Impact of Cluster Thinning on Wine Grape Yield and Fruit Composition: A Review and Meta-Analysis
Notice bibliographique
Résumé
For wine grape producers, achieving an optimal balance between vegetative and reproductive growth is a key factor in producing high quality fruit and meeting production quotas. This balance is often measured as the leaf-area-to-yield ratio. To increase this ratio, producers often use “cluster thinning” (CT), a management practice involving a selective removal of grape clusters from vines. Despite this, no consensus has been established regarding the optimal CT timing and severity for consistently improving fruit composition. The objective of this work was to identify whether CT “timing” (bloom, pea-size, lag phase, and veraison) or “severity” (15–35%, 36–55%, and 56–75%) influences yield and fruit composition. To achieve this objective, a meta-analysis of 160 publications on CT in grape was reduced to 78 studies via 10 data curation steps. We reported the influence of CT timing and severity on yield and fruit composition, as well as their impact on the yield-fruit composition tradeoff. First, CT timing showed little influence on fruit composition, which provides producers with greater flexibility when using this practice. Second, CT severity was impactful on improving fruit composition (TSS and pH); only the moderate range (36–55%) was effective. In conclusion, wine grape composition is more influenced by CT severity than timing. This work has important implications for grape producers and their approach to improving grape composition.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».