Impacts of natural yield variances on wine composition and sensory attributes of <i>Vitis vinifera</i> cultivars Riesling and Cabernet Franc
Notice bibliographique
Résumé
Impacts of naturally-varying yields on composition and sensory attributes of Ontario Riesling and Cabernet Franc wines were investigated. The sites investigated represented five Vintners Quality Alliance sub-appellations. A grid pattern of sentinel vines was established in each vineyard for data collection. Yields were divided into categories [low, medium, or high (LY, MY, HY)] at harvest (2010, 2011) and replicate wines were made from each. Wines were subjected to sensory sorting tasks to confirm differences between yield categories and sites, and were thereafter subjected to descriptive analysis. All HY vines had higher clusters/vine, berry weights, and Ravaz indices. The HY Cabernet Franc wines had lower colour, anthocyanins, and phenols. Sensory sorting revealed differences amongst wines and descriptive analysis demonstrated several aroma/flavour attributes between yield categories. The HY Riesling wines had less fruit and honey and higher mineral and floral attributes, whereas HY Cabernet Franc wines displayed higher bell pepper, vegetal, and herbaceous characteristics and less fruit attributes. Riesling wines from Lincoln Lakeshore North and Niagara Lakeshore sub-appellations had higher mineral or vegetal attributes, Four Mile Creek had more apple/pear, and St. Davids Bench, Beamsville Bench, and Lincoln Lakeshore South displayed higher fruit and citrus. Escarpment Bench and Four Mile Creek Cabernet Franc 2010 wines had the highest bell pepper aroma, Lincoln Lakeshore North displayed the most earthiness, and Lincoln Lakeshore South had the most cooked fruit. In 2011, cooler sites adjacent to Lake Ontario displayed higher vegetal attributes. Zones of differing yields, dependent upon magnitudes of yield differences, can result in substantially different wine sensory properties.
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 | 0,000 | 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 | 0,001 | 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) | 0,001 | 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 ».