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 recently been detected in red wines from some winegrowing jurisdictions in North America (e.g., Ontario, British Columbia, Washington), caused by the 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. The objectives were to investigate the causative volatile compounds for floral taint and explore threshold concentrations for this problem. Commercial wines displaying varying intensities of floral taint 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 (w/w): 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, 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 predominantly 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 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 ».