and GA 7 ) prohexadione‐calcium (ProCa, inhibitor of dioxygenases that render GAs bioactive, negative control), and GA 3 (positive control) were applied to bunches of Vitis vinifera cv. Malbec. Different techniques, doses, and timings were used in a 3‐year field experiment. In year 1, GA 5 , ProCa, and GA 3 were applied at 35, 20, and 0 days before veraison (DBV) by dipping bunches three times. In year 2, single applications of GA 5 and GA 3 , also by immersion, were tested at 60, 45, and 30 DBV. In year 3, applications at 60 and 30 DBV of GA 5 , GA 4 , and a mixture of GA 4/7 were evaluated by dipping or spraying the bunches. RESULTS Vegetative growth, berry weight, and sugar content were unaffected by treatments. ProCa did not affect the yield with respect to water control, although it reduced the levels of phenolics in berry skins, an undesirable effect for winemaking. GA 5 , in the dose range 5–50 mg L −1 , raised berry numbers, thereby augmenting bunch weight and skin phenolics at harvest, so increasing berry quality for winemaking. GA 4 and GA 4/7 produced similar benefits to GA 5 , with similar doses. CONCLUSION The applications of GA 5 , GA 4 , and GA 4/7 to developing grape berry bunches, in a range of concentrations and by dipping or spraying, increased berry numbers per bunch at harvest. The method can be used as a viticultural practice to improve the production and quality of wine grapes. © 2021 Society of Chemical Industry.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».