Modelling Smoke Flavour in Wine from Chemical Composition of Smoke-Exposed Grapes and Wine
Notice bibliographique
Résumé
Wine grapes exposed to smoke and wine made from grapes exposed to smoke can robustly be identified through their elevated concentrations of volatile phenols and phenolic glycosides serving as smoke markers, compared to concentrations typically found in non-smoke-exposed samples. Smoke-affected wines with high concentrations of volatile phenols and glycosides can have smoky flavours, but the relationship between concentrations of specific smoke markers in grapes and the intensity of smoky sensory attributes in the resulting wine has not been established. This study sought to determine whether volatile phenols and glycoside concentration in grapes and wine are suited to predict smoke flavour, to identify the key drivers of smoke flavour in both matrices. The study aimed to determine what concentrations of volatiles and glycosides in grapes impart an unacceptable smoke flavour in the resulting wine, to provide a guide for producers assessing suitability of smoke-exposed grapes for wine production. During vintage 2020, a total of 65 grape samples were collected from vineyards exposed to bushfire smoke, as well as unaffected vineyards. Chardonnay, Pinot Noir, and Shiraz grapes were harvested from vineyards in New South Wales, South Australia, and Victoria. Unoaked wines (50 kg scale) were produced under controlled conditions. The wines had a wide range of smoke flavour intensities rated by a trained sensory panel. Statistical models based on guaiacol, o-cresol, m-cresol, p-cresol, and some glycosides gave good predictions of smoke flavour intensity, with a slightly different optimal model for each cultivar. Subsequently, critical concentrations for quality defects were estimated to provide a guide for producers. A subset of smoke exposure markers in wine grapes affected by smoke from bushfires can be used to predict the degree of smoke flavour in wine. This information provides a first guide for assessing the risk of producing smoke tainted wine from smoke-exposed 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».