Companion Crops as Catalysts for Sustainable Cover Cropping in Vineyards—A Critical Review and Research Agenda
Notice bibliographique
Résumé
Vineyard cover crops deliver well-documented ecosystem services, yet consistent establishment, especially of perennial grasses and legumes, remains a primary barrier to adoption. This review reframes “companion (nurse) cropping” not as a new crop class but as a facilitative establishment strategy within the broader cover-/service-crop literature. We (i) position our contribution relative to recent syntheses, (ii) synthesize evidence on companion crops practices that reduce cover cropping early failure risk, and (iii) propose a testable research agenda. A focused scoping review of peer-reviewed and extension literature indexed in Web of Science and Google Scholar was conducted using search terms encompassing cover/service crops and nurse/companion/facilitation in viticulture systems. Across climates, fast-establishing cereals (Avena sativa, Hordeum vulgare, Secale cereale, × Triticosecale Wittmack) and short-cycle legumes (Vicia sativa, Pisum sativum, Trifolium incarnatum) can reliably “nurse” slower perennials and legumes by providing early groundcover, weeds control, and microclimate buffering when sown at reduced rates (≈25–50% of monoculture) and terminated on time to limit vine competition. Evidence gaps persist for in-row applications, water-use penalties under drought, and long-term effects on yield and grape composition. Companion cropping is argued to be a design principle in vineyard cover-crop programs rather than a separate category. A decision framework and research agenda are presented to quantify establishment reliability, resource trade-offs, and wine-relevant outcomes, and it is recommended that future decision tools make the companion-phase logic explicit to de-risk adoption and align with regional guidelines.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».