Notice bibliographique
Résumé
The determination of wine authenticity and the detection of adulteration are attracting an increasing amount of attention for wine producers, researchers and consumers. Wine authentication and classification based on geographical origin has been widely studied. Most of these studies have achieved successful classification results. However, these studies have involved complicated and expensive procedures. Visible and near infrared spectroscopy (Vis-NIR) is recognized as a rapid and non-destructive technique. In recent years, several studies have been conducted using Vis-NIR spectroscopy to analyze wine for both quantitative and qualitative purposes. The aim of this research was to investigate the geographical classification of wines using Vis-NIR spectroscopy. The effect of temperature and measurement mode (transmission and transflectance) on Vis-NIR spectra was investigated to identify optimal conditions for wine sample analysis. It was found the optimal temperature is between 30 to 35°C and the shorter pathlength measurement condition has better prediction ability. Classification by geographical origin using Vis-NIR spectroscopy was investigated for sixty-three Tempranillo wines from Spain and Australia, and fifty Riesling wines from Australia, New Zealand and Europe. Discriminant partial least square regression (DPLS) and linear discriminant analysis (LDA) based on PCA scores were used to perform classification. Over 90% of the Tempranillo wines were correctly classified according to their geographical region using both DPLS and LDA. A classification rate of 72% was achieved for the Riesling wines. Vis-NIR technique provides a similar degree of reliability on wine classification comparable to those obtained using chemical composition. The results of this study demonstrate potential for Vis-NIR spectroscopy combined with multivariate analysis as a rapid method for classifying wines by geographical origin.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».