Relationships between wine phenolic composition and wine sensory properties for Cabernet Sauvignon (<i>Vitis vinifera</i>L.)
Notice bibliographique
Résumé
Background and Aims: Winemakers from a commercial winery observed sensory differences in Cabernet Sauvignon wines made from three pruning treatments in a single vineyard, particularly in mouthfeel characteristics. This study examined the relationships between wine composition and wine sensory characteristics, then related these to berry weight and composition and wine quality scores. Methods and Results: Cabernet Sauvignon from three pruning treatments – Machine, Cane and Spur – was harvested at commercial harvest date, and replicate wines were made from each for three vintages. The composition of the wines from all three pruning systems was generally similar. Differences in individual descriptive attributes did not separate the wines from the three treatments, or across vintages, despite differences in overall quality scores. Principal component analysis (PCA) could separate the wines by pruning and by vintage using wine composition or sensory parameters. Higher concentrations of anthocyanins, tannins and phenolics in berries did not always result in higher concentrations in wines. Conclusions: In this study, higher wine tannin or wine phenolic concentrations did not result in higher wine astringency, and wine colour measures and phenolic composition were not good indicators of individual wine sensory properties or wine quality. Wine composition was not necessarily directly influenced by berry composition. Significance of the Study: Few studies focus on the berry to wine to sensory continuum, particularly over more than one vintage or in a commercial context. This study highlighted how complex the relationships among berries, wine sensory properties and wine quality can be, particularly within a single vineyard.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».