Advanced Strategies for Mitigating Postharvest Deterioration in Soft Fruits
Notice bibliographique
Résumé
Preventing disease incidence in soft fruit post-harvest presents a substantial challenge. This study examines traditional methods and emerging technologies employed to address this issue. Conventional approaches typically regulate fruit ripening and pathogen proliferation through low-temperature storage and modified atmosphere techniques. Various methodologies such as irradiation, brief heat treatments, and chemical applications (e.g., calcium, 1-Methylcyclopropene, nitric oxide). Physical methods like heat treatments and irradiation promise to extend soft fruit's shelf-life. Biological control and treatments that stimulate the fruit's innate responses exhibit potential, particularly considering fungicide restrictions. Before commercial implementation, it is crucial to comprehend the diverse facets of these techniques. Progress in plant metabolic engineering may diminish fruit susceptibility to diseases. Swift cooling and low-temperature storage (at 0°C with 90-95% relative humidity) are indispensable for preserving soft fruit and necessitate integrated pre-harvest and post-harvest strategies. While emerging technologies may complement low-temperature storage and modified atmospheres, evaluating their feasibility and constraints on a commercial scale is imperative. Testing novel techniques under low-temperature conditions is essential for exploring alternatives that enhance existing methods. Further research is warranted to elucidate fruit-pathogen interactions, encompassing factors of pathogen virulence and the regulation of natural fruit-defense strategies. This information would be invaluable for the identification of candidate genes for breeding, the development of biotechnological approaches, and the establishment of consistent and efficacious methods rooted in the activation of the fruit's innate defense system.
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 | 0,005 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».