MARC

 008260126s2025        us                              c    eng  d
■001000017358468
■00520260202104706
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293825271
■035    ▼a(MiAaPQ)AAI32117358
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a635
■1001  ▼aTrivedi,  Manushi  Bhargav.▼0(orcid)0000-0001-9088-1427
■24510▼aMulti-Sensor  Approaches  for  Vineyard  Management  Practices:  From  Nutrient  Sampling  to  Cropload  Assessment
■260    ▼a[Sl]▼bCornell  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Vanden  Heuvel,  Justine.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2025.
■520    ▼aThis  thesis  presents  a  multi-faceted  approach  to  improve  grapevine  management  through  novel,  data-driven  methodologies  aimed  at  optimizing  nutrient  sampling,  quantifying  cropload  using  physiological  traits  and  tracking  in-season  cluster  closure.  A  key  focus  of  the  study  was  to  evaluate  a  new  nutrient  sampling  method-termed  "box  sampling"-  developed  using  remote  sensing  data  from  synthetic  aperture  radar  (SAR)  and  Normalized  Difference  Vegetation  Index  (NDVI)  imagery.  Compared  to  traditional  random  and  stratified  methods,  box  sampling  reduced  sampling  time  and  distance  by  up  to  75%,  while  capturing  broader  nutrient  variability  of  macro-nutrients  across  14  vineyards  in  New  York,  Washington,  and  California.  It  performed  particularly  well  for  nitrogen  (N%),  Phosphorus  (P%),  and  Magnesium  (Mg%),  but  exhibited  limitations  for  potassium  (K%)  and  calcium  (Ca%)  due  to  their  high  spatial  variability.  Despite  some  constraints,  box  sampling  offers  a  scalable,  efficient  solution  for  regional  nutrient  monitoring.Thesis  also  describes  use  of  physiological  tools  such  as  chlorophyll  fluorescence  (Fs)  and  solar-induced  fluorescence  (SIF)  to  study  the  effects  of  source-sink  relationships,  particularly  crop  load.  It  is  often  defined  as  fruit-to-leaf  area  ratio  (FTLR)  or  proxied  by  yield  to  pruning  weights  ratios  called  RAVAZ  index.  A  higher  FTLR  typically  indicates  increased  photosynthesis,  suggesting  that  space-based  SIF  proxies  could  map  in-season  FTLR variation  for  crop  quality  optimization.  Results  demonstrated  that  both  Fs  and  SIF  responded  more  strongly  and  consistently  to  FTLR  after  veraison.  While  early-season  relationships  were  weak  due  to  low  signal-to-noise  ratios  of  SIF,  post-veraison  canopy  SIF  correlated  more  reliably  with  FTLR,  pruning  weights  and  yield  than  reflectance-based  indices  like  NDVI.The  thesis  also  introduces  a  novel  computer  vision  pipeline  to  quantify  and  monitor  cluster  closure  (CC)-a  key  morphological  stage  in  grapevine  development-with  high  accuracy  (2%  error).  Using  mobile  phone  imagery  processed  through  a  Pyramid  Scene  Parsing  Network  (PSPNet)  and  Otsu's  thresholding,  the  method  effectively  captured  the  timing  and  progression  of  CC  across  three  cultivars.  The  progression  curve  revealed  an  asymptotic  trend,  enabling  the  proposal  of  a  consistent  phenological  marker  for  CC  based  on  when  this  curve  plateaus.  This  continuous  %CC  metric  lays  the  groundwork  for  better  understanding  of  disease  susceptibility,  cluster  compactness,  and  quality  control  in  viticulture.
■590    ▼aSchool  code:  0058.
■650  4▼aHorticulture
■650  4▼aGeographic  information  science
■650  4▼aRemote  sensing
■653    ▼aCluster  closure
■653    ▼aCropload
■653    ▼aSolar  induced  fluorescence
■653    ▼aSpatial  sampling
■653    ▼aViticulture
■690    ▼a0471
■690    ▼a0370
■690    ▼a0799
■71020▼aCornell  University▼bHorticulture.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358468▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books