Measurement of Condensed Tannins and Dry Matter in Red Grape Homogenates Using Near Infrared Spectroscopy and Partial Least Squares
Notice bibliographique
Résumé
Samples (n = 620) of homogenized red grape berries were analyzed using a visible and near-infrared (NIR) spectrophotometer (400-2500 nm) in reflectance. The spectra and the analytical data were used to develop partial least-squares calibrations to predict dry matter (DM) content and condensed tannins (CT) concentrations. The coefficient of determination in cross-validation and the standard error of cross-validation were 0.92 and 0.83% w/w for DM and 0.86 and 0.46 mg/g epicatechin equivalents for CT, respectively. The standard error in prediction was 1.34% w/w for DM and 0.89 mg/g epicatechin equivalents for CT, respectively. By implementing a NIR spectroscopy method to measure DM and CT in red grape homogenates, we have developed an approach that is suited to large-scale compositional analysis in commercial wine production facilities, as it enables the analysis of large numbers of samples needed to stream batches of fruit. From an economical point of view, the calibration models could be achieved with relatively small data sets. Thus, NIR offers a suitable and efficient tool for the simultaneous measurement of DM and CT in addition to other important parameters in red grape homogenates such as total anthocyanins, total soluble solids, and pH, with minimal sample preparation and low cost.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».