The Impacts of Frozen Material-Other-Than-Grapes (MOG) on Aroma Compounds of Cabernet Franc and Cabernet Sauvignon
Notice bibliographique
Résumé
An undesirable sensory attribute (“floral taint”) has been recently detected in red wines in some winegrowing jurisdictions in North America (e.g. Ontario, British Columbia, Washington), caused by introduction of frost-killed leaves and petioles [materials-other-than-grapes (MOG)] during mechanical harvest and winemaking. It was hypothesized that terpenes, norisoprenoids, and higher alcohols would be the main responsible compounds. Objectives were to investigate causative volatile compounds for floral taint, and explore threshold concentrations for this problem. Commercial wines displaying varying intensities of floral taints were subjected to GC-MS and sensory analysis. Several odor-active compounds were higher in floral-tainted wines, including terpenes (geraniol, citronellol, cis- and trans-rose oxide), norisoprenoids (β-damascenone, β-ionone), five ethyl esters, and three alcohols. Thereafter, fermentations of Cabernet franc (CF) and Cabernet Sauvignon (CS) (2016, 2017) were conducted. MOG treatments were (wt/wt): 0, 0.5%, 1%, 2% and 5% petioles, and 0, 0.25%, 0.5%, 1%, and 2% leaf blades. Terpenes (linalool, geraniol, nerol, nerolidol, citronellol, citral, cis- and trans-rose oxides, eugenol, myrcene), norisoprenoids (α- and β-ionone), and others (e.g. hexanol, octanol, methyl and ethyl salicylate) increased linearly/quadratically with increasing MOG levels in both cultivars. Principal components analysis separated MOG treatments from the controls with 5% petioles and 2% leaves as extremes. Increasing MOG levels in CF wines increased floral aroma intensity, and were primarily associated with terpenes, higher alcohols, and salicylates. Increased leaf levels in CF were associated with higher vegetal and earthy attributes. Increased petioles in CS were not correlated with floral aromas, but increased leaves increased floral, vegetal and herbaceous attributes. Overall, petioles contributed more to floral taint than leaves through increased terpenes and salicylates (floral notes), while leaves contributed norisoprenoids and C6 alcohols (green notes).
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) | 0,001 | 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 | 0,001 |
| 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 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 ».