Aplicación de nuevas herramientas biotecnológicas para compensar los efectos negativos del cambio climático sobre vinos espumosos (Cava) y vinos tintos
Bibliographic record
Abstract
El present treball aborda l'estudi de com es poden pal•liar els efectes del canvi climàtic en l'elaboració de vins escumosos i en vins negres mitjançant les eines que actualment la biotecnologia ens ofereix. Per això en primer lloc aquesta tesis estudia l'efecte de la maduresa del raïm sobre les propietats escumants dels vins escumosos per arribar a la conclusió de que una excessiva maduració del raïm perjudica les característiques escumants. A continuació s'aborda l'estudi dels efectes de l’ús de llevats No Saccharomyces mitjançant inoculació seqüenciada amb Saccharomyces cerevisiae sobre les característiques de vins base per a Cava, arribant-se a la conclusió de que l’ús del llevat Torulaspora delbrueckii pot ésser molt útil per a millorar les propietats escumants. Finalment, s’aborda l’estudi de l’efecte de un llevat altament productor de polisacàrids i de la suplementació amb llevats secs inactius sobre la composició i qualitat del vi negre arribant-se a la conclusió de que tots dos procediments comporten un enriqueixement del vi en polisacàrids i una certa disminució de la seva concentració en proantocianidinas, especialment de les de alt grau de polimerització.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".