La importancia de predecir el rendimiento del viñedo de

La importancia de
predecir el rendimiento
del viñedo de manera
sencilla. Modelo práctico
M. DE LA FUENTE1, R. LINARES1, P. BAEZA2, C. MIRANDA3, J.R. LISSARRAGUE2
(1) Departamento de Producción Agraria – Viticulture Research Group, Universidad Politécnica de Madrid, E.T.S.I.
Agrónomica, Alimentaria y Biosistemas, Madrid.
(2) CEIGRAM – Centro de Estudios e Investigación para la Gestión de Riesgos Agrarios y Medioambientales, Madrid.
(3) Departamento de Producción Agraria, Universidad Pública de Navarra, Campus de Arrosadia, Pamplona, Navarra.
16
Enoviticultura nº 38 • enero | febrero 2016
PRODUCCIÓN
RESUMEN
Predecir rendimientos con certeza y en un momento temprano en campaña es importante
pues permite hacer ajustes de carga (aclareo de
racimos), los cuales proporcionan una madurez
y mayor calidad de la baya, así como optimizar
la gestión de los recursos en bodega.
El presente trabajo compara modelos de predicción de rendimientos para determinar cuál
proporciona los mejores resultados en términos de fiabilidad, precisión y precocidad durante la campaña. Por lo tanto, se proponen tres
modelos para la predicción de cosecha en dos
momentos del ciclo: cuajado y envero. Para ello,
se estableció un ensayo experimental durante
cuatro años (2004–2007) en un viñedo comercial de más de 700 ha (14 parcelas experimentales según diferentes variedades y patrones),
en condiciones de clima mediterráneo.
Los resultados mostraron que los modelos de envero (V1 y V2) obtuvieron las correlaciones más
altas y los errores más bajos, mientras que los
modelos de cuajado (FS) o los de meseta (LP40;
LP50 y LP60) obtuvieron o bien bajas correlaciones o bien un error mayor que los anteriores.
Palabras clave: Carga, Racimo, Baya, Viñedo,
Predicción de cosecha.
L
ABSTRACT
Foto: D.O. Alella.
The relevance of forecasting easily the grape
yield. Practical model. Predicting yields accurately and early in the grapevine growth cycle is
important since it allows adjustments of cluster
load to be made (cluster thinning), thus promoting ripening and better grape quality, as well as
optimize the resources managing in cellar.
Present work compares grape yield prediction
methods in order to determine which provide
the best results in terms of earliness of prediction in the growing season, accuracy and
precision. Therefore, three alternative models
were proposed for predicting harvest in two
different moments of vine cycle: fruitset and
veraison. For that, an experimental trial was
carried out during four years (2004–2007) in
a commercial vineyard formed on more than
700 ha (14 experimental plots were established
depending on cultivars and rootstocks), in Mediterranean conditions.
Results showed that veraison (V1 and V2) models obtained the highest correlations and the
lowest errors, while the fruitset (FS) or lag–phase
(LP40; LP50 and LP60) models obtained, either
the lowest correlation or the highest error.
Key words: Crop level, Cluster, Berry, Vineyard,
Yield prediction.
a predicción del rendimiento en el viñedo es necesaria para prevenir desajustes
de cosecha y producir así plantas equilibradas con un óptimo de cantidad de uva
cada campaña, lo que implica un conocimiento
extenso de nuestras condiciones y del viñedo, llevando implícita la sostenibilidad del viñedo a largo plazo.
En la actualidad, la predicción de cosecha es un
factor muy importante para nuestras bodegas, ya
que, si se realiza con exactitud y en un momento
temprano del ciclo de la vid, permite reajustar la
carga de racimos dejada en planta (aclareo de racimos) para conseguir una mejor maduración de la
baya. Por otro lado, también permite optimizar la
gestión de los recursos de bodega: espacio, maquinaria y necesidades de personal durante el periodo de vendimia, con suficiente antelación.
Entre otros factores, una producción sostenible
depende en gran medida de una correcta relación
entre las hojas expuestas y los racimos producidos
(Howell, 2001). Varios autores han recomendado ratios entre 15–20 cm2·g–1 (Bonnisseau y Dufourcq 2004; Dufourcq et al., 2005; Kliewer y
Dokoozlian 2005) para obtener una uva de calidad. Incluso en nuestras condiciones mediterráneas (Figura 1) este ratio es más amplio (llegando
a variar entre 10–28 cm2·g–1 cm), dependiendo de
la disponibilidad de determinados inputs o factores implicados (sol, agua, etc.). El manejo de la cubierta vegetal (canopia o canopy), la cantidad de
hojas/frutos y su relación con la exposición solar
incidente de los racimos son factores clave durante la maduración y el desarrollo de la baya en climas mediterráneos (De la Fuente et al., 2013).
Enoviticultura nº 38 • enero | febrero 2016
17
FIGURA 1. Relación entre el
índice de área foliar y el peso de
baya (cm2 • g–1) con el contenido
de azúcar en la baya (ºBrix index)
en cv. Syrah (De la Fuente, 2015).
FIGURA 2. Desarrollo del
peso de la baya entre cuajado y
cosecha para el cv. Syrah durante
los años 2004–2007 en ensayo
experimental (De la Fuente, 2015).
Manejando estos factores se puede adelantar, retrasar e incluso, intentar predecir el momento y
rendimiento de vendimia.
Sin embargo, dichas predicciones se ven afectadas frecuentemente por diversos factores tales
como: región, clima, condiciones de suelo, variedad, patrón, heterogeneidad de la plantación, dimensión, etc.). Por lo tanto, es muy común que se
registren variaciones significativas en la producción de un viñedo a lo largo de los años e, incluso,
18
Enoviticultura nº 38 • enero | febrero 2016
variaciones relevantes dentro de un mismo viñedo
o de una misa parcela entre plantas (Clingeleffer et al., 2001; Sabbatini et al., 2012), haciendo
que su rendimiento sea difícil de predecir.
Pero, fisiológica y morfológicamente ¿cómo acumula el azúcar la baya a lo largo del ciclo? En el
caso de la vid, las estructuras reproductivas presentes en una campaña se han comenzado a desarrollar en el ciclo anterior. En las yemas, durante la
primavera previa, se habrán desarrollado los pri-
PRODUCCIÓN
mordios fructíferos que darán lugar a los posteriores racimos durante un proceso llamado diferenciación, el cual se ve interrumpido por el periodo
de reposo (en invierno) y continúa en la primavera
siguiente justo antes del desborre (Howell, 2001;
May, 2004). Como se puede intuir, este proceso es
muy dependiente de las condiciones climáticas y
ambientales de ambos años, con todas las dificultades que implica para el manejo del viñedo.
Es bien sabido que el crecimiento de la baya tiene un patrón de crecimiento en tres fases bien diferenciadas según el modelo descrito por Coombe y McCarthy (2000). Dicho modelo se puede
apreciar en la Figura 2 y se explica previamente a
continuación:
– Fase I. Fase de multiplicación y división celular. Rápido proceso en el que la baya incrementa
el número de capas del hollejo y, por lo tanto, se
determina su peso y tamaño final. Las bayas están verdes y duras, las cuales acumulan principalmente ácidos orgánicos en lugar de azúcar (20–50
días).
– Fase II. Meseta. La velocidad del crecimiento de la baya se ralentiza en un corto periodo de
tiempo (10–20 días) y no realiza ninguna acumulación de azúcares o crecimiento. Al final de este
estadio, la baya cambia su color y firmeza reanudando su desarrollo, lo que significa el inicio del
envero o maduración. El xilema se bloquea al final
de esta fase.
– Fase III. Periodo de maduración (25–50
días). Los azúcares se acumulan rápidamente (vía
floema) y el tamaño de la baya se incrementa debido a su engrosamiento celular, después cesa despacio hasta una asíntota, pocos días antes de la cosecha. Algunos cultivares interrumpen el floema
al final de esta fase, provocando una mayor concentración de azúcares en la baya por deshidratación (fenómeno llamado shrinkage).
En los últimos años, se han propuesto varios
métodos para la predicción del rendimiento. Algunos están basados en métodos indirectos en
tiempo real que conllevan la colocación de células en los hilos portores (Tarara et al., 2005),
que mediante las variaciones de la tensión pueden
proporcionar indicaciones del nivel de carga en el
momento de medida. La información de la dinámica del crecimiento de baya puede ser empleada
para tomar decisiones durante el ciclo. Sin embargo, las dinámicas de crecimiento de la baya antes
de maduración pueden variar enormemente entre diferentes años, esto requiere ciertos ajustes en
cualquier ecuación empleada en la predicción del
rendimiento (Tarara et al., 2014).
Varios autores (Dobrowski et al., 2003; Dunn
y Martin, 2004; Martínez–Casasnovas y Bordes, 2005; Nuske et al., 2011; Diago et al., 2012)
han propuesto modelos para hacer predicciones
basados en imágenes digitales, aéreas o de satélites. Todos ellos han mostrado una buena capacidad predictiva, pero requieren de un determinado
coste por las imágenes y los sensores remotos empleados. Sin embargo, el rendimiento en el viñedo
se puede predecir empleando métodos más tradicionales basados en componentes de rendimiento
Enoviticultura nº 38 • enero | febrero 2016
19
Foto 1. Detalle de una parcela empleada en el ensayo para la predicción de cosecha (Foto. G.I. Viticultura–U.P.M. De la Fuente, 2009).
y datos proporcionados a lo largo de varios años
de determinadas variables como la fenología o la
climatología. Estos métodos normalmente requieren el monitoreo de un número de racimos por
planta, el número de bayas por racimo y el peso de
baya (Dunn, 2010; Sabbatini et al., 2012).
Las dos primeras variables se pueden predecir
con cierta exactitud mediante muestreo en envero. Lo antes posible y siendo en un momento
temprano. La principal fuente de variación reside en la predicción del peso de baya, la calidad de
cualquier predicción de cosecha está por lo tanto fuertemente condicionada a cómo se haga esta
medida.
El peso de baya se puede predecir de diferentes
formas, destacando dos entre las más empleadas:
– Mediante el uso de una serie histórica de datos
del peso medio de vendimia. Forma fácil y muy
comúnmente empleada (Dami, 2006; Barajas et
al., 2010) que, sin embargo, no siempre es de gran
precisión debido a que normalmente no tiene en
cuenta todas las variables que pueden afectar al
cultivo en un año determinado.
20
Enoviticultura nº 38 • enero | febrero 2016
– Aplicar un coeficiente en un momento fenológico determinado, el cual suele estar relacionado
con el peso final de la baya. Estos coeficientes pueden ser fijos o variables.
Dentro de este último método, al aplicar un coeficiente fijo, Sabbatini et al. (2012) describieron
varios métodos de predicción que estiman que durante la fase de meseta, aproximadamente la baya
alcanza el 50% del peso final (Coombe y McCarthy, 2000). Debido a ello, los viticultores pueden
predecir su cosecha mediante la simple multiplicación del número medio de racimos por el doble
del peso del racimo alcanzado en meseta. Sin embargo, hay que tener un gran conocimiento y experiencia para determinar la fase de meseta con
precisión (Esteban, 2006) y, además, no en todas
las zonas se alcanza necesariamente el 50% en el
mismo momento, de ahí el empleo de otros índices en estos modelos como el growing degree day
(GDD) o grados–día activos (Pool et al., 1993;
Bates 2008 y Sun et al., 2012). Dependiendo de
las regiones, este índice puede determinar la fase
de meseta en unos 1.000–1.200 GDD para las re-
SMR
Fotos 2 y 3. Detalle del estado del racimo en momento de floración–cuajado (izquierda) y envero (derecha) para la predicción de cosecha
(Foto. G.I. Viticultura–U.P.M. Esteban, 2006).
giones frías y entre 1.175–1.400 para regiones cálidas (Sabbatini et al., 2012).
Por otro lado, además del índice GDD se pueden emplear otras variables en la determinación
de estos coeficientes o factores de corrección del
peso de baya final (Barajas et al., 2010 y Nuske et
al., 2011) como por ejemplo: pesos medios históricos en envero o final de cosecha, tasas de cuajado
o aclareo de racimos, etc.
Estas predicciones son más precisas cuanto más
tardías se realizan en la campaña (Folwell et al.,
1994). Predecir temprano y con precisión es, por lo
tanto, muy importante en el manejo del viñedo y
bodega pero ninguno de los métodos tradicionales
antes mencionados son muy precisos y hoy en día,
pocos modelos han sido validados para el viñedo
(García de Cortázar–Atauri, 2006; Santos et
al., 2011; Cola et al., 2014; Parker et al., 2011).
Resultados y discusión
El objetivo del trabajo fue comparar los resultados de predicción de rendimiento según el grado de error y la exactitud proporcionada por seis
modelos distintos. El interés de estos métodos se
basaba en su temprana aplicación y en su sencillez
(bien únicamente mediante conteo de racimos, o
bien mediante conteo y pesada de racimos). Con
los datos de rendimiento obtenidos de cada parcela experimental, se elaboraron las ecuaciones de
predicción (regresiones) correspondientes.
La predicción se realizó en diferentes momentos
del ciclo de la baya: cuajado (modelo FS), al inicio
22
Enoviticultura nº 38 • enero | febrero 2016
del envero y en la fase de meseta de la baya (Fotos 2
y 3). Para obtener mayor precisión, los seis modelos emplearon coeficientes fijos con información
del presente año y de las campañas precedentes.
Los datos se recogieron durante 4 campañas consecutivas, en un viñedo comercial de más de 700
ha en el que se establecieron 14 viñedos experimentales (con diferentes variedades y patrones,
entre otras características) y en condiciones de clima mediterráneo.
Para el modelo de cuajado (FS) se empleó el
conteo de racimos (de al menos 30 plantas por repetición) y un histórico del peso medio del mismo
en vendimia de años precedentes de cada parcela.
Por otro lado, los modelos de envero (V1 y V2)
se establecieron según el peso medio del racimo
en cada momento de la predicción (tomado de 20
plantas individuales de cada repetición, racimos
cortados y pesados en balanza) multiplicado por
un factor de corrección variable. Dichos coeficientes se calculan (Ec. 1 y 2) dando por resultado dos
diferentes algoritmos o supuestos en función del
ratio “peso inicial de baya/peso final”.
KV1i= 1+
KV2i=
Diferencia de Peso medio de baya del año anterior
(vendimia–envero)(g)
100
Peso medio de baya del año anterior en vendimia (g)
Peso medio de baya del año anterior en envero (g)
Ec. 1
Ec. 2
Por último, los modelos meseta (LP40, LP50 y
LP 60) se obtuvieron multiplicando el peso medio
del racimo en envero por un factor fijo (Klp) se-
gún el modelo de crecimiento de Coombe y McCarthy (2000) de 5/2; 2,0 y 5/3 para LP40, LP50
y LP60, respectivamente.
Cabe destacar que en todos los modelos de envero y meseta se procedía, posteriormente, a un
ajuste por la media aritmética de los coeficientes
de años anteriores, por lo que dichos algoritmos
pueden ser optimizados con el aumento de los datos durante las campañas siguientes.
Los resultados de los modelos se compararon
con los datos reales obtenidos de la vendimiadora en línea de la empresa. Éstos indicaron que la
predicción al principio del envero tiene una mayor
fiabilidad y precisión que las realizadas en la fase
de meseta (algo más tardías), llegando a predecir
el rendimiento con un error menor a 0,5 kg por línea de cultivo para el 95% de los casos.
La predicción en cuajado fue menos precisa que
la de envero (0,8 kg por metro de línea de cultivo;
mayor error y menor eficiencia). No obstante, y
dado que los resultados fueron similares a los obtenidos en las predicciones tardías de meseta (0,6–0,9
kg) o incluso mejores según los parámetros estudiados (De la Fuente et al., 2015), la predicción de
cuajado puede resultar muy interesante al hacerse
en un momento muy temprano del ciclo. Conviene
saber que la variabilidad real del rendimiento observada en este viñedo para las mismas parcelas durante las campañas 2004–2007 fue 0,82 ± 0,29 kg.
El modelo de cuajado se puede clasificar como
un modelo que emplea datos históricos pero con
una variable incorporada del presente año (número de racimos), la cual proporciona más información de una forma sencilla y que se emplea muy a
menudo en el manejo del viñedo. Esta predicción
puede ser más ajustada si se tiene en cuenta la variación anual en el peso de baya o el número de
bayas por racimo.
Por otra parte, los modelos de envero incorporaron un nuevo indicador basado en pesos históricos (de cosecha y envero) y datos del presente
año. Estos modelos proporcionan mayor precisión
y exactitud, porque ellos incluyen la relación entre
el peso de baya en envero comparado con la cosecha de cada año (fuente principal de variabilidad).
Varios autores han proporcionado modelos en
los que se encontraban errores en la predicción de
cosecha entre el 10–15% (Miranda y Royo, 2004;
24
Enoviticultura nº 38 • enero | febrero 2016
Tarara et al., 2005; Nuske et al., 2011). Algunos
otros obtuvieron un 20% (Blom y Tarara, 2009)
e incluso, algunos modelos obtuvieron un 30%
(Dunn, 2010).
En este ensayo experimental (De la Fuente et
al., 2015), los resultados que los modelos V1 y V2
obtuvieron una explicatividad o relación alta (R2
de 0,75) y errores inferiores al 16–17%; o lo que es
lo mismo menores de 0,5 kg por metro lineal vendimiado. El modelo de cuajado obtuvo resultados
similares a los de meseta: una menor correlación
(R2 de 0,59) y mayores errores (±30%; 0,83 kg) que
los de envero, pero permite realizar la predicción
con mayor antelación (un mes antes).
Conclusiones
Por el momento, existen pocos modelos validados estadísticamente capaces de predecir el rendimiento de un viñedo. Este estudio presenta modelos de predicción que obtuvieron altos coeficientes
de correlación (hasta 0,75; es decir, que explican el
75% de la variabilidad existente) en las etapas de
cuajado y envero (FS, V1 y V2), con errores menores a 0,5 kg por metro lineal vendimiado, y que
pueden ser utilizados en diferentes momentos del
ciclo de la vid para predecir el rendimiento con
cierta precisión en bodega.
El modelo de cuajado (FS) es interesante dado
que se realiza en un momento temprano del ciclo y puede proporcionar información a la bodega, aunque asumiendo un error mayor. Los modelos de envero (V1 y V2) son más fiables y precisos,
pero se realizan más tarde en el ciclo de la planta
en comparación con el modelo de cuajado. Las predicciones en meseta no resultan interesantes, pues
no todas las parcelas se ajustan fácilmente a los supuestos de peso alcanzado (alrededor del 50% del
peso final), para las mismas condiciones de cultivo.
Todos los modelos pueden ser mejorados año
tras año al incorporar los datos observados y alimentar así la base de datos histórica existente de
cada parcela. 
Agradecimientos
El presente artículo está basado en un artículo
científico previo, donde se explican ampliamente dichos modelos y los resultados obtenidos (De
la Fuente et al., 2015). Los autores agradecen
PRODUCCIÓN
el esfuerzo a la empresa Osborne Distribuidora
S.A. por el apoyo técnico y económico del presente proyecto realizado (MEC, IDI: P030260221) y,
muy especialmente, al equipo humano del Grupo
de Investigación de Viticultura de la U.P.M. que
participó durante esos años. El autor hizo este estudio durante su formación como investigador en
la U.P.M (2004–2008).
Bibliografía
BARAJAS E., YUSTE J.R., ALBURQUERQUE M.V., y YUSTE J., 2010.
Estimación del rendimiento en Tempranillo en tres densidades
de plantación. Vida rural, 1, 28–31.
BATES, T. 2008. Pruning level affects growth and yield of New
York Concord on two training systems. Am. J. Enol. Vitic., 59,
276–286.
BLOM P.E. AND TARARA J.M., 2009. Trellis tension monitoring improves yield estimation in vineyards. Hort Science, 44, 678–679.
BONNISSEAU, M. y DUFOURCQ, T. (2004). «Adaptation de la conduite du vignoble: la gestion du rapport feuilles/fruits.» MONDIAVITI–Bordeaux 1º–2º Dic.: 139–49.
CLINGELEFFER P.R., MARTIN S.R., DUNN G. M. AND KRSTIC M. P.,
2001. Crop development, crop estimation and crop control to
secure quality and production of major wine grape varieties: a
national approach. CSIRO and NRE: Victoria, Australia, 148.
COLA G., MARIANI L., SALINARI F., CIVARDI S., BERNIZZONI F., GATTI M. AND PONI S., 2014. Description and testing of a weather–
based model for predicting phenology, canopy development
and source–sink balance in Vitis vinifera L. cv. Barbera. Agric.
Forest Meteorol., 184, 117–136.
COOMBE B.G. AND MCCARTHY M.G., 2000. Dynamic of grape berry and physiology of ripening. Australian Journal of Grape and
Wine Research, 6, 131–135.
DAMI, I. 2006. Methods of crop estimation in grapes. Ohio Grape–Wine Electronic Newsletter,1–4.
DE LA FUENTE M., LINARES R., BAEZA P., MIRANDA C. AND LISSARRAGUE J.R., 2015. Comparison of different methods of grapevine yield prediction in the time window between fruitset and
veraison. J. Int. Sci. Vigne Vin, 49, 27–35.
DE LA FUENTE M., LINARES R., BAEZA P., AND LISSARRAGUE J.R.,
2013. Importance of canopy porosity into vineyard and the relationship with the grape maturity. Digital estimation method.
Ciência e Técnica Vitivinícola, 28, 633–638.
DE LA FUENTE M., 2015. The relevance of the yield prediction
methods in vineyard management. Le Bulletin de l’OIV, Vol. 87,
387–394.
DE LA FUENTE, M. 2009. Caracterización geométrica, ecofisiológica y evaluación agronómica de sistemas continuos de vegetación libre (sprawl) vs. espaldera para atenuar la sobreexposición de hojas y racimos en cv. Syrah (Vitis vinifera L.) en viñedos
de zonas cálidas. Dto. Producción Vegetal: Fitotécnia. Madrid,
Universidad Politécnica de Madrid. 301.
DOBROWSKI S.Z., USTIN S.L., AND WOLPERT J.A., 2003. Grapevine
dormant pruning weight prediction using remotely sensed
data. Australian Journal of Grape and Wine Research, 9, 177–182.
DUFOURCQ T., GONTIER L., SERRANO E., AND OLLAT N., 2005.
Leaf area and crop yield ratio: Effects on vine water status, must
quality, wine quality for four varieties trained in south–west
France. Progrès Agricole et Viticole 122(23): 503–07
DUNN G.M. AND MARTIN S.R., 2004. Yield prediction from digital
image analysis: A technique with potential for vineyard assessment prior to harvest. Aust. J. Grape Wine Res.,10, 196–198.
DUNN G.M., 2010. Yield Forecasting. Australian Government:
Grape and wine research and development corporation. Fs
June, 1–5.
ESTEBAN I., 2006. Validación de métodos de predicción del rendimiento en cuajado y envero en diferentes variedades de Vitis
vinífera. L. E.T.S.I.A. –U.P.M., 139.
GARCIA DE CORTAZAR–ATAURI I., 2006. Adaptation du modèle
STICS à la vigne (Vitis vinifera L.). Utilisation dans le cadre d’une
étude d’impact du changement climatique à l’échelle de la
France. Thèse de Doctorat, École Supérieure Nationale d’ Agronomie, Montpellier.
HOWELL G.S., 2001. Sustainable grape productivity and the
growth–yield relationship: A review. Am. J. Enol. Vitic., 52,
165–174.
KLIEWER, W. M. AND DOKOOZLIAN N.K., 2005. Leaf Area/Crop
Weight ratios of grapevines: Influence on fruit composition and
Wine Quality. Am. J. Enol.Vitic., 56(2), 170–81.
MARTÍNEZ–CASASNOVAS J.A. AND BORDES X., 2005. Viticultura de
precisión: Predicción de cosecha a partir de variables del cultivo
e índices de vegetación. Revista de Teledetección, 24, 67–71.
MIRANDA C. AND ROYO J.B., 2004. Statistical model estimates
potential yields in “Golden Delicious” and “Royal Gala” apples
before bloom. J. Amer. Soc. Hort. Sci., 129, 20–25.
MAY P., 2004. Flowering and fruitset in grapevine. Adelaide, Australia: Lythrum Press.
NUSKE S., ACHAR S., BATES T., NARASIMHAM S.G. AND SINGH S.,
2011. Yield Estimation in Vineyards by Visual Grape Detection.
Proceedings of the 2011 IEEE/RSJ International Conference on
Intelligent Robots and Systems (IROS ‘11). 7.
PARKER A.K., GARCIA DE CORTAZAR–ATAURI I., VAN LEEUWEN C.
AND CHUINE I., 2011. General phenological model to characterise the timing of flowering and veraison of Vitis vinifera L. Aust.
J. Grape Wine Res., 17, 206–216.
POOL R. M. DUNST R. E. CROWE D. C. HUBBARD H. HOWARD G. E.
AND DE GOLIER. G., 1993. Predicting and Controlling Crop on Machine or Minimal Pruned Grapevines. Proceedings of the New Jersey Shaulis Symposium: Pruning Mechanization and Crop Control.
Ed. R. M. Pool. NY State Agricultural Experiment Station, 31–45.
SABBATINI P. DAMI I. AND HOWELL G.S., 2012. Predicting Harvest
Yield in Juice and Wine Grape Vineyards. Extension Bulletin
3186. Ed. Michigan State University, 1–12.
SANTOS J.A., MALHEIRO A.C., KARREMANN M.K. AND PINTO J.G.,
2011. Statistical modelling of grapevine yield in the Port Wine
region under present and future climate conditions. Int. J. Biometeorol., 55, 119–131.
SUN Q. SACKS G.L. LERCH S.D. AND VANDEN HEUVEL J.E., 2012.
Impact of Shoot and Cluster Thinning on Yield, Fruit Composition, and Wine Quality of Corot noir. Am. J. Enol. Vitic. 63, 49–56.
TARARA J.M., BLOM P.E., FERGUSON J.C. AND PIERCE F.J., 2005. Estimating grapevine yield from measurements of trellis wire tension. In: Proceedings of FRUTIC 05, Information and Technology
for Sustainable Fruit and Vegetable Production, pp. 315–324.
TARARA J.M. CHAVES, B., SANCHEZ L.A. AND DOKOOZLIAN N.K.
2014. Cordon Wire Tension Can Be Used for Static and Dynamic
Prediction of Grapevine Yield. Am. J. Enol. Vitic, ajev.2014–14021.
Enoviticultura nº 38 • enero | febrero 2016
25