Foliar and berry hyperspectral reflectance predicts winegrape berry composition across developmental stages and varieties
Notice bibliographique
Résumé
Abstract Grapevine berry chemistry varies across varieties and developmental stages and is sensitive to environmental conditions. Efforts have sought to leverage proximal remote sensing data to exploit potential covariation of foliar traits and berry composition to enable nondestructive and scalable methods for assessing berry chemistry. Traditionally, simple vegetation indices have been used based on the assumption of a relationship between foliar coverage and berry yield and composition. However, indices assessing foliar coverage, chlorophyll content, and biomass may not be sensitive enough to track subtle variations of berry chemistry across winegrape varieties and developmental stages. Thus, in this study, we seek to leverage full‐range hyperspectral data (400–2500 nm) and a partial least squares regression (PLSR) model for assessing traditional metrics of berry composition. The benefit of PLSR models for analysis of hyperspectral data is that they can integrate subtle physiological and structural changes in plant reflectance to optimize a model. In this study, we measured leaf and berry spectra and berry composition (Brix, tartaric acid, and pH) across 23 winegrape varieties and developmental stages across 2 years from June to September in a common garden in Davis, California. Our results show that both foliar and berry hyperspectral PLSR models can be used to predict berry composition across phenological stages. This suggests that proximal remote sensing of foliage has the potential to enable rapid and nondestructive monitoring of berry developmental stages to aid in management decision‐making and harvest timing.
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 | 0,001 | 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 ».