赤霞珠酿酒葡萄总酚含量的近红外光谱定量分析

酿酒葡萄中的总酚含量是影响葡萄品质的重要指标,也是影响葡萄酒质量的关键因素。为了快速准确地检测赤霞珠葡萄的总酚含量,利用近红外光谱技术结合GA-ELM预测模型对赤霞珠葡萄总酚含量进行预测研究。试验采用5个收获期（每期采集40串,每串取10个）的赤霞珠葡萄,采集200组葡萄的12 500~4 000 cm-1波段范围内的近红外光谱。基于福林酚比色法原理对赤霞珠葡萄的总酚含量进行测定,使用SPXY算法将样品按照3∶1比例分为校正集和预测集,共计150个校正集和50个预测集。分别采用多元散射（MSC）、标准正态变换（SNV）、数据中心化（MC）、移动窗口平滑（MA）和一阶导数+SG方法对原始光谱进行预处理,优选出最佳的预处理方法为MSC。并进一步采用竞争性自适应重加权算法（CARS）、遗传算法（GA）、联合区间偏最小二乘算法（si-PLS）和连续投影算法（SPA）分别对光谱波段进行提取,经对比分析发现CARS提取的69个特征波长数据能有效提高模型的稳定性和预测结果。在MSC预处理和特征波长提取的基础上,引入极限学习机（ELM）算法,建立赤霞珠葡萄总酚含量的预测模型,在总酚含量预测过程中,采用遗传算法（GA）对ELM模型进行优化,并探究了不同的激活函数和隐含层神经元个数对GA-ELM模型预测能力的影响,确定最优的激活函数为Sigmoidal,最优的神经元个数为50个。最后,将ELM和GA-ELM模型的预测能力进行对比,结果显示GA-ELM模型的预测能力高于ELM模型的预测能力,其中MSC+CARS+GA-ELM模型预测能力最好,校正相关系数（R_c）为0.901 7,预测相关系数（R_p）为0.901 3,校正均方根误差（RMSEC）为2.112 4,预测均方根误差（RMSEP）为1.686 8,剩余预测偏差（RPD）为2.308 0。研究结果表明：利用近红外光谱技术结合变量优选建立的GA-ELM模型可实现对赤霞珠葡萄的总酚含量的预测,为赤霞珠葡萄品质的检测奠定了理论基础。     

中国不同产区赤霞珠干红葡萄酒香气成分数据的可视化分析

可视化技术被引入葡萄酒香气成分数据的分析,以达到鉴别区分不同产区葡萄酒的目的。葡萄酒分析样品是2005年赤霞珠干红葡萄酒产品。5个产区是河北昌黎、新疆玛纳斯、云南弥勒、宁夏贺兰山东麓和河北沙城。香气成分用二氯甲烷连续萃取,有机相真空浓缩之后进行GC-MS分析检测。共鉴定并半定量分析出5个产区赤霞珠干红葡萄酒中68种香气成分,对原始色谱分析数据进行标准归一化处理,将信息映射到[0,1]之间的灰度图空间,然后根据数据可视化原理,用Vc 构建含多种香气成分信息的二维灰度图,直观表征不同产地赤霞珠干红葡萄酒的香气成分信息。研究结果是一种反映葡萄酒化学信息的条形码技术,该技术转换葡萄酒香气成分色谱数据之后得到二维灰度图,能够良好区分不同产区的赤霞珠干红葡萄酒。     

Monitoring large scale wine fermentations with infrared spectroscopy

Negative effects on wine quality and productivity caused by stuck and sluggish fermentations can be reduced significantly, if such problems are detected early through periodic chemical analysis. Infrared spectroscopy (IR) has been used successfully for monitoring fermentations, since many compounds can be measured quickly from a single sample without prior treatment. Nevertheless, few applications of this technology in large scale winemaking have been reported, and these do not cover the entire fermentation from must to finished wine. In this work, we developed IR calibrations for analyzing the fermenting must at any stage of fermentation. The calibration model was obtained with multivariable partial least squares and proved effective for analyzing Cabernet Sauvignon fermentations for glucose, fructose, glycerol, ethanol, and the organic acids; malic, tartaric, succinic, lactic, acetic, and citric. Upon external validation we found an average relative predictive error of 4.8%. Malic acid showed the largest relative predictive error (8.7%). In addition, external validation found that insufficient data for these calibrations made the analysis of fermenting musts using other grape varieties less reliable.