Integrating Soil, Leaf, Fruitlet, and Fruit Nutrients, Along with Fruit Quality, to Predict Post-Storage Quality of Staccato Sweet Cherries
Notice bibliographique
Résumé
Predicting the post-storage quality of cherry fruits is crucial for determining their suitability for long-distance shipping or domestic distribution. This study aimed to forecast key quality attributes of Staccato sweet cherries after storage, simulating shipping conditions, by analyzing spring soil, leaf, fruitlet, and at-harvest data from thirty orchards in the Okanagan Valley, British Columbia, Canada, over two years. A support vector machine (SVM) was used to predict post-storage variables, with pre-harvest and at-harvest data selected by a genetic algorithm. The SVM accurately predicted soluble solids (R2 = 0.88), firmness (R2 = 0.83), and acidity (R2 = 0.79) after four weeks of storage, as well as visual disorders like slip skin and stem browning. Spring soil properties (Ca, Mg), leaf (N, Ca, Mg, Fe, Zn, B), and fruitlet data (N, Ca, Mg, B) were key predictors. Leaf Ca was vital for firmness and total soluble solids (TSS) prediction, while N in leaves and fruitlets influenced firmness, acidity, and disorders. Leaf Zn helped predict weight and acidity/TSS ratio, and Mg impacted fruit color. Pre-harvest leaf nutrition measured 3–4 weeks before harvest, proved most effective in predicting post-storage 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».