Un gruppo de ricercatori australiani dell’Università di Melbourne, guidato dal professor Sigfredo Fuentes, ha sviluppato un modello non invasivo per rilevare la contaminazione da fumo delle uve, al fine di aiutare i viticoltori a garantire una produzione di qualità e ad affrontare gli effetti degli incendi, sempre più frequenti.
Sono state utilizzate tecniche rapide di analisi in campo per determinare se le uve sono state contaminate dal fumo.
Utilizzando algoritmi di apprendimento automatico, dati di termografia ad infrarosso e al vicino infrarosso, i ricercatori sono stati in grado di prevedere con un’accuratezza del 96 % se le uve erano state contaminate. Questi metodi consentono di analizzare le uve senza la necessità di prelevarle e distruggerle.
Gli incendi boschivi stanno diventando sempre più comuni e intensi a causa dei cambiamenti climatici e la viticoltura deve affrontare gravi rischi di inquinamento da fumo. Questo problema si sta diffondendo in molte regioni vinicole del mondo, tra cui Australia, Grecia, Cile, parte della California e del Sudafrica che, negli ultimi anni, stanno vivendo i peggiori incendi boschivi della loro storia.
Quando si verifica un incendio, il fumo che attraversa la vigna produce acido carbonico, un composto che riduce il pH negli stomi, costringendoli a chiudersi. Nel frattempo, l’uva assorbe i fenoli volatili derivati dal fumo. Questi composti verranno estratti durante il processo di vinificazione, influenzando la qualità della vendemmia.
È importante essere in grado di rilevare la contaminazione da fumo, poiché il processo di eliminazione non è selettivo e può inavvertitamente eliminare composti importanti, che influiscono sulle caratteristiche sensoriali del vino.
Lo studio è stato condotto durante la campagna 2009/2010 utilizzando sette diverse varietà provenienti da due località nel sud dell’Australia. Sono state installate tende intorno a viti selezionate per esporle al fumo prodotto dalla combustione di paglia. Le uve sono state confrontate con un controllo di viti non esposte.
Articolo di riferimento:
Non-Invasive Tools to Detect Smoke Contamination in Grapevine Canopies, Berries and Wine: A Remote Sensing and Machine Learning Modeling Approach; DOI: 10.3390/s19153335
Ti presentiamo una selezione dei contenuti della rivista a tema..
