Canopy Management and Enzyme Impacts on Merlot, Cabernet franc, and Cabernet Sauvignon. II. Wine Composition and Quality
Notice bibliographique
Résumé
Merlot, Cabernet franc, and Cabernet Sauvignon vines in Niagara-on-the-Lake, Ontario, were subjected to four treatments in a randomized complete block experiment: hedged control, cluster thinning at veraison (CT), basal leaf removal (BLR), and CT+BLR. Musts from each treatment replicate (CT+BLR excepted) were thereafter either left untreated or treated with one of ColorPro or Color X enzymes. In most cases, CT and CT+BLR treatments had the highest wine anthocyanin and phenol concentrations and the highest color intensities (A<sub>420</sub> + A<sub>520</sub>). Leaf removal resulted in small increases in wine color intensity and anthocyanin and phenol concentrations. Cluster thinned and BLR treatments both reduced titratable acidity (TA) and increased pH relative to controls, but BLR tended to be more effective than CT. The CT+BLR treatments usually resulted in the lowest TA and the highest pH. Enzyme treatments increased wine TA and reduced pH and typically increased color intensity, total anthocyanins, and phenols. Both viticultural and enological treatments had noteworthy impacts on individual wine phenolic compounds and anthocyanins, although the viticultural treatments were more efficacious. The viticultural treatments enhanced intensities of several aroma and retronasal descriptors (e.g., black fruit, black pepper, tobacco) and reduced those of others (e.g., bean/pea, mushroom). The CT+BLR treatment has the potential to substantially improve fruit and wine composition in cool-climate regions; negatively, excessive leaf removal could result in lowered ethanol and undesirable increases in pH. Enzyme treatment has the potential for increased color intensity, but with occasional increases in TA.
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 | 0,001 |
| 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 ».