今天给大家介绍一篇由Sigfredo Fuentes等人合作，发表在Foods上的一篇有意思的文章，文章中作者介绍了一种基于天气和水管理信息的人工神经网络（ANN）模型预测黑皮诺（Pinot Noir）的香气特征。
今天给大家介绍一篇由Sigfredo Fuentes等人合作，于2019年发表在Foods上的一篇文章，文章中作者介绍了一种基于天气和水管理信息的人工神经网络（ANN）模型预测黑皮诺（Pinot Noir）的香气特征。
1. 简介
葡萄酒的香气特征主要取决于季节，尤其是天气条件，例如日照和温度以及从成熟到收获的水管理策略。已经开发的一些在近红外（NIR）光谱反射率内使用近端遥感的方法，以无损评估浆果的品质特征。然而，由于这些技术仍然是手动的，因此它们无法解释自然的果束内和葡萄园空间变异性，需要大量的测量和建模策略来获得有意义的结果。而无人机与遥感技术的结合可以对葡萄园内部的变化进行分析，但是仍存在高昂的费用以及多国需要有驾照的飞行员等条件的限制。
在本研究中，作者使用2008年至2016年份黑皮诺葡萄园的天气和水管理信息作为输入，并使用气相色谱法和化学计量分析作为目标构建ANN模型以预测葡萄酒的香气特征。这种建模策略的结果可以为酿酒师提供重要的参考工具，帮助他们在酿酒之前评估未来年份葡萄酒的香气特征。
结果发现，ANN模型在预测香气特征（模型1；R=0.99）和葡萄酒化学计量参数（模型2；R=0.94）方面具有很高的准确性。这些模型可作为强大的工具协助酿酒师在酿酒前评估葡萄酒的香气特征，这有助于调整某些技术来保持/提高特定葡萄园或地区所特有的葡萄酒的质量或葡萄酒风格。
图1. 显示输入和目标/输出的人工神经网络模型图（a）模型1根据挥发性芳香化合物的峰面积预测香气特征（b）黑皮诺葡萄酒的物理化学数据
2. 结果
表1列出了2011-2014年各年份的天气数据平均值和对比的水平衡数据。结果表明，2011年是最潮湿的季节，日照量和平均温度（MeanMaxTV-H和MeanMinTV-H）最低，而2013年是最干燥的季节，MJSE和日照量最高。2012和2014年份的葡萄酒价格中等。
表1. 仅在基于水平衡上比较各年份的天气数据平均值
缩写：V-H=成熟期到收获期，S-H=九月到收获期，MJSE=一月份最大日照，DD=日度差，MJT=一月最高温，MaxTV-H=成熟期到收获期的最高温，MinTV-H=成熟期到收获期的最低温。
表2显示了在所有测试的葡萄酒样品中鉴定出的9种挥发性化合物以及与之相关的香味。从该表可以看出，大多数香气与水果味有关，尤其是苹果味，有两种带有花香的特定化合物（苯乙醇和月桂酸乙酯）和一种带有牛奶或奶油味的（棕榈酸乙酯）香气。
表2. 使用气质鉴定挥发性化合物及其花香
图2显示了天气信息、香气和理化数据之间的显著相关性（p<0.05）。可以看出，从9月到收获期的日照与琥珀酸二乙酯呈正相关（r=0.90），而从9月到收获期的日度差与9-癸烯酸乙酯呈负相关（r=-0.88）。MJT与苯乙醇（r=0.82）和“b”（r=0.88）呈正相关，与“B”呈负相关。MeanMaxTV-H与9-癸烯酸乙酯（r=-0.93）和颜色强度（r=-0.90）呈负相关，与色相（r=0.92）和“a”（r=0.84）呈正相关。另一方面，MeanMinTV-H与己酸乙酯（r=-0.93），TDS（r=-0.90）和EC（r=-0.90）呈负相关。水平衡与9-癸烯酸乙酯（r=0.93）和颜色强度（r=0.90）正相关，与色相（r=-0.95）和“a”（r=-0.86）呈负相关。
图2. 矩阵仅显示了2008-2016年份黑皮诺葡萄酒的天气和理化数据与挥发性芳香化合物之间的显著性（p＜0.05）
缩写：TDS=总溶解固体，EC=电导率，V-H=成熟期到收获期，S-H=九月到收获期，MJSE=一月最大日照量，DD=日度差，MJT=1月最高温，MaxTV-H=成熟期到收获期的最高温，MinTV-H成熟期到收获期的最低温。
表3显示了ANN模型的统计结果。模型1总体上具有较高的相关系数（r=0.99），在所有阶段（训练，验证和测试；r>0.97）预测9种挥发性芳族化合物的峰面积（表2）的结果相似。在性能上，验证和测试阶段均方误差（MSE）值相同（MSE=0.03），而训练阶段的结果较低（MSE=0.003）。此外，所有阶段和整个模型的斜率（b）接近于1（b=0.97）。另一方面，模型2的整体相关性r=0.94，可预测14个理化参数（图2b）。三个阶段的模型的斜率足够高（b>0.83），总体模型b=0.90。与模型1相似，模型2的训练阶段的性能（MSE=0.02）比验证和测试阶段要低，而验证和测试两个阶段的结果相似（分别为MSE=0.05和MSE=0.06）。
表3. 基于黑皮诺葡萄酒的挥发性芳香化合物的峰面积（模型1）和理化数据（模型2），利用ANN模型预测香气特征的统计
缩写：R=相关系数，MSE=均方误差
图3a显示了模型1，该模型根据黑皮诺葡萄酒的挥发性芳香化合物的峰面积预测香气特征。在95％的置信区间内，仅发现0.01％的异常值（594个中的6个）。另一方面，图3b描绘了模型2，以预测葡萄酒的理化数据。在95％的置信区间内，模型呈现出0.03％（924个中的30个）离群值。对于这两种模型，都进行了几次重新训练尝试，获得的结果与表3和图3所示的结果相似。当向这些模型提供新数据时，输出值被归一化为-1到1；并且，Matlabfi R2019a中用于归一化的反向函数提供了相应单位的实际值。
图3. 人工神经网络模型预测黑皮诺葡萄酒的（a）香气特征（模型1）和（b）物理化学参数（模型2）使用天气数据作为输入（图3），模型显示在95%置信区间内的观测（x轴）和预测（y轴）数据
3. 讨论
在这项研究中，作者发现维多利亚地区和葡萄酒垂直年份之间存在明显的差异。这些差异有助于增强机器学习模型的鲁棒性，使其在预测挥发性芳香族化合物的峰面积（模型1）和葡萄酒的理化特性（模型2）时，没有显示出高精度的过拟合。
并且，作者通过将获得的天气条件、水管理策略和葡萄酒的理化参数作为机器学习模型的输入，这可以解释模型1和模型2的预测所获得的高精度，而不会出现过度拟合的现象。此外，作者使用可以输入多个目标的ANN算法进行建模，这使模型更加有效。
4. 结论
作者基于人工智能技术来实现对其他品种、环境和地区的建模。这有助于在酿酒之前确定葡萄酒的香气特征，协助种植者和酿酒师在葡萄酒酿造过程中做出决策，以保持/提高葡萄酒的品质和风格。并且，还需要进一步研究以使这些技术适应冠层管理策略和季节内建模，这些模型可以在季节内实时实施，以便利用冠层、施肥和灌溉管理等管理策略将最终的葡萄酒和香气特征操纵到特定的目标上。
参考文献
- Fuentes S, Tongson E, Torrico D D, et al. Modeling Pinot Noir Aroma Profiles Based on Weather and Water Management Information Using Machine Learning Algorithms: A Vertical Vintage Analysis Using Artificial Intelligence[J]. Foods, 2019.
分享、在看与点赞，至少我要拥有一个吧
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/wine-aroma.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
智能食品加工：从人工神经网络到深度学习的旅程(三)
今天，我们将继续给大家带来综述《智能食品加工：从人工神经网络到深度学习的旅程》的第三个单元的介绍——基于深度学习的智能食品加工。
-
静态顶空-气相色谱-离子迁移谱(SHS-GC-IMS)结合机器学习技术对长相思葡萄酒的质量等级预测
该研究将静态顶空-气相色谱-离子迁移谱（SHS-GC-IMS）技术首次应用于葡萄酒香气分析，通过预测模型将香气化学与葡萄酒感官质量分级联系起来。对6种机器学习模型进行了比较，结果表明人工神经网络(ANN)的预测精度最高，达到95.4%。
-
机器学习技术对食品销售预测的最新进展
本文回顾了用于预测食品销售的现有机器学习方法。讨论了从事食品销售预测的数据分析师的重要设计决策，例如销售数据的时间粒度，用于预测销售的输入变量以及销售输出变量的表示形式。同时回顾了已应用于食品销售预测的机器学习算法以及评估其准确性的适当措施。
-
我的食物安全吗？ – 基于人工智能的含有微量的麸质或坚果的小扁豆粉样品分类
今天介绍一篇由Sandra Pradana-López等人于2022年8月发表在Food Chemistry上的文章。本文提出了一种基于人工智能的实时快速检测掺杂扁豆粉的方法。将“无麸质”小扁豆粉与小麦粉或开心果粉混合，然后，拍摄纯的和受污染的小扁豆粉的数字图像，并用于训练基于转移学习的模型（即ResNet34），该模型旨在根据小麦和开心果含量对图像进行分类。本文获得的结果旨在作为概念验证，以评估数字成像与深度学习技术相结合的食物过敏原检测的真正潜力。
-
在食物蛋白质衍生肽数据库中对胆汁酸结合肽进行机器学习筛选
今天介绍一篇近期由日本名古屋大学生物分子工程系的Kento Imai等人发表于Nature scientific reports的文章。文中使用BIOPEP-UWM和机器学习开发了一种新的生物活性肽筛选方法，有助于识别胆汁酸结合肽以及其他生物活性肽。
-
人体对食物的餐后反应与精准营养的潜力
今天介绍一篇由Sarah E. Berry等人前段时间发布于nature medicine的一篇文章。文中对英国（n=1002）和美国（n=100）的年轻健康成年人进行餐后代谢反应评估，并开发机器学习模型来预测人体内的甘油三酸酯（r=0.47）和血糖（r=0.77）对食物摄入的反应，这项技术有助于制定个性化的饮食策略。
-
Nutrients：eBASIS数据库中的可提取和不可提取抗氧化剂成分：人类健康和疾病研究中膳食评估的关键工具
今天介绍一篇由Jenny Plumb等人于2020年11月在线发表在Nutrients（IF=6.71）上的文章。这篇文章讨论了eBASIS数据库的更新，该数据库包括可提取和不可提取的抗氧化剂，这对于评估食物基质的抗氧化性质及其与人类健康的相关性非常重要。文章还介绍了非可提取多酚的重要性、测量食物和膳食补充剂中抗氧化活性/容量的各种方法、维护和更新食物成分数据库的重要性以及相关挑战。总体而言，文章强调了需要标准化的方法和数据库来准确评估我们饮食中的生物活性化合物及其潜在的健康益处
-
INT J PROD：影响人工智能在食品供应链中应用的关键成功因素
今天介绍一篇由英国布鲁内尔大学Manoj Dora等人于2021年8月在线发表在International Journal of Production Research上的文章。该研究旨在通过文献综述，确定人工智能在食品供应链中应用的关键成功因素。
-
基于免疫层析试纸条和人工智能图像识别算法的农药多残留快速检测技术
近期，中国农业科学院农业质量标准与检测技术研究所王静教授领衔的农业化学污染物残留检测及行为研究创新团队开发了一种集成了农药残留免疫检测、图像识别、人工智能、大数据和物联网等技术的农药多残留快速检测技术。
-
预测下一场革命：食品技术对消费者接受度和满意度的影响
撰文和翻译：王雪洁 编辑：肖冉 今天介绍一篇由Nuria Recuero-Virto等人于2022年1月在线发表在British Food Journal上的文章。本文是通过收集和…
