High throughput screening of Leaf Economics traits in six wine grape varieties
Notice bibliographique
Résumé
Abstract Reflectance spectroscopy has become a powerful tool for non-destructive and high- throughput phenotyping in crops. Emerging evidence indicates that this technique allows for estimation of multiple leaf traits across large numbers of samples, while alleviating the constraints associated with traditional field- or lab-based approaches. While the ability of reflectance spectroscopy to predict leaf traits across species and ecosystems has received considerable attention, whether or not this technique can be applied to quantify within species trait variation have not been extensively explored. Employing reflectance spectroscopy to quantify intraspecific variation in functional traits is especially appealing in the field of agroecology, where it may present an approach for better understanding crop performance, fitness, and trait-based responses to managed and unmanaged environmental conditions. We tested if reflectance spectroscopy coupled with Partial Least Square Regression (PLSR) predicts rates of photosynthetic carbon assimilation ( A max ), Rubisco carboxylation ( V cmax ), electron transport ( J max ), leaf mass per area (LMA), and leaf nitrogen (N), across six wine grape ( Vitis vinifera ) varieties (Cabernet Franc, Cabernet Sauvignon, Merlot, Pinot Noir, Viognier, Sauvignon Blanc). Our PLSR models showed strong capability in predicting intraspecific trait variation, explaining 55%, 58%, 62%, and 64% of the variation in observed J max , V cmax , leaf N, and LMA values, respectively. However, predictions of A max were less strong, with reflectance spectra explaining only 29% of the variation in this trait. Our results indicate that trait variation within species and crops is less well-predicted by reflectance spectroscopy, than trait variation that exists among species. However, our results indicate that reflectance spectroscopy still presents a viable technique for quantifying trait variation and plant responses to environmental change in agroecosystems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».