Influence of Grape Berry Maturity on Juice and Base Wine Composition and Foaming Properties of Sparkling Wines from the Champagne Region
Notice bibliographique
Résumé
In sparkling wine cool-climate regions like Champagne, it is sometimes necessary to pick the healthy grape clusters that have a relatively low maturity level to avoid the deleterious effects of Botrytis cinerea. In such conditions, we know that classical oenological parameters (sugars, pH, total acidity) may change but there is little information concerning the impact of grape berry maturity on wine proteins and foaming properties. Therefore, healthy grapes (Chardonnay and Pinot meunier) in 2015 and 2016 were picked at different maturity levels within the range of common industrial maturity for potential alcohol content 8–11% v/v in the Champagne region. Base wine protein content and foamability, and oenological parameters in grape juice and their corresponding base wines, were investigated. The results showed that base wine protein contents (analyzed by the Bradford method and by electrophoresis) and foamability were higher when the grapes were riper. The Pearson’s correlation test found significant positive correlations (r = 0.890–0.997, p < 0.05) between Chardonnay grape berry maturity degree (MD) and base wine foamability in both vintages. Strong correlations between MD and most of the oenological parameters in grape juice and base wine were also found for the two cultivars. Under the premise of guaranteed grape health, delaying harvest date is an oenological decision capable of improving base wine protein content and foamability.
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 ».