Models for Estimating the Cold Hardiness of Sweet Cherry (Prunus avium cv. Sweetheart and Lapins) in Cold Climate Regions
Notice bibliographique
Résumé
Plant cold hardiness is a dynamic process, and seasonal changes occur through cold acclimation and deacclimation to help prevent lethal injury from the cold. Cold weather injury resulting from inadequate plant cold hardiness can result in significant economic losses to growers of perennial crops in temperate climates. The objective of the current study was to develop models that estimate the lethal temperature that causes 10%, 50%, and 90% mortality (LT10, LT50, LT90) to two cultivars of sweet cherry ( Prunus avium ) flower buds from the early fall through to spring. We parameterized regression models using lethal temperature data collected in the Okanagan Valley, British Columbia, Canada, over six seasons (2013–17, 2019–20, 2021–22) for ‘Sweetheart’ sweet cherry and three seasons (2013–15, 2016–17) for ‘Lapins’ sweet cherry. These models incorporate parameters that are based on equations that describe chill and heat accumulation that rely on measures of hourly air temperature. Model evaluation and validation using several seasons of lethal temperature data not included in model development were completed. Models for estimating the cold hardiness of sweet cherry showed good agreement between model lethal temperature predictions and observed values for both sweet cherry cultivars. In addition, an open-access, interactive, web-based application was developed to access the outputs of these models in real time for use by growers, researchers, and extension workers. These current models of sweet cherry cold hardiness have potential application for use as a decision support tool for cold damage management as well as crop site suitability modeling.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».