Composition and Wine Sensory Attributes of Chardonnay Musqué from Different Viticultural Treatments
Notice bibliographique
Résumé
ABSTRACT ‘Chardonnay Musqué’ vines in Beamsville, Ontario, were subjected in one trial to three treatments: (1) control (hedged only); (2) basal leaf removal (BLR) and cluster thinning and; (3) cluster thinning during five stages of berry development. Berries and musts from each treatment were analyzed for soluble solids (Brix), pH, titratable acidity (TA), as well as free and potential monoterpenes (FVT and PVT). Wines produced from each treatment were evaluated by descriptive analysis for aroma and flavor intensities. FVT and PVT of berries were higher in thinned vines compared to non-thinned vines. Cluster thinning at veraison yielded fruit with the highest FVT and PVT concentrations. Leaf-pulled vines produced fruit with increased pH, reduced TA and highest FVT and PVT. Wines from BLR and thinning treatments generally had higher muscat and floral/perfumy aromas, and could be separated based on overall quality. The chemical and sensory data were incorporated into a multiple regression model used to construct a grape quality model for aromatic white Vitis vinifera grape cultivars in the Niagara Peninsula. The model developed was able to predict overall quality based on Brix, pH, and berry FVT and PVT concentration. The model was partially validated by correlations between berry FVT and PVT vs. floral and muscat aromas in wines from three previous vintages. This model has potential for use to create a more equitable payment schedule for growers contracted to wineries for the purchase of high-quality grapes.
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 | 0,000 | 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 | 0,000 | 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 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 ».