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