Recomendaciones de gestión adaptativa de truferas al cambio climático
Bibliographic record
Abstract
La trufa negra (Tuber melanosporum Vittad.) es un hongo ascomiceto cuyo ascocarpo o cuerpo fructífero se desarrolla bajo tierra. La recolección de este producto se concentra en países con clima mediterráneo, donde crece tanto en truferas silvestres como en plantaciones gestionadas; siendo España, Francia e Italia los mayores productores de T. melanosporum a nivel mundial (Oliach et al., 2021). En estas zonas de producción, suele encontrarse sobre sustratos calizos, con una cierta pedregosidad y una estructura granular que favorece la aeración del suelo, a la vez que permite una capacidad de retención de humedad necesaria para el desarrollo del hongo (Jaillard et al., 2016). Además, la trufa negra muestra preferencia por unas condiciones climáticas suaves y una estacionalidad marcada, aunque estas estimaciones pueden variar en base a factores locales (e.g., edafología) y al tipo de gestión aplicada (Thomas, 2014). Pese a los conocimientos adquiridos en la última década acerca del efecto de las prácticas culturales en el desarrollo de T. melanosporum en plantaciones, su complejo ciclo vital, que se desarrolla desde mayo a marzo y que sigue teniendo algunas incógnitas (Le Tacon et al., 2016), junto a la dependencia de la climatología anual (Büntgen et al., 2019), sigue dificultando la obtención de producciones anuales elevadas y con buena calidad de forma sostenida en el tiempo. Adicionalmente, las tendencias proyectadas por los modelos climáticos que describen un incremento de las temperaturas promedio y un posible descenso de la precipitación total registrada en la cuenca mediterránea hasta el final del siglo XXI (Cramer et al., 2018), ponen en riesgo la producción de la trufa negra en el sur de Europa (Čejka et al., 2022; Thomas & Büntgen, 2019). En este contexto de sequía progresiva y escasez de agua, es necesario fomentar la investigación para la optimización de las técnicas de gestión en el cultivo de la trufa negra (e.g., riego, acolchados y podas), con la intención de incrementar de forma sostenible la disponibilidad de agua en
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".