Welcome to Chinese Journal of Tropical Crops,

Chinese Journal of Tropical Crops >

2019 , Vol. 40 >Issue 8: 1638 - 1644

DOI: https://doi.org/10.3969/j.issn.1000-2561.2019.08.027

Agricultural Product Processing, Preservation, Storage, Analysis and Detection

Evaluation of Wax Gourd Wine Based on Principal Components and Cluster Analysis

  • XIN Ming 1, 2 ,
  • LI Changbao , 1, 2, * ,
  • SUN Jian , 1, 2, * ,
  • ZHOU Zhugui 1 ,
  • TANG Yayuan 1 ,
  • LI Li 1 ,
  • HE Xuemei 1 ,
  • LI Jiemin 1 ,
  • LIU Guoming 1
Expand
  • 1. Agro-food Science and Technology Research Institute, Guangxi Academy of Agricultural Sciences, Nanning, Guangxi 530007, China
  • 2. Guangxi Key Laboratory of Fruits and Vegetables Storage-processing Technology, Nanning, Guangxi 530007, China
* LI Changbao,E-mail: ;
* SUN Jian,E-mail: 。

Received date: 2018-08-08

  Request revised date: 2019-03-07

  Online published: 2019-08-20

Copyright

Copyright reserved © 2019. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Sixteen indexes of wax gourd wines made from 11 yeasts, including physicochemicals, nutrients and antioxidation capabilities were determined in the study. The qualities of the wax gourd wines were evaluated by principal component analysis (PCA) and cluster analysis (CA). The results of PCA showed that the first five components represented 89.188% of the total variability on the base of the total variance explained and screen plot of principal component analysis. The hydroxyl radicals (·OH) scavenging capacity, superoxide radicals contents scavenging capacities, turbidity value, clarity, tonality values, soluble sugars, soluble reducing sugars, alcohol degrees, and contents of total soluble solids (SSC) were the main parameters for evaluating the quality of wax gourd wines. On the basis of composite score ranking, yeasts numbered BV818 and F45 were proposed. Wax gourd wines made from the 11 yeasts were classified into three main groups by CA through measured parameters, which was consistent with PCA results. This research is useful to select appropriate yeasts and processing wax gourd wines.

Key words： wax gourd wine; quality; principal component analysis; cluster analysis; evaluation

Cite this article

XIN Ming , LI Changbao , SUN Jian , ZHOU Zhugui , TANG Yayuan , LI Li , HE Xuemei , LI Jiemin , LIU Guoming . Evaluation of Wax Gourd Wine Based on Principal Components and Cluster Analysis[J]. Chinese Journal of Tropical Crops, 2019 , 40(8) : 1638 -1644 . DOI: 10.3969/j.issn.1000-2561.2019.08.027

冬瓜[Benincasa hispida (Thb.) Cogn.]又名白瓜、寒瓜、枕瓜,属一年生葫芦科植物,是我国夏秋季的常见蔬菜[1],主产地分布在广东、广西、湖南等省,种植面积在20万hm2以上[2]。冬瓜营养成分非常丰富,具有清热解毒、祛湿解暑、防治高血压、减肥和美容等功效[3,4,5],在医药领域中也有广泛的用途。长期以来,冬瓜一直被奉为一种价廉物美、药食兼用的食物。由于冬瓜的种植面积和产量都很大,在收获旺季往往大量过剩,导致价格低廉,严重影响了菜农的收益。目前我国冬瓜绝大部分由产地以原始产品卖出,其附加值难以体现。发展冬瓜深加工技术是推动冬瓜产业发展的重要举措,其中冬瓜酒是较为理想的产品类型。冬瓜酒口感良好,具有冬瓜的清香和酒的醇香,符合国内外酒业的发展趋势。菌种对果蔬酒的最终品质具有至关重要的作用[6,7,8],具有优良性能的菌种是酿造高品质冬瓜酒的基础和关键。然而,目前国内外关于冬瓜酒研究的报道多集中在发酵工艺研究方面,杨胜敖等[9]以冬瓜为原料,采用单因素和正交试验,研究了冬瓜酒的生产工艺,以发酵后酒度和感官评定为评价指标确定了最佳生产工艺参数。曹冠华等[10]研究了冬瓜薏仁果酒的工艺条件,经酵母筛选试验发现安琪水果酵母最适合冬瓜薏仁果酒的发酵;同时根据单因素试验和正交试验得到了冬瓜薏仁果酒最优工艺条件。Lee[11]以冬瓜为原料,优化了冬瓜酒的生产工艺。但是,截至目前国内外有关冬瓜酒品质评价体系尚未见报道。
主成分分析（principle component analysis,PCA）是一种通过降维处理把多个变量（多指标）简化为少数几个主成分（综合指标）的多元统计分析法[12,13]。冬瓜酒品质是由多个指标构成的复杂系统,其评价指标间存在不同程度的相关性,采用PCA既可以同时提取多个指标的大部分信息,又避免了人为选择评价因子的主观性。聚类分析（cluster analysis,CA）是目前数据挖掘技术发展最好的分支之一,能在多维空间或模式空间发现隐藏的结构,能利用确定的标准如欧几里德距离和曼哈坦距离计算出所有样品之间的相关性,能够根据原始数据的相似性,将原始数据简化合并,从而可以更加直观地进行相似组分信息的综合比较[14]。近年来越来越多的研究者采用PCA和CA方法对果蔬的品质进行综合评价,丁筑红等[15]通过PCA方法对不同包装条件下干辣椒的主要风味化合物进行了统计分析及评价,发现包装材料对风味品质影响显著;王沛等[16]采用PCA方法对苹果脆片品质进行客观评价,获得了不同品种苹果脆片品质的综合得分及排名;赵国群等[17]采用描述性统计分析、PCA与CA对梨酒品质进行评价,筛选出最适于酿制梨酒的加工专用品种。
本研究以11个酵母菌种发酵所得的冬瓜酒为基础,分析其理化品质、营养物质及抗氧化能力等16项指标,利用多指标综合评价方法（PCA和CA）对冬瓜酒品质进行综合评价,筛选出适合酿造冬瓜酒的酵母菌种,为冬瓜酒的开发利用提供理论支撑。

1 材料与方法

1.1 材料

1.1.1 植物材料 黑皮冬瓜,采于广西南宁市冬瓜种植基地,选取成熟度一致、大小均匀、无病虫害和表皮无破损的冬瓜果实。冬瓜汁理化指标：可滴定酸含量0.063%、Vc含量557.0 μg/g、可溶性糖含量8.4 mg/g,还原糖含量6.2 mg/g,可溶性固形物含量3.1 °Brix。
1.1.2 供试酿酒酵母：安琪系列干酵母F44、F45、F33、F15、FX10,71B酵母,X16酵母,KD酵母,R-HST酵母,BV818酵母和丹麦活性干酵母（丹麦）,购买于烟台帝伯仕贸易有限公司。
1.1.3 仪器设备及试剂 仪器：A3000 榨汁机,南京威利郎食品有限公司;PHS-3C pH计,上海仪电科学仪器股份有限公司;PTP-IV-30实验室超纯水机,广州品业仪器设备有限公司;东城FG214型糖度计,东莞集达仪器仪表电子工具有限公司;TU-1810型紫外可见分光光度计,北京普析通用仪器有限责任公司。
试剂：乙醇、2,6-二氯靛酚、DPPH、抗坏血酸、蒽酮、硫酸亚铁、氢氧化钠、浓硫酸、酒石酸甲钠、苯酚、3,5-二硝基水杨酸、邻二氮菲、乙酸乙酯、邻苯三酚、盐酸、三羟甲基氨基甲烷等,均为国产分析纯。

1.2 方法

1.2.1 冬瓜酒发酵工艺 新鲜冬瓜→剥皮去籽→榨汁→调整成分（加入蔗糖调整可溶性固形物含量至22 °Brix,加入柠檬酸调整至pH 4,用焦亚硫酸钠调整果汁SO2浓度到50 mg/L）→酵母活化（活性干酵母加入20倍水、8%的白砂糖,搅拌溶解,在35 ℃下活化20 min）→接种（接种量0.1%）→前发酵（20 ℃条件下密闭发酵8 d）→倒瓶→后发酵（25~28 ℃的条件下密闭存放30 d）→硅藻土过滤→陈酿→冬瓜酒。
1.2.2 冬瓜酒理化指标测定 pH用pH计测定;可溶性固形物含量用糖度计测定;酒精度用蒸馏法测定;可滴定酸含量：采用氢氧化钠滴定法测定;维生素C（Vc）含量：采用2,6-二氯靛酚滴定法测定[18];可溶性糖含量：采用蒽酮硫酸比色法测定[19];还原糖含量：采用3,5-二硝基水杨酸比色法测定;浊度、澄清度、色度、色调：采用比色法测定[20];挥发酸：采用双沸式蒸馏法测定[21],单位：g/L（以乙酸计）。
1.2.3 抗氧化性指标测定 测定羟基自由基（·OH）清除能力,采用芬顿（Fenton）体系邻二氮菲-Fe2+氧化法进行测定[22];测定超氧阴离子（O2-·）清除能力,采用邻苯三酚自氧化法测定[23];测定DPPH自由基清除能力,采用DPPH分析法测定[24]。
1.2.4 感官评价 参考杨胜敖等[9]的感官评价方法,略有修改,以10名品尝员根据感官质量评分指标,对成品色泽、澄清度、滋味、气味等进行综合评分,取平均值。冬瓜酒感官质量评分指标分项目评内容评分。色泽：酒体呈淡黄色,无浑浊计20分;澄清度：酒体澄清透明、有光泽计20分;滋味：酒香清雅、口感醇厚、有冬瓜特有的风味计40分;气味：有明显冬瓜的清香,无异味计20分。
1.2.5 指标的无量纲化处理 由于16个指标的量纲不统一,在进行数据分析之前,进行了数据无量纲化处理[25]。本研究采用如下所示方法进行数据转换处理：
${{y}_{ij}}=\frac{{{x}_{ij}}-{{m}_{j}}}{{{s}_{j}}}$
式中：xij为第i个样本在第j个指标的原始值,yij为第i个样本在第j个指标的变换后值,mj为第j个指标的平均值,sj为第j个指标的标准差。
${{m}_{j}}=\frac{1}{n}\sum\limits_{i=1}^{n}{{{x}_{ij}}}$
${{s}_{j}}=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}{{{x}_{ij}}-{{m}_{j}}{{}^{2}}}}$
经过标准化处理后,就得到由原始数据转换而来的没有量纲的指标测评值,因此所有指标的值均处于同一数量级别上,即可用于数理统计分析。
1.2.6 冬瓜酒品质评价方法及步骤[26,27] 以16个品质评价因子为分析对象,应用主成分分析,以评价因子的累计贡献率确定品质评价因素数量,然后应用系统聚类法选择评价的类别和评价因素。
1.2.7 综合得分计算 为了更直观地鉴定冬瓜酒的综合品质,采用因子综合得分对主成分分析得到的数据进一步分析。综合得分[28]=因子1的方差贡献率×因子1的得分+因子2的方差贡献率×因子2的得分+……+因子16的方差贡献率×因子16的得分。

1.3 数据处理

测定数据采用Excel 2010软件和SPSS 20.0软件进行统计分析。

2 结果与分析

2.1 冬瓜酒指标相关性分析

测定获得了11个不同菌种发酵冬瓜酒的pH、可溶性固形物含量、可滴定酸、酒精度等16个品质指标数据,由于数据的计量单位不一样和量纲不一致,所以将原始数据指标无量纲化处理后,结果见表1。由表1可知,不同菌种发酵的冬瓜酒的16个测定品质指标有所不同,但是它们之间有独立性也有密切相关性,说明各品质指标反映的信息有重复和重叠现象,导致冬瓜酒品质评价的简单规律不易总结,为了提高冬瓜酒品质指标评价的效率,有必要将相关性状指标归类和简化。
表1 冬瓜酒品质指标的相关矩阵

Tab. 1 Correlation matrix of wax gourd wine quality parameters

性状 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16
X1 1.000 0.282 -0.687 0.011 0.630 -0.460 -0.098 0.471 0.345 0.296 0.389 0.137 -0.258 0.148 -0.713 0.707
X2 1.000 -0.162 -0.345 0.217 -0.108 -0.320 -0.137 0.729 0.213 -0.120 -0.277 -0.916 0.422 -0.262 0.341
X3 1.000 -0.317 -0.955 0.396 0.678 0.168 -0.418 0.302 0.071 -0.099 0.109 0.153 0.926 -0.720
X4 1.000 0.199 -0.220 -0.136 -0.204 -0.352 -0.092 -0.347 0.422 0.556 -0.696 -0.123 0.176
X5 1.000 -0.437 -0.794 -0.212 0.554 -0.329 -0.085 -0.005 -0.157 -0.016 -0.892 0.640
X6 1.000 0.140 -0.273 -0.053 0.094 0.044 -0.522 -0.140 0.167 0.301 -0.430
X7 1.000 0.712 -0.574 0.528 0.361 0.145 0.284 -0.042 0.609 -0.267
X8 1.000 -0.080 0.495 0.472 -0.015 0.176 0.113 0.108 0.241
X9 1.000 0.003 -0.205 -0.679 -0.663 0.461 -0.516 0.517
X10 1.000 0.100 -0.061 -0.217 0.175 0.180 0.103
X11 1.000 0.205 -0.078 0.243 0.052 -0.298
X12 1.000 0.304 -0.492 0.088 -0.142
X13 1.000 -0.487 0.213 -0.171
X14 1.000 -0.134 0.037
X15 1.000 -0.765
X16 1.000

Note: X1-X16 were measurement index number of wax gourd wine quality measurement index number. Among them, X1: (·OH) scavenging capacity; X2: superoxide radicals(O2-·) scavenging capacity; X3: DPPH· scavenging capacity; X4: turbidity value; X5: clarity; X6: titratable acid content; X7: chromatic value; X8: tonality value; X9: Vc content; X10: volatile acid content; X11: soluble sugar content; X12: soluble reducing sugar content; X13: pH; X14: alcohol degrees; X15: total soluble solids content; X16: sensory evaluation.

注：X1~X16为冬瓜酒品质测定指标编号,其中X1为·OH清除率,X2为O2-·清除率,X3为DPPH·清除率,X4为浊度,X5为澄清度,X6为可滴定酸含量,X7为色度,X8为色调,X9为Vc含量,X10为挥发酸含量,X11为可溶性糖含量,X12为还原糖含量,X13为pH,X14为酒精度,X15为可溶性固形物含量,X16为感官评价。

2.2 主成分分析

将测定指标归类和简化,对测定指标进行了主成分分析,经SPSS 20.0软件处理得到解释的总方差（表2）和主成分矩阵（表3）。
表2 主成分分析解释总变量

Tab. 2 Total variance explained by PCA

成分
Factors		 初始特征值The initial eigenvalue
特征值
Eigen value		 方差贡献率
The variance
contribution rate/%		 累加方差贡献率
The accumulated variance contribution rate/%
1 5.476 34.223 34.223
2 3.541 22.130 56.354
3 2.744 17.147 73.501
4 1.332 8.322 81.823
5 1.178 7.364 89.188
6 0.693 4.333 93.521
7 0.441 2.757 96.278
8 0.322 2.010 98.288
9 0.223 1.393 99.681
10 0.051 0.319 100.000
11 4.002E-016 2.501E-015 100.000
12 2.637E-016 1.648E-015 100.000
13 5.154E-017 3.221E-016 100.000
14 -1.498E-017 -9.363E-017 100.000
15 -5.624E-017 -3.515E-016 100.000
16 -2.336E-016 -1.460E-015 100.000
表3 5个主成分分析的载荷矩阵

Tab. 3 Loading matrix of 5 principal components

评价指标
Evaluation index		 主成分Principal component
1 2 3 4 5
·OH清除率
(·OH) scavenging capacity		 0.673 0.036 0.709 0.085 0.016
O2-·清除率
(O2-·) scavenging capacity		 0.550 0.599 0.065 0.180 0.508
DPPH清除
DPPH scavenging capacity		 0.878 0.414 0.061 0.117 0.091
浊度 Turbidity value 0.015 0.815 0.067 0.361 0.041
澄清度Clarity 0.913 0.309 0.025 0.175 0.094
可滴定酸含量
Titratable acid content		 0.374 0.430 0.419 0.016 0.371
色度Chromatic value 0.733 0.161 0.596 0.176 0.061
色调Tonality value 0.160 0.157 0.891 0.117 0.252
维生素C含量Vc content 0.766 0.516 0.167 0.148 0.102
挥发酸含量
Volatile acid content		 0.159 0.389 0.554 0.503 0.144
可溶性糖含量
Soluble sugar content		 0.161 0.192 0.571 0.717 0.025
还原糖含量
Soluble reducing sugar content		 0.193 0.648 0.303 0.240 0.596
pH 0.461 0.720 0.088 0.046 0.444
酒精度
Alcohol degrees		 0.199 0.767 0.065 0.242 0.150
可溶性固形物含量
Total soluble solids content		 0.906 0.181 0.103 0.097 0.196
感官评价
Sensory evaluation		 0.778 0.116 0.323 0.411 0.159
根据主成分分析理论,如果前r个主成分的累计贡献率已达到85%以上,则表示前r个主成分已能反应原有变量的绝大部分信息。由表2可知,前5个主成分的累积贡献率已达到89.188%,超过85%以上,提取前5个主成分就能够较好地解释原有变量所包含的信息了;碎石图（图1）可以用来帮助确定最优的主成分数目,碎石图中横坐标表示主成分数目,纵坐标表示特征值,主成分特征值的连线陡峭部分即为应取的主成分数目。本研究考查特征值>1并综合考虑碎石图和方差贡献率确定最优的主成分数。由图1可知,前5个主成分的特征值较大,连线较为陡峭,即前5个主成分对解释变量的贡献最大,综合了冬瓜酒品质的大部分信息,故将前5个特征值作为新变量代替原来的16个指标。
图1 主成分分析碎石图

Fig. 1 Screen plot of PCA

由表3可知,第一主成分可溶性固形物含量的特征值比较大,澄清度特征值绝对值比较大;第二主成分酒精度的特征值比较大,浊度的特征值绝对值比较大;第三主成分色调和·OH清除率的特征值比较大;第四主成分可溶性糖含量的特征值绝对值比较大;第五主成分还原糖含量和O2-·清除率的特征值绝对值比较大。第一、第二主成分反映冬瓜酒的外观品质,也在一定程度上反映了果实内在品质,第四主成分主要反映了冬瓜酒糖类物质信息,第三和第五主成分反映了冬瓜酒的抗氧化能力。以上5个主成分包含了冬瓜酒品质的基本信息,可作为评价综合指标。
综上,可溶性固形物含量、澄清度、酒精度、浊度、色调、·OH清除率、可溶性糖含量、O2-·清除率和还原糖含量为评价冬瓜酒品质的主要指标。
综上,可溶性固形物含量、澄清度、酒精度、浊度、色调、·OH清除率、可溶性糖含量、O2-·清除率和还原糖含量为评价冬瓜酒品质的主要指标。

2.3 综合得分及评价

经SPSS 20.0软件处理得到综合得分（表4）。从表4可知,综合得分值前三的是BV818酵母、F45酵母、KD酵母,分别达到0.985、0.939、0.924;综合得分值较低的是F33酵母、FX10酵母和F15酵母,分别为0.476、0.533和0.576。由排序可知,排名前列的是BV818酵母、F45酵母、KD酵母,这些菌种酿造的冬瓜酒综合品质性状优良。
表4 综合得分及排名

Tab. 4 Scores and rankings of wax gourd wine

菌种
Culture		 综合得分
Synthesis score		 排序
Sorts
F44 0.921 4
R-HST 0.781 5
KD 0.924 3
F45 0.939 2
BV818 0.985 1
丹麦 0.738 6
F33 0.476 11
FX10 0.533 10
F15 0.576 9
71B 0.627 8
X16 0.690 7

2.4 冬瓜酒品质指标的聚类分析

在解决实际问题过程中,将多样本对象分类时,依据单因素分类不足以全面综合地描述其类别,往往要考虑多方面因素进行分类。聚类分析是对研究对象或者指标的诸多特性进行分类的,将样品按照品质特性相似程度逐渐聚合在一起,相似度最大的优先聚合在一起,最终按照类别的综合性质多个品种聚合,从而完成聚类分析的过程[29]。为了筛选适宜加工冬瓜酒的酵母菌种,对冬瓜酒品质指标特征主成分进行综合评价的同时,对其进行了系统聚类分析,以便充分利用主成分实验结果。采用欧式距离和组间平均链接法及主成分分析结果将各品质指标进行聚类分析,SPSS 20.0软件自动计算输出层次聚类分析树形图（图2）。
图2 聚类分析谱系图

Fig. 2 Dendrogram of HCA (hierarchical cluster analysis)

由图2可知,在欧式距离10.0处可以将11个菌种的冬瓜酒聚为3类。第一类为BV818酵母、F45酵母,综合得分分别为0.985、0.939（表4）,表明其所酿制的冬瓜酒综合品质最优,比较适合于酿制冬瓜酒。第二类包括KD酵母、F44酵母、R-HST酵母、丹麦活性干酵母,综合排名3~6,综合品质中等。第三类为F33酵母、FX10酵母、F15酵母、X16酵母、71B酵母,综合排名靠后,酿制的冬瓜酒品质最差。

3 讨论

冬瓜营养成分丰富,含有蛋白质、糖类、多种维生素和矿物质等,其中所含的Vc可与西红柿媲美,是一种优质的酿酒原料。通过酿造冬瓜酒可以降低冬瓜采后因腐烂造成的损失,提高冬瓜附加值。菌种对冬瓜酒的品质起着至关重要的作用,选择适宜酿造的优良菌种,对冬瓜酒的品质尤为重要。Suárez-Lepe等[30]、李华等[31]都在研究中论述了酵母对酒品质的重要性,发现菌种在葡萄酒发酵过程中具有非常重要的作用,它将葡萄汁中的绝大部分糖转化为酒精和二氧化碳,同时生成甘油、高级醇、醛、酯等代谢产物,直接影响了葡萄酒的色泽、香气及口感,决定着葡萄酒的质量。本研究通过对11个酵母菌种酿制的冬瓜酒的16个相关指标进行测定,指标众多,且计量单位不同,数据量纲不一致。近年,研究者对多样品多指标的品质分析越来越广泛地应用主成分分析和聚类分析[14, 16, 26],刘慧等[32]在筛选适宜果酒加工的樱桃品种时,采用了主成分分析,提取了前3个主成分,其累积方差贡献率为85.736%,能反映樱桃酒品质的绝大部分信息,同时得到了11个品种樱桃酒品质综合得分最高的樱桃品种,完成了樱桃酒专用酿酒品种的筛选研究。这与本研究的分析方法相类似,在本研究中,通过提取主成分,将冬瓜酒16个差异明显的品质指标综合为5个主成分,其累积方差贡献率为89.188%,综合了冬瓜酒品质的绝大部分信息,对冬瓜酒品质评价指标达到降维的目的。最终确定可溶性固形物含量、澄清度、酒精度、浊度、色调、·OH清除率、可溶性糖含量、O2-·清除率和还原糖含量为衡量冬瓜酒品质的优劣指标。这些指标涵盖了外观、营养品质、功能性3个层面,综合反映了冬瓜酒的品质。通过综合得分的计算,排名前三的是BV818酵母、F45酵母、KD酵母,其酿造的冬瓜酒综合品质最优。
而聚类分析是将研究对象关系更接近的合并为一类,着重区分类别内和类别间元素组成,明确分类界限,但不会对信息进行删减、不会区分元素重要性,类别间重要性是等同的。公丽艳等[33]在苹果加工品质评价研究中,采用聚类分析将30个品种苹果分为5类,聚类结果与主成分得分结果基本一致,该研究初步判定30个品种苹果是否适宜鲜食,为苹果品种选育和加工应用提供理论依据。赵国群等[17]在梨酒品质综合评价研究中,通过聚类分析将6种梨酒聚为三类,其评价结果与主成分分析及感官评价的结果一致。这与本研究的分析结果基本一致,本研究结合聚类分析结果确定分类界限,第一类菌种（BV818酵母、F45酵母）适宜加工冬瓜酒,第三类菌种（F33酵母、FX10酵母、F15酵母、X16酵母、71B酵母）不适宜加工冬瓜酒,聚类分析与主成分分析的结果一致,为冬瓜酒酿酒酵母品种选择提供了判定依据。
综上所述,以11个菌种发酵酿制冬瓜酒,应用主成分与聚类分析法,对不同菌种冬瓜酒品质进行了综合评价。通过主成分分析提取了5个主成分,累计方差贡献率达89.188%,确定可溶性固形物含量、澄清度、酒精度、浊度、色调、·OH清除率、可溶性糖含量、O2-·清除率和还原糖含量为评价冬瓜酒品质的主要指标,11个菌种发酵冬瓜酒的综合品质从高到低的排序为：BV818酵母、F45酵母、KD酵母、F44酵母、R-HST酵母、丹麦活性酵母、X16酵母、71B酵母、F15酵母、FX10酵母、F33酵母。按照冬瓜酒品质特性采用聚类分析将11个菌种分为3类,初步判断是否适宜冬瓜酒加工,聚类分析与主成分综合得分对品种分类判定结果较为一致。最终筛选出适宜冬瓜酒加工的菌种为BV818酵母、F45酵母,所酿制的冬瓜酒综合品质较优。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵芹, 谢大森, 何晓明 , 等. 冬瓜组培再生体系的初步建立[J]. 热带作物学报, 2012,33(4):646-650.

[2]
伍玉菡, 尤逢惠, 万娅琼 . 冬瓜产业发展现状及加工与综合利用技术[J]. 安徽农学通报, 2013,19(13):139-140.

[3]
Huang G, Tan J, Tan X , et al. Preparation of polysaccharides from wax gourd[J]. International Journal of Food Sciences & Nutrition, 2011,62(5):480-483.

[4]
Zaini N A M, Anwar F, Hamid A A , et al. Kundur [Benincasa hispida (Thunb.) Cogn.]: a potential source for valuable nutrients and functional foods[J]. Food Research International, 2011,44(7):2368-2376.

[5]
聂呈荣, 潘国华, 伍倩慧 , 等. 不同砧木嫁接对黑皮冬瓜的产量及营养品质的影响[J]. 佛山科学技术学院学报(自然科学版), 2017,35(1):40-45.

[6]
Tyrell T, Reimann S, Folz R , et al. Screening of brewery yeast strains regarding organic acid profile in order to find low succinic acid producer[J]. Brewing Science, 2013,66(7):75-84.

[7]
Matapathi S S, Patil A B, Nirmalnath P J , et al. Isolation and screening of efficient yeast strains for wine making[J]. Karnataka Journal of Agricultural Sciences, 2010,17(4):736-740.

[8]
刘宁 . 本土酿酒酵母对葡萄酒质量的影响及优良菌株的筛选[D]. 杨凌: 西北农林科技大学, 2015.

[9]
杨胜敖, 石志红, 江明 . 发酵型冬瓜酒酿造技术研究[J]. 贵州农业科学, 2009,37(12):183-185.

[10]
曹冠华, 李泽东, 赵荣华 , 等. 冬瓜薏仁果酒工艺条件的研究[J]. 中国酿造, 2017,36(3):192-196.

[11]
Lee S K . Studies on wax gourd wine[J]. Korean Journal of Agriculturalence, 2000,27.

[12]
Hossain M B, Patras A, Barry-ryan C , et al. Application of principal component and hierarchical cluster analysis to classify different spices based on in vitro, antioxidant activity and individual polyphenolic antioxidant compounds[J]. Journal of Functional Foods, 2011,3(3):179-189.

[13]
苏必孟, 刘子凡, 黄洁 , 等. 基于主成分分析的木薯抗旱栽培措施的综合评价[J]. 热带作物学报, 2017,38(2):189-193.

[14]
冉军舰, 孙华迪, 陈晓静 , 等. 基于主成分与聚类分析的35个苹果品种多酚综合评价[J]. 食品工业科技, 2017,38(8):139-144.

[15]
丁筑红, 王知松, 郑文宇 , 等. 不同包装条件下干辣椒风味化合物的主成分分析[J]. 中国食品学报, 2014,14(1):285-292.

[16]
王沛, 刘璇, 毕金峰 , 等. 基于主成分分析的中早熟苹果脆片品质评价[J]. 中国食品学报, 2012,12(6):204-211.

[17]
赵国群, 赵一凡, 张晓腾 , 等. 基于主成分与聚类分析的梨酒品质分析与综合评价[J]. 中国酿造, 2018,37(2):111-115.

[18]
任婧, 李景富, 张佳 , 等. 基于蒽酮硫酸比色法建立一种快速测定果糖含量的方法[J]. 黑龙江科学, 2017,8(10):82-85.

[19]
仝瑛 . 菊芋菊糖的提取纯化、抗氧化活性及菊糖复合饮料工艺研究[D]. 西安: 西北大学, 2010.

[20]
董文娟 . 酵母菌种对冰苹果酒和山楂酒品质的影响[D]. 泰安: 山东农业大学, 2015.

[21]
中华人民共和国质量监督检验检疫总局, 国家标准化管理委员会. 葡萄酒、果酒通用分析方法: GB/T 15038–2006[S]. 北京: 中国标准出版社, 2006.

[22]
刘薇, 邱乐, 杨婧 , 等. ABTS与邻二氮菲-Fe 3+法测定保健食品抗氧化能力比较分析 [J]. 食品工业, 2013,34(3):120-124.

[23]
程世嘉, 黄莹, 齐梁煜 , 等. 谷芽多糖的提取工艺及其抗氧化活性研究[J]. 食品工业, 2016,37(1):123-125.

[24]
韦献雅, 殷丽琴, 钟成 , 等. DPPH法评价抗氧化活性研究进展[J]. 食品科学, 2014,35(9):317-322.

DOI

[25]
Kavdir I, Guyer D E . Evaluation of different pattern recognition techniques for apple sorting[J]. Biosystems Engineering, 2008,99(2):211-219.

[26]
宋江峰, 刘春泉, 姜晓青 , 等. 基于主成分与聚类分析的菜用大豆品质综合评价[J]. 食品科学, 2015,36(13):12-17.

DOI

[27]
徐臣善, 高东升 . 基于主成分分析的设施桃果实品质综合评价[J]. 食品工业科技, 2014,35(23):84-88, 94.

[28]
傅隆生, 宋思哲, 邵玉玲 , 等. 基于主成分分析和聚类分析的海沃德猕猴桃品质指标综合评价[J]. 食品科学, 2014,35(19):6-10.

DOI

[29]
张文彤 . SPSS统计分析高级教程[M]. 北京: 高等教育出版社出版, 2004.

[30]
Suárez-Lepe J A, Morata A . New trends in yeast selection for winemaking[J]. Trends in Food Science & Technology, 2012,23(1):39-50.

[31]
李华, 王华, 袁春龙 , 等. 葡萄酒化学[M]. 北京: 科学出版社, 2005.

[32]
刘慧, 刘杰超, 李佳秀 , 等. 不同品种樱桃酒品质分析与综合评价[J]. 果树学报, 2017,34(7):895-904.

[33]
公丽艳, 孟宪军, 刘乃侨 , 等. 基于主成分与聚类分析的苹果加工品质评价[J]. 农业工程学报, 2014,30(13):276-285.

Options
Outlines

/

〈 〉

琼ICP备19001573号
Copyright © Chinese Journal of Tropical Crops, All Rights Reserved.
Tel: 0898-66989102　E-mail: rdzx136@163.com
Powered by Beijing Magtech Co. Ltd