基于品评小组可靠性筛选葡萄酒的香气描述符

杨 洁，郭少鹏，李金梁，郭安鹊,2,

（1.西北农林科技大学葡萄酒学院，陕西 杨凌 712100；2.陕西省葡萄与葡萄酒工程技术研究中心，陕西 杨凌 712100）

香气是葡萄酒的重要感官特性，是构成葡萄酒品质和风格的主要因素[1-2]。近年来，随着香气成分萃取方法和分析技术的发展，色谱技术，特别是气相色谱-质谱联用技术，已经成为定性、定量分析葡萄酒香气成分的有效方法，为分析鉴定葡萄酒气味物质提供了强有力的手段[3]。报道显示，在葡萄酒中已鉴定出1 300多种挥发性成分，但是由于受气味物质种类、含量、感觉阈值及其相互作用的影响，仅有一小部分挥发性成分对葡萄酒的香气具有贡献[4-5]。截至目前，仪器分析方法还不能全面评价葡萄酒的风味特征，特别是难以“检测”气味之间的相互作用和非挥发性物质对整体香气的影响[6]；感官评价仍然是衡量葡萄酒品质和风格最直接、有效的方法[7-8]。

感官评价是通过唤起（组织）、测定、分析和解释产品进而获得产品感官特性的一种科学方法[9]。简单来讲，就是品评员利用器官去了解、确定产品（如葡萄酒）的感官特性及其优缺点，并最终评价产品品质的一种方法[10]。由于以人的感觉器官作为“测定分析仪器”，因此人在感官评价过程中起着决定性的作用[11]。然而，考虑到品评员之间普遍存在评价尺度、评价位置和评价方向等方面的差异，为保证感官分析结果的客观性和科学性，需要由一定数量品评员组成的品评小组对葡萄酒进行正式品评[10,12-14]。如今，随着感官评价技术的不断发展与完善，描述性分析尤其是定量描述性分析（quantitative descriptive analysis，QDA）在葡萄酒风味研究中的应用最为广泛[15]，其主要借助多元统计分析方法筛选葡萄酒的香气描述符[8,12,16-17]。

因此，在葡萄酒感官评价中，为获得可靠的感官数据，其关键取决于品评小组及其成员的表现[13,18]。然而，在上述有关葡萄酒香气感官特性的研究中，涉及品评员的培训方法和考核指标很多[19]，但是却罕见评估品评小组及其成员可靠性的相关数据报道，很大程度上限制了感官评价结果的准确性和可信度。为此，本研究旨在通过评估葡萄酒品评小组及其成员表现，获得可靠的感官数据；并在此基础上，科学规范葡萄酒特征香气描述符的筛选方法，为进一步明确我国产区葡萄酒的品质和风格提供科学依据和技术支撑。

1 材料与方法

1.1 材料

9 款‘赤霞珠’干红葡萄酒的基本信息见表1。酒样分别来自甘肃紫轩、宁夏玉泉国际、宁夏长城天赋等企业，均是利用所在产区葡萄原料生产的商品葡萄酒。

表1 本研究中的酒样基本信息Table1 Basic information of wine samples tested in this study

1.2 方法

1.2.1 葡萄酒品评小组的组建

品评小组由国家级品酒员和葡萄酒行业内从业人员组成，从业时间均在5 年以上，品评员平均年龄为35 岁，男女比例接近1∶1。按照GB/T 16291.1—2012《感官分析 选拔、培训与管理评价员一般导则 第1部分：优选评价员》、GB/T 16291.2—2010《感官分析 选拔、培训和管理评价员一般导则 第2部分：专家评价员》对品评员进行培训、考核与筛选。经过葡萄酒品评、香气参比样辨别测试和定量描述性分析等训练后，最终确定由14 名品评员组成的品评小组进行正式实验。

1.2.2 葡萄酒香气的定量描述性分析

品评前准备：品评地点在西北农林科技大学葡萄酒学院感官分析实验室。室内采用隔板分隔成独立的品评小室，光源为发出均匀散射光的日光灯（色温6 500 K），室内温度为20～22 ℃，相对湿度为60%～70%。每个品评小室配有用来传递样品的窗口、电脑操作台、座椅、水池、笔、纸等，并提供纯净水和无盐饼干。所有酒样（含重复样）采用随机三位数编码，上样顺序遵循平衡不完全区组设计[20]。依照实验设计，提前将葡萄酒样品编号和定量描述性分析方法录入“CSAS-轻松感官分析软件系统”。

QDA法：首先，品评员对18 个样品（9 款葡萄酒加上各自的重复）进行2 轮品评，每轮完成后休息10 min。其次，对于提供的每一个样品，要求每位品评员使用4 个香气描述符评价该葡萄酒的特征香气。最后，按照GB/T 16861—1997《感官分析 通过多元分析方法鉴定和选择用于建立感官剖面的描述词》中的方法，要求品评员对使用的每一个香气描述符在标度0～5上标出它的位置，即记录感觉到的强度。具体强度描述为没有感觉（0）、弱（1）、稍弱（2）、平均（3）、稍强（4）和强（5）。

1.2.3 品评员可靠性和品评小组一致性评价

首先，通过删除不恰当描述词汇，合并同义术语，对葡萄酒香气描述符进行规范整理[21]，获得原始感官数据。然后，计算品评员平均重现性指数（Ri），并通过Panel Check软件提供的检验统计量F值、均方误差（mean-square error，MSE）值、Manhattan图等可视化数据，评估品评员的重现性、区分能力和可重复性，以及品评小组的一致性[22-24]。

其中Ri反映品评员的重现性，按式（1）计算。

式中：descom为两次重复品评中品评员出现相同描述符的次数；desrep1+desrep2为两次重复品评中品评员给出的描述符总数；n为酒样数量；Ri值的范围为0～1。

MSE值用来衡量品评员的可重复性，按式（2）计算，如果N个数据分为r组，且第i组的样本方差为Si2，则全体的均方误差为MSE；如果只有一组数据，样本方差即均方误差。

式中：F是组间均方（mean square average，MSA）与MSE的比值。通常情况下，一个品评员所评价属性的F值越高、MSE值越小，说明该品评员对该属性的辨别能力越强；个体的可重复性越好，区分样品的能力就越强[25]。

Manhattan图：通过Panel Check软件绘制的Manhattan图中，主成分分析（principal component analysis，PCA）实现了品评员感官数据的可视化。针对特定香气属性，“灰度”代表该主成分（纵坐标）解释每个品评员（横坐标）变异量的大小：深色代表变异量很小，浅色反之[26-27]。从Manhattan图中可以看出，品评员对应的每个主成分会发生灰度的变化，通常主成分1（PC1）的颜色较深，随着其他主成分的累积（累计解释变异量），颜色从上到下逐渐变浅[26]。

1.2.4 基于多元统计分析筛选葡萄酒香气描述符

品评小组经可靠性评估后确定最终成员名单，以他们的感官数据作为原始变量进行统计分析。首先参照GB/T 16861—1997中的方法，计算几何平均值M。M值是产品出现的每一描述符频率F和相对强度I乘积的平方根（式（4））。然后，按M值大小对描述符进行排序，整理出排名前10的香气描述符。最后，借助多元统计分析方法，主要是PCA和聚类分析（cluster analysis，CA），筛选出3～5 个葡萄酒特征香气描述符[28]。

式中：F为描述符实际被述及的次数占该描述符所有可能被述及总次数的百分率/%；I为品评小组实际给出的一个描述符的强度和占该描述符最大可能所得强度的百分率/%。

1.3 数据统计与分析

利用CSAS-轻松感官分析软件系统V2.0收集品评员的原始感官数据，采用Panel Check V1.4.2软件获得MSE值、F值及Manhattan图等，借助数据处理软件DPS V6.50和Origin Pro 2018软件对感官数据进行主成分分析和聚类分析。

2 结果与分析

2.1 品评小组及其成员的表现评估

2.1.1 品评员的个体表现

通过对18 个样品（9 款酒样各重复1 次）香气属性的定量描述性分析，获得每款葡萄酒及其重复样品的香气描述符。14 名品评员的平均重现性指数（Ri）计算结果如表2所示。Campo等[24]经研究认为，Ri＜0.2的品评员应被淘汰。由表2可知，14 名品评员的Ri均大于0.25，初步显示各品评员的个人表现均较好。

表2 品评员的平均重现性指数Table2 Average repeatability index of each assessor

2.1.2 品评员辨别能力和可重复性表现

采用Panel Check软件获得品评员的F值和MSE值（图1），图中的每条线代表一个香气描述符。由图1A可知，部分品评员对一些香气描述符的辨别能力较好，F值高于或接近5%显著水平；图1B显示，大部分品评员对大多数香气描述符的可重复性较好（MSE值较小）。例如，8号和9号品评员的辨别能力和可重复性都比较好，而2号品评员的表现则较差（MSE值偏大）。值得注意的是，MSE值很小也可能是由于样品之间没有区分度[22]，通常要结合F值进行综合分析。

结合图1A和图1B发现，2号品评员在描述酒样的香气属性时，F值没有达到5%显著水平且MSE值明显大于其他成员，表明其对香气属性的辨别能力和可重复性较差，尤其是对覆盆子、黑醋栗和樱桃的评价。因此，为保证分析结果的可靠性，考虑将2号品评员淘汰。

p*MSE图（图2）能更加直观地显示出可重复性差或辨别能力差的品评员[26]。如果样品之间的差异确实存在，所有品评员所评价的香气属性应为低p值和低MSE值，即香气描述符主要集中于图2中各图的左下角。很明显，2号品评员所提供的部分香气描述符（图中椭圆内的实心方点）明显偏离其他品评员所描述的香气属性（图2）。因此，需要淘汰2号品评员。

图2 14 名品评员的p*MSE图Fig. 2 p*MSE plot for 14 assessors

2.1.3 品评小组一致性评估

淘汰2号品评员后，对剩余13 名品评员的感官数据进行标准化处理，结果如图3所示（共得到15 幅Manhattan图）。需要说明的是，特定香气属性上标准偏差为0的感官数据将被剔除，即会空缺某些品评员（该品评员的香气描述符中没有使用该词汇）。由图3可知，描述符黑醋栗对应的白色区域最多，所有成员的前3 个主成分累计解释变异量达到80%左右，说明品评小组在该香气属性上表现一致；综合分析显示，其他大部分香气描述符的前3 个主成分累计贡献率达到了70%左右。另外，双因素方差分析结果显示描述符“覆盆子”差异达到显著水平（P＜0.05）、描述符“咖啡”达到了高度显著水平（P＜0.001）。

图3 评估品评小组一致性表现的Manhattan图Fig. 3 Manhattan plots for aromatic descriptors to assess the consistency within sensory panel

综上，经过严格、科学规范的感官培训，单个品评员辨别能力和可重复性较好；淘汰2号品评员后，品评小组表现出良好的一致性。因此，最终确定由13 人组建成立品评小组，他们的感官数据将用于葡萄酒特征香气描述符的筛选研究。

2.2 ‘赤霞珠’葡萄酒特征香气描述符的筛选

以M值排名前10香气描述符的强度值为原始变量，进行主成分分析、聚类分析，并结合M值排序结果，筛选出各款葡萄酒的特征香气。现以酒样S1为例说明葡萄酒特征香气描述符的筛选过程。其他单个酒样亦如此，品种、年份或产地葡萄酒的香气描述符筛选方法也相同。

首先，计算该款‘赤霞珠’葡萄酒香气描述符对应的M值，确定排名前10的香气描述符。酒样S1排名前10的香气描述符见表3。

表3 M值排名前10的葡萄酒香气描述符Table3 Top 10 most important aromatic descriptors of wine according to M values

其次，对S1的感官数据进行主成分分析。根据表4可以得出，前5 个主成分的累计贡献率达到了87.63%（＞85%），说明前5 个主成分基本包含了全部指标（上述10 个香气描述符）所包含的信息。特征向量是单位尺度的载荷，根据特征值对应的规格化特征向量，将所占权重大的描述符选取出来。由表5可以看出，在主成分1中X（7）和X（9）所占权重最大，即分别代表描述符巧克力和樱桃；在主成分2中X（2）和X（3）所占权重最大，分别代表黑醋栗和红醋栗。同理，在前5 个主成分中，还可以筛选出胡椒、焦糖、覆盆子、烟熏描述符，一共8 个香气描述符。

表4 酒样S1各主成分的特征值、贡献率和累计贡献率Table4 Characteristic values, contribution rates and cumulative contribution rates of first 10 principal components for S1

表5 酒样S1主成分分析规格化特征向量Table5 Standardized feature vectors of first 10 principal components for wine sample S1

接着，对上述8 个描述符的原始感官数据进行系统聚类分析（聚类距离为欧氏距离，聚类方法为离差平方和法）。

由图4可以看出，在欧氏距离为12.76时酒样S1的特征香气可以划分为3 个类别：1）黑醋栗；2）胡椒、焦糖或樱桃；3）烟熏、覆盆子、红醋栗或巧克力。

图4 酒样S1特征香气描述符的系统聚类图Fig. 4 Clustering dendrogram of characteristic aroma descriptors of wine sample S1

最后，综合香气描述符的M值排序、主成分分析和聚类分析结果，描述酒样的特征香气。酒样S1特征香气：以果香（黑醋栗、红醋栗、樱桃、覆盆子）为主，且焙烤类香气（焦糖、巧克力、烟熏）突出，兼有佐料（胡椒）香气。同理，基于多元统计分析可以获得其他8 款酒样的特征香气（表6）。

表6 9 款‘赤霞珠’红葡萄酒的香气感官特征Table6 Sensory aroma characteristics of nine brands of ‘Cabernet Sauvignon’ wine

综上，通过汇总9 款‘赤霞珠’葡萄酒的原始感官数据，依照单个酒样特征香气描述符的筛选方法，明确了实验‘赤霞珠’干红葡萄酒（品种）的特征香气：以黑色浆果香气为主（黑醋栗、蓝莓），且红色浆果（樱桃、红醋栗、覆盆子）和焙烤类香气（烟熏、焦糖、巧克力）突出，兼有佐料香气（胡椒）。

为区分上述酒样在香气描述符方面的产地差异，对9 款酒样特征香气描述符的强度进行主成分分析。结果显示，前两个主成分解释原始变量的62.7%（图5）。根据PC1（40.8%）和PC2（21.9%）上的载荷分布，描述符樱桃、草莓、覆盆子位于PC1正半轴，而描述符咖啡等焙烤类香气位于PC1负半轴；此外，朝向PC2负半轴，黑色浆果香气浓郁，反之则橡木、胡椒等香气浓郁。酒样得分结果显示，宁夏地区酒样S3、S4主要分布在PC1正半轴，红色水果香气较其他样品突出，而新疆石河子地区酒样S9与其他样品区分明显，位于PC1负半轴，咖啡香气突出；甘肃地区酒样S1、S2位于PC2的负半轴，以黑色浆果香气为主。根据香气描述符的相似性，实验酒样被聚为4 类（图5），其中S3、S4同为宁夏产区。综上可知，酒样之间虽有差别，但产区之间的差异并不明显，这可能与产区差异的典型性[2]、评价尺度的精细程度[29-30]等因素有关。

图5 9 款‘赤霞珠’葡萄酒特征香气的主成分分析Fig. 5 Biplot of PCA for characteristic aromas of nine brands of‘Cabernet Sauvignon’ wine

3 结 论

本实验明确了葡萄酒品评小组可靠性评估的重要指标。专家品评小组的可靠性是保证葡萄酒感官分析结果客观、科学的关键因素。基于品评员对重复酒样的定量描述性分析，借助Panel Check软件，通过平均重现性指数Ri、检验统计量F值、均方误差MSE值以及p*MSE图和Manhattan图，有效评估了品评员对葡萄酒香气特性的辨别能力、可重复性，以及品评小组的一致性，确定了最终品评小组成员名单，获得了可靠的感官品评数据。

与此同时，本实验规范了基于定量描述性分析筛选葡萄酒特征香气描述符的方法。以获得的可靠感官数据为原始变量，综合M值排序、主成分分析和聚类分析结果，规范了葡萄酒特征香气描述符的筛选方法，明确了实验‘赤霞珠’干红葡萄酒的特征香气。

总之，基于品评小组及其成员表现评估构建的葡萄酒特征香气描述符筛选方法，为客观评价和明确我国产区葡萄酒的品质和风格提供了科学依据和技术支撑，对形成和提升我国葡萄酒的国际市场竞争优势、实现国产葡萄酒产业的可持续发展具有一定意义。同时，该规范方法具有广泛的普适性，不仅适用于葡萄酒，也适用于果酒饮料及其他食品领域中相关产品感官特征描述符的筛选研究。