Building a more predictive model of terroir for the Anthropocene
Notice bibliographique
Résumé
Societal Impact Statement Climate change and shifts in management have produced a new world of challenges for most winegrape growers, including increasing sugar levels and altered pest and weather regimes. This new world has elevated the importance of exploiting the genetic diversity of winegrapes and wild Vitis relatives. Here, we argue that how well we exploit genetic diversity will depend on our understanding of “terroir,” especially how the environment interacts with different cultivars (varieties). Addressing this challenge could revolutionize grape growing but will require researchers and growers to work together on new approaches to collect and synthesize data. Summary Anthropogenic climate change has produced a new world of challenges for many wild species and crops, including shifted ranges and phenology, alongside altered pest and weather regimes. These impacts are especially apparent in winegrapes, which has elevated the importance of exploiting the genetic diversity of the crop and its wild relatives. Here, we argue that how well growers can exploit this diversity will depend on our understanding of “terroir,” especially how the environment interacts with different genotypes (varieties). We argue that a globally predictive framework for winegrowing is possible but requires greater efforts to integrate the genetic diversity of vinifera and other Vitis species. This includes distributed approaches and efforts to synthesize data, especially across rootstock scion experiments, which currently focus on one site alone. The opportunity and need for this transition, however, has never been greater, as climate change means the climate of each region is shifting over time—often towards the climate of another region, making the need to build a predictive framework that works across regions increasingly urgent.
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 ».