CN111552920A - 基于气候条件和葡萄品种的红酒评价系统及其评价方法 - Google Patents
基于气候条件和葡萄品种的红酒评价系统及其评价方法 Download PDFInfo
- Publication number
- CN111552920A CN111552920A CN202010181072.6A CN202010181072A CN111552920A CN 111552920 A CN111552920 A CN 111552920A CN 202010181072 A CN202010181072 A CN 202010181072A CN 111552920 A CN111552920 A CN 111552920A
- Authority
- CN
- China
- Prior art keywords
- wine
- grape
- evaluation
- variety
- varieties
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 177
- 240000006365 Vitis vinifera Species 0.000 title claims abstract description 164
- 238000011156 evaluation Methods 0.000 title claims abstract description 91
- 235000020095 red wine Nutrition 0.000 title claims abstract description 57
- 235000009754 Vitis X bourquina Nutrition 0.000 title claims abstract description 35
- 235000012333 Vitis X labruscana Nutrition 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 57
- 238000012417 linear regression Methods 0.000 claims abstract description 31
- 238000013479 data entry Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 16
- 241000219095 Vitis Species 0.000 claims abstract 13
- 235000014101 wine Nutrition 0.000 claims description 37
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 description 4
- 240000007942 Prunus pensylvanica Species 0.000 description 2
- 235000013647 Prunus pensylvanica Nutrition 0.000 description 2
- 239000003205 fragrance Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000011514 vinification Methods 0.000 description 2
- 244000223760 Cinnamomum zeylanicum Species 0.000 description 1
- 244000171263 Ribes grossularia Species 0.000 description 1
- 235000002357 Ribes grossularia Nutrition 0.000 description 1
- 240000001890 Ribes hudsonianum Species 0.000 description 1
- 235000016954 Ribes hudsonianum Nutrition 0.000 description 1
- 235000001466 Ribes nigrum Nutrition 0.000 description 1
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 1
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 1
- 244000077233 Vaccinium uliginosum Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021014 blueberries Nutrition 0.000 description 1
- 235000017803 cinnamon Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于气候条件和葡萄品种的红酒评价系统及其评价方法，包括数据录入单元、模型构建单元和评价学习单元；其中：数据录入单元收集酿酒葡萄产区的历史气候信息和酿酒葡萄品种信息，并将上述收集的信息进行归一化处理并保存；模型构建单元基于历史气候信息和酿酒葡萄品种信息作为变量来构建酿酒葡萄酿造红酒评价的多元线性回归模型；评价学习单元向模型构建单元构建的多元线性回归模型输入待评价红酒的酿造葡萄产区、酿造葡萄品种信息，并输出预测的红酒评价结果。
Description
技术领域
本发明涉及酿酒用葡萄酿造技术领域，尤其涉及一种基于气候条件和葡萄品种的红酒评价系统及其评价方法。
背景技术
全球的葡萄品种很多，全球大约有8000多种，总体上可以分为两类，即酿酒葡萄和食用葡萄，经过多年筛选，知名的酿酒葡萄只有大约70种，不同品种的酿酒葡萄对种植所需要的气象条件、土壤条件在内的风土环境的要求差异极大。
我国酿酒葡萄主要分布在179个县，形成了胶东半岛产区、河北产区、天津产区、黄河故道产区、宁夏产区、东北产区、新疆产区、山西产区和西南产区共十大产区，葡萄种植面积达到56万公顷，各产区气候环境和水土环境差异极大。俗话说，好山好水出好酒，合适产地所培育的酿酒葡萄，既便于用户识别，其酿造的红酒才具有更好的品质和市场价值，对稳定产品品质具有重要意义。
发明内容
有鉴于此，本发明提出了一种基于酿酒葡萄品种以及对酿酒葡萄种植地气候、土壤评价的红酒评价系统及其评价方法。
本发明的技术方案是这样实现的：
一方面，本发明提供了基于气候条件和葡萄品种的红酒评价系统，包括数据录入单元、模型构建单元和评价学习单元；
其中：数据录入单元收集酿酒葡萄产区的历史气候信息和酿酒葡萄品种信息，并将上述收集的信息进行归一化处理并保存；
模型构建单元基于历史气候信息和酿酒葡萄品种信息作为变量来构建酿酒葡萄酿造红酒评价的多元线性回归模型；
评价学习单元向模型构建单元构建的多元线性回归模型输入待评价红酒的酿造葡萄产区、酿造葡萄品种信息，并输出预测的红酒评价结果。
在以上技术方案的基础上，优选的，所述数据录入单元包括酿酒葡萄品种库、产区气候知识库和预处理模块；酿酒葡萄品种库记录各酿酒葡萄的品种名称、香气、酸度、酒体、浓郁度和复杂度数据；产区气候知识库记录各酿酒葡萄的产区名称、无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数据；预处理模块分别按地区和品种将上述酿酒葡萄品种库和产区气候知识库并进行归一化处理并进行保存。
进一步优选的，所述模型构建单元分别基于酿酒葡萄品种的评价的多元线性回归子模型y1和基于酿酒葡萄产区的权重评价子模型y2，令酿酒葡萄酿造红酒评价的多元线性回归模型为y，则y＝0.6y1+0.4y2+t；
上式中：对于基于酿酒葡萄品种的评价的多元线性回归子模型y1，有
y1＝a1x1+a2x2+a3x3+a4x4+a5x5；
其中为自变量x1-x5分别是是酿酒葡萄品种对应的香气、酸度、酒体、浓郁度和复杂度的归一化处理后的数据，x1-x5取值范围为[0.4，1]；a1-a5分别是自变量x1-x5的偏回归系数；a1＝0.05，a2＝0.65，a3＝0.1，a4＝0.07，a5＝0.13；
y2＝b1x6+b2x7+b3x8+b4x9+b5x10+b6x11；
其中自变量x6-x11分别是酿酒葡萄的产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值归一化处理后的数据；x6-x11的取值范围为[0，1]，b1-b6为自变量x6-x11的偏回归系数，b1＝0.55178，b2＝0.37604，b3＝0.85324，b4＝0.82577，b5＝0.45623，b6＝-0.35658；t为修正项，t的取值范围为[-1，0]。
更进一步优选的，所述酿酒葡萄品种对应的酸度范围为6—10g/L；酸度不超过6g/L时，x2的取值范围按下限计算；酸度超过10g/L时，x2按取值范围上限计算。
再进一步优选的，所述修正项t为酿酒葡萄品种的总糖量，酿酒葡萄品种的总糖量超过180g/L时，t＝0；酿酒葡萄的总糖量小于180g/L时，t＝-1。
再进一步优选的，所述评价学习单元录入酿酒葡萄产区、酿酒葡萄品种信息，并采用K近邻算法，计算酿酒葡萄品种在对应酿酒葡萄产区的香气、酸度、酒体、浓郁度、复杂度、产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值，分别取各自变量平均值作为自变量x1-x11列入酿酒葡萄酿造红酒评价的多元线性回归模型y中计算评价结果，其中K<5。
另一方面，本发明提供了基于气候条件和葡萄品种的红酒评价系统的评价方法，包括如下步骤：
S100：配置数据录入单元、模型构建单元和评价学习单元；
S110：数据录入单元的酿酒葡萄品种库记录各酿酒葡萄的品种名称、香气、酸度、酒体、浓郁度和复杂度数据；数据录入单元的产区气候知识库记录各酿酒葡萄的产区名称、无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数据；预处理模块分别按地区和品种将上述酿酒葡萄品种库和产区气候知识库并进行归一化处理并进行保存；
S120：模型构建单元构建酿酒葡萄酿造红酒评价的多元线性回归模型y；
S130：评价学习单元录入酿酒葡萄产区、酿酒葡萄品种信息，采用K近邻算法，计算酿酒葡萄品种在对应酿酒葡萄产区的香气、酸度、酒体、浓郁度、复杂度、产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值，归一化处理后分别取各自变量平均值作为自变量x1-x11，列入酿酒葡萄酿造红酒评价的多元线性回归模型y中计算评价结果；
S140：如果酿酒葡萄品种为国际通用的50种时，当评价结果y≥3.7，则判定该酿酒葡萄酿造的红酒为A2级；评价结果3≤y＜3.7，则判定该酿酒葡萄酿造的红酒为A2级；如果评价结果y＜3，则判定该酿酒葡萄酿造的红酒为B级；
如果酿酒葡萄品种不是国际通用的50种，则不采用上述方法计算，直接判定该酿酒葡萄酿造的红酒为B级。
本发明提供的基于气候条件和葡萄品种的红酒评价系统及其评价方法，相对于现有技术，具有以下有益效果：
(1)本发明利用了酿酒葡萄产区的历史气候信息和酿酒葡萄品种信息，选取对葡萄酒品种关联的因素共同构建有关酿酒葡萄制造的葡萄酒评价的多元线性回归模型，便于快捷的对红酒品质进行评价；
(2)分别建立基于酿酒葡萄品种的评价的多元线性回归子模型y1和基于酿酒葡萄产区的权重评价子模型y2；以便提高酿酒葡萄制造的葡萄酒评价的多元线性回归模型的可靠性；
(3)采用K近邻算法，可提高葡萄酒评价的多元线性回归模型的自变量取值的精度，提高评价结果的可靠性；
(4)根据修正后的评价结果对葡萄品种酿造的红酒进行分类后，便于用户识别和区分红酒品质。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于气候条件和葡萄品种的红酒评价系统及其评价方法的系统框图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明提供了基于气候条件和葡萄品种的红酒评价系统，包括数据录入单元、模型构建单元和评价学习单元；
其中：数据录入单元收集酿酒葡萄产区的历史气候信息和酿酒葡萄品种信息，并将上述收集的信息进行归一化处理并保存；
模型构建单元基于历史气候信息和酿酒葡萄品种信息作为变量来构建酿酒葡萄酿造红酒评价的多元线性回归模型；
评价学习单元向模型构建单元构建的多元线性回归模型输入待评价红酒的酿造葡萄产区、酿造葡萄品种信息，并输出预测的红酒评价结果。
数据录入单元包括酿酒葡萄品种库、产区气候知识库和预处理模块；酿酒葡萄品种库记录各酿酒葡萄的品种名称、香气、酸度、酒体、浓郁度和复杂度数据；产区气候知识库记录各酿酒葡萄的产区名称、无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数据；预处理模块分别按地区和品种将上述酿酒葡萄品种库和产区气候知识库并进行归一化处理并进行保存。
模型构建单元分别基于酿酒葡萄品种的评价的多元线性回归子模型y1和基于酿酒葡萄产区的权重评价子模型y2，令酿酒葡萄酿造红酒评价的多元线性回归模型为y，则y＝0.6y1+0.4y2+t；
上式中：对于基于酿酒葡萄品种的评价的多元线性回归子模型y1，有
y1＝a1x1+a2x2+a3x3+a4x4+a5x5；
其中为自变量x1-x5分别是是酿酒葡萄品种对应的香气、酸度、酒体、浓郁度和复杂度的归一化处理后的数据，x1-x5取值范围为[0.4，1]；a1-a5分别是自变量x1-x5的偏回归系数；a1＝0.05，a2＝0.65，a3＝0.1，a4＝0.07，a5＝0.13；
y2＝b1x6+b2x7+b3x8+b4x9+b5x10+b6x11；
其中自变量x6-x11分别是酿酒葡萄的产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值归一化处理后的数据；x6-x11的取值范围为[0，1]，b1-b6为自变量x6-x11的偏回归系数，b1＝0.55178，b2＝0.37604，b3＝0.85324，b4＝0.82577，b5＝0.45623，b6＝-0.35658；t为修正项，t的取值范围为[-1，0]。
影响葡萄品种品质的主要因素一方面有品质名称、香气、酸度、酒体和复杂度等，下表是部分酿酒葡萄品种收获时的香气、酸度、酒体、浓郁度和复杂度参考数据；
| 名称 | 起源 | 香气/香气值 | 酸度值 | 酒体值 | 复杂度值 |
| 赤霞珠 | 法国 | 醋栗1 | 1 | 1 | 1 |
| 梅洛 | 法国 | 红樱桃1 | 0.6 | 0.6 | 0.8 |
| 黑皮诺 | 法国 | 紫罗兰1 | 0.8 | 0.4 | 0.8 |
| 西拉 | 法国 | 红樱桃1 | 0.8 | 0.8 | 0.8 |
| 歌海娜 | 西班牙 | 黑醋栗1 | 0.6 | 0.6 | 0.8 |
| 品丽珠 | 法国 | 蓝莓肉桂1 | 0.6 | 0.6 | 0.8 |
香气对应的有圆润、可口、柔和、粗糙、味涩生硬等几个等级，分别对应；香气值1、0.8、0.6、0.4和0.2；酒体分为饱满、中高、中等和中低等级，分别对应酒体值为1、0.8、0.6和0.4；复杂度分为高、中高、中等和中低等级，分别对应复杂度值为1、0.8、0.6和0.4。决定红酒口感的主要是总糖量和酸度，故x2偏回归系数占据的比例较大，其他因素偏回归系数占比较小。
另一方面，酿酒葡萄品种种植产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温等气候因素，决定了酿酒葡萄的生长环境，并间接决定了酿酒葡萄果实的香气、酸度、酒体和复杂度。当某一品种的酿酒葡萄在一个产区内存在多个对应的产地时，应综合考虑。本发明采用的方法是将满足该酿酒葡萄种植的同一产区的各产地，取该参数的平均值作为该产区的参数，舍弃最大值和最小值。
下表列出了福建福州产区的部分无霜期、平均气温、年降水量、年日照时长、湿度和有效积温等气候因素表格：
将各酿酒葡萄产区的信息与酿酒葡萄种植需求进行对标，筛选关联度高的产区进行排序后将各无霜期、平均气温、年降水量、年日照时长、湿度和有效积温等气候因素按照酿酒葡萄种植需求的范围进行归一化取值。
上述公式中，酿酒葡萄品种对应的酸度范围为6—10g/L；酸度不超过6g/L时，x2的取值范围按下限计算；酸度超过10g/L时，x2按取值范围上限计算。
修正项t为酿酒葡萄品种的总糖量，酿酒葡萄品种的总糖量超过180g/L时，t＝0；酿酒葡萄的总糖量小于180g/L时，t＝-1。
评价学习单元录入酿酒葡萄产区、酿酒葡萄品种信息，并采用K近邻算法，计算酿酒葡萄品种在对应酿酒葡萄产区的香气、酸度、酒体、浓郁度、复杂度、产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值，分别取各自变量平均值作为自变量x1-x11列入酿酒葡萄酿造红酒评价的多元线性回归模型y中计算评价结果，其中K<5。K近邻算法是比较常见的机器学习算法，在此不做赘述。
另外，本发明提供了基于气候条件和葡萄品种的红酒评价系统的评价方法，包括如下步骤：
S100：配置数据录入单元、模型构建单元和评价学习单元；
S110：数据录入单元的酿酒葡萄品种库记录各酿酒葡萄的品种名称、香气、酸度、酒体、浓郁度和复杂度数据；数据录入单元的产区气候知识库记录各酿酒葡萄的产区名称、无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数据；预处理模块分别按地区和品种将上述酿酒葡萄品种库和产区气候知识库并进行归一化处理并进行保存；
S120：模型构建单元构建酿酒葡萄酿造红酒评价的多元线性回归模型y；
S130：评价学习单元录入酿酒葡萄产区、酿酒葡萄品种信息，采用K近邻算法，计算酿酒葡萄品种在对应酿酒葡萄产区的香气、酸度、酒体、浓郁度、复杂度、产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值，归一化处理后分别取各自变量平均值作为自变量x1-x11，列入酿酒葡萄酿造红酒评价的多元线性回归模型y中计算评价结果；
S140：如果酿酒葡萄品种为国际通用的50种时，当评价结果y≥3.7，则判定该酿酒葡萄酿造的红酒为A2级；评价结果3≤y＜3.7，则判定该酿酒葡萄酿造的红酒为A2级；如果评价结果y＜3，则判定该酿酒葡萄酿造的红酒为B级；
如果酿酒葡萄品种不是国际通用的50种，则不采用上述方法计算，直接判定该酿酒葡萄酿造的红酒为B级。
上述方案对应的是单一酿酒葡萄品种酿造的红酒的评级，本发明根据评价结果分为优、良和一般三种，分别对应A2、A1和B级。
如果红酒是按重量份或者体积份数进行混合而成的酒，采用本发明进行红酒评级时则应分别对酿酒葡萄品种按照多元线性回归模型y计算评级，再分别乘以各自重量或者体积占总量之比，获得最终的混合评级结果。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.基于气候条件和葡萄品种的红酒评价系统，其特征在于：包括数据录入单元、模型构建单元和评价学习单元；
其中：数据录入单元收集酿酒葡萄产区的历史气候信息和酿酒葡萄品种信息，并将上述收集的信息进行归一化处理并保存；
模型构建单元基于历史气候信息和酿酒葡萄品种信息作为变量来构建酿酒葡萄酿造红酒评价的多元线性回归模型；
评价学习单元向模型构建单元构建的多元线性回归模型输入待评价红酒的酿造葡萄产区、酿造葡萄品种信息，并输出预测的红酒评价结果。
2.如权利要求1所述的基于气候条件和葡萄品种的红酒评价系统，其特征在于：所述数据录入单元包括酿酒葡萄品种库、产区气候知识库和预处理模块；酿酒葡萄品种库记录各酿酒葡萄的品种名称、香气、酸度、酒体、浓郁度和复杂度数据；产区气候知识库记录各酿酒葡萄的产区名称、无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数据；预处理模块分别按地区和品种将上述酿酒葡萄品种库和产区气候知识库并进行归一化处理并进行保存。
3.如权利要求2所述的基于气候条件和葡萄品种的红酒评价系统，其特征在于：所述模型构建单元分别基于酿酒葡萄品种的评价的多元线性回归子模型y1和基于酿酒葡萄产区的权重评价子模型y2，酿酒葡萄酿造红酒评价的多元线性回归模型为y，则y＝0.6y1+0.4y2+t；
上式中：对于基于酿酒葡萄品种的评价的多元线性回归子模型y1，有
y1＝a1x1+a2x2+a3x3+a4x4+a5x5；
其中为自变量x1-x5分别是是酿酒葡萄品种对应的香气、酸度、酒体、浓郁度和复杂度的归一化处理后的数据，x1-x5取值范围为[0.4，1]；a1-a5分别是自变量x1-x5的偏回归系数；a1＝0.05，a2＝0.65，a3＝0.1，a4＝0.07，a5＝0.13；
y2＝b1x6+b2x7+b3x8+b4x9+b5x10+b6x11；
其中自变量x6-x11分别是酿酒葡萄的产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值归一化处理后的数据；x6-x11的取值范围为[0，1]，b1-b6为自变量x6-x11的偏回归系数，b1＝0.55178，b2＝0.37604，b3＝0.85324，b4＝0.82577，b5＝0.45623，b6＝-0.35658；t为修正项，t的取值范围为[-1，0]。
4.如权利要求3所述的基于气候条件和葡萄品种的红酒评价系统，其特征在于：所述酿酒葡萄品种对应的酸度范围为6—10g/L；酸度不超过6g/L时，x2的取值范围按下限计算；酸度超过10g/L时，x2按取值范围上限计算。
5.如权利要求3所述的基于气候条件和葡萄品种的红酒评价系统，其特征在于：所述修正项t为酿酒葡萄品种的总糖量，酿酒葡萄品种的总糖量超过180g/L时，t＝0；酿酒葡萄的总糖量小于180g/L时，t＝-1。
6.如权利要求3所述的基于气候条件和葡萄品种的红酒评价系统，其特征在于：所述评价学习单元录入酿酒葡萄产区、酿酒葡萄品种信息，并采用K近邻算法，计算酿酒葡萄品种在对应酿酒葡萄产区的香气、酸度、酒体、浓郁度、复杂度、产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值，分别取各自变量平均值作为自变量x1-x11列入酿酒葡萄酿造红酒评价的多元线性回归模型y中计算评价结果，其中K<5。
7.基于气候条件和葡萄品种的红酒评价系统的评价方法，其特征在于：包括如下步骤：
S100：配置数据录入单元、模型构建单元和评价学习单元；
S110：数据录入单元的酿酒葡萄品种库记录各酿酒葡萄的品种名称、香气、酸度、酒体、浓郁度和复杂度数据；数据录入单元的产区气候知识库记录各酿酒葡萄的产区名称、无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数据；预处理模块分别按地区和品种将上述酿酒葡萄品种库和产区气候知识库并进行归一化处理并进行保存；
S120：模型构建单元构建酿酒葡萄酿造红酒评价的多元线性回归模型y；
S130：评价学习单元录入酿酒葡萄产区、酿酒葡萄品种信息，采用K近邻算法，计算酿酒葡萄品种在对应酿酒葡萄产区的香气、酸度、酒体、浓郁度、复杂度、产区的无霜期、平均气温、年降水量、年日照时长、湿度和有效积温数值，归一化处理后分别取各自变量平均值作为自变量x1-x11，列入酿酒葡萄酿造红酒评价的多元线性回归模型y中计算评价结果；
S140：如果酿酒葡萄品种为国际通用的50种时，当评价结果y≥3.7，则判定该酿酒葡萄酿造的红酒为A2级；评价结果3≤y＜3.7，则判定该酿酒葡萄酿造的红酒为A2级；如果评价结果y＜3，则判定该酿酒葡萄酿造的红酒为B级；
如果酿酒葡萄品种不是国际通用的50种，则不采用上述方法计算，直接判定该酿酒葡萄酿造的红酒为B级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010181072.6A CN111552920A (zh) | 2020-03-16 | 2020-03-16 | 基于气候条件和葡萄品种的红酒评价系统及其评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010181072.6A CN111552920A (zh) | 2020-03-16 | 2020-03-16 | 基于气候条件和葡萄品种的红酒评价系统及其评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111552920A true CN111552920A (zh) | 2020-08-18 |
Family
ID=72001910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010181072.6A Pending CN111552920A (zh) | 2020-03-16 | 2020-03-16 | 基于气候条件和葡萄品种的红酒评价系统及其评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111552920A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003331186A (ja) * | 2002-05-14 | 2003-11-21 | Kenei Shimada | ワイン情報提供システム |
| US20040222136A1 (en) * | 2001-05-28 | 2004-11-11 | Popp Michael A. | Method for classifying wine and coffee |
| US7124035B1 (en) * | 2005-07-27 | 2006-10-17 | Taste, Inc. | Methods and apparatus for classifying and selecting wine |
| US20130339348A1 (en) * | 2011-07-21 | 2013-12-19 | Lisa A. Pickelsimer | Wine Classification Systems and Methods of Recommending Wines |
| CN105701615A (zh) * | 2016-01-13 | 2016-06-22 | 湖南盛鼎科技发展有限责任公司 | 一种基于环境信息的农作物适宜性评价方法 |
| CN106530104A (zh) * | 2016-11-02 | 2017-03-22 | 中国农业大学 | 种植区生产适宜性的评价方法及装置 |
| CN108718890A (zh) * | 2018-04-19 | 2018-11-02 | 铜仁市万山区光保农业有限公司 | 一种基于大数据分析的葡萄培育方法 |
| CN110909981A (zh) * | 2019-10-22 | 2020-03-24 | 山东农业大学 | 一种评价中国大陆性季风气候区葡萄气候区划的方法 |
-
2020
- 2020-03-16 CN CN202010181072.6A patent/CN111552920A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040222136A1 (en) * | 2001-05-28 | 2004-11-11 | Popp Michael A. | Method for classifying wine and coffee |
| JP2003331186A (ja) * | 2002-05-14 | 2003-11-21 | Kenei Shimada | ワイン情報提供システム |
| US7124035B1 (en) * | 2005-07-27 | 2006-10-17 | Taste, Inc. | Methods and apparatus for classifying and selecting wine |
| US20130339348A1 (en) * | 2011-07-21 | 2013-12-19 | Lisa A. Pickelsimer | Wine Classification Systems and Methods of Recommending Wines |
| CN105701615A (zh) * | 2016-01-13 | 2016-06-22 | 湖南盛鼎科技发展有限责任公司 | 一种基于环境信息的农作物适宜性评价方法 |
| CN106530104A (zh) * | 2016-11-02 | 2017-03-22 | 中国农业大学 | 种植区生产适宜性的评价方法及装置 |
| CN108718890A (zh) * | 2018-04-19 | 2018-11-02 | 铜仁市万山区光保农业有限公司 | 一种基于大数据分析的葡萄培育方法 |
| CN110909981A (zh) * | 2019-10-22 | 2020-03-24 | 山东农业大学 | 一种评价中国大陆性季风气候区葡萄气候区划的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 修德仁,周润生,晁无疾,山立宏: "干红葡萄酒用品种气候区域化指标分析及基地选择", no. 03 * |
| 刘伟等: "不同流域酿酒葡萄生态适宜性研究" * |
| 梁娜娜;刘萤;王琳丽;王;吕美玲;王金花;张朝晖;韩深;: "中国和美国赤霞珠干红葡萄酒产地鉴别模型构建的应用研究", no. 12 * |
| 盛杨燕译: "《葡萄与葡萄酒研究进展 葡萄酒学院年报 2006》", 西南交通大学出版社, pages: 101 - 105 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104931430B (zh) | 一种复烤片烟自然醇化品质评价及模型构建方法 | |
| Petropoulos et al. | Fuzzy logic tool for wine quality classification | |
| CN102920005B (zh) | 一种烟叶原料分类和分组方法 | |
| CN107807206B (zh) | 一种基于工业需求的片烟适宜醇化环境及其适宜醇化时间的判定方法 | |
| CN108596485A (zh) | 一种香精香料的香气质量评价方法 | |
| CN101322969A (zh) | 一种检测分级方法 | |
| CN111552920A (zh) | 基于气候条件和葡萄品种的红酒评价系统及其评价方法 | |
| CN111436637B (zh) | 国产雪茄烟叶强制排杂处理方法 | |
| CN113780845A (zh) | 一种基于多准则决策的甘薯种质资源评价方法 | |
| CN103461816A (zh) | 一次发酵法制备馒头及馒头和面粉品质的评价方法 | |
| CN116739403A (zh) | 一种基于品质状况分布的水果综合品质评价方法 | |
| CN116183843A (zh) | 一种番茄果实口感评价方法 | |
| CN110240980A (zh) | 一种红树莓葡萄酒饮品及其制备方法 | |
| CN114568731B (zh) | 一种彰显特征香韵的常规卷烟配方烟丝开发方法 | |
| CN111950882B (zh) | 一种基于综合感官分析的酒样分级方法 | |
| Pradeepkumar et al. | Variability in physico-chemical characteristics of mango genotypes in northern Kerala | |
| CN113455696A (zh) | 一种通过烟叶类胡萝卜素降解率判断醇化进程的方法 | |
| CN107941997A (zh) | 一种外引烤烟品种种植区域遴选和验证的方法 | |
| CN102283072B (zh) | 防护林体系垂直配置方法 | |
| CN111014078B (zh) | 一种米粉专用米的快速选用方法 | |
| CN114386865A (zh) | 基于多要素过程自然属性的径流影响因素确定方法及系统 | |
| Niimi et al. | Linking the sensory properties of grape berries with wines for Vitis vinifera cv. Chardonnay | |
| CN111859305A (zh) | 一种响应面法优化牡丹苹果酒的发酵工艺 | |
| CN113455697A (zh) | 一种用吸光值表征判断烟叶醇化进程的方法 | |
| Tkachenko et al. | Influence of viticultural practices on the sensory characteristics of wine grape varieties |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |