Insight into how fermentation might contribute to the distinctiveness of Australian coffee
Notice bibliographique
Résumé
With a view to modulating the flavour profiles of Australian coffee, this investigation focused on three estates in New South Wales. Coffee cherries were processed into beans with wet fermented and non-fermented methods to evaluate the effects of fermentation and terroir on microbial population dynamics, volatile composition, and sensory properties. Thirty-three volatiles were quantified in green and roasted coffee beans – 12 esters, 9 alcohols, 6 acids, 3 monoterpenes, 2 norisoprenoids, 1 aldehyde – and 5 thiols were quantified in roasted coffee brews. Sensory descriptive analysis defined appearance, aroma, and flavour attributes to describe the coffee brews. Fermented coffees were characterised by increased intensity of ‘black tea leaves’ and ‘dark chocolate’ aromas and ‘burnt toast’ flavour. Results suggested that wet fermentation of Australian coffee cherries could enhance the content of some volatile compounds known to convey “floral” and “fruity” aromas commonly ascribed to premium coffees from traditional producing regions. • Uninoculated fermentation trialled on Australian coffee cherries from three estates. • Major volatiles determined for treatments and thiols in coffee brews were quantified. • Quantitative sensory profiling of coffee brews was undertaken with a trained panel. • Sensory profiles were linked with volatile compound data using PLS regression. • Microbial populations monitored during fermentation could contribute to variation.
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 ».