A Comprehensive Review on Pre- and Post-Harvest Perspectives of Potato Quality and Non-Destructive Assessment Approaches
Notice bibliographique
Résumé
Potato (Solanum tuberosum) is an important crop globally, being a starchy, energy-dense food source rich in several micronutrients and bioactive compounds. Achieving food security for everyone is highly challenging in the context of growing populations and climate change. As a highly adaptable crop, potatoes can significantly contribute to food security for vulnerable populations and have outstanding commercial relevance. Specific pre- and post-harvest parameters influence potato quality. It is vital to understand how these factors interact to shape potato quality, minimizing post-harvest losses, ensuring consumer safety, and enhancing marketability. This review highlights how pre-harvest (cultivation approaches, agronomic conditions, biotic and abiotic stresses) and post-harvest factors impact tuber’s microbial stability, physiological behaviour, nutritional, functional attributes and frying quality. Quality parameters, such as moisture content, dry matter, starch, sugar, protein, antioxidants, and color, are typically measured using both traditional and modern assessment methods. However, advanced non-destructive techniques, such as imaging and spectroscopy, enable rapid, high-throughput quality inspection from the field to storage. This review integrates recent advancements and specific findings to identify factors that contribute to substantial quality degradation or enhancement, as well as current challenges. It also examines how pre- and post-harvest factors collectively impact potato quality. It proposes future directions for quality maintenance and enhancement across the field and storage, highlighting research gaps in the pre- and post-harvest linkage.
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 | 0,001 | 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 | 0,001 |
| 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 ».